一种基于心肺信息的生理状态监测方法和监测仪技术

本发明专利技术公开了一种基于心肺信息的生理状态监测方法，该方法包括：获取高频心电信号，基于结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除；获取呼吸流量信号，基于二阶有源低通滤波器去除高频噪声干扰；提取信号的时域、频域、微分熵特征，对上述特征通过改进的随机森林算法进行特征融合，基于D

【技术实现步骤摘要】
一种基于心肺信息的生理状态监测方法和监测仪


[0001]本专利技术涉及医疗器械领域，尤其是一种基于心肺信息的生理状态监测方法和监测仪。

技术介绍

[0002]心血管系统和呼吸系统之间存在着内在的协调机制，它们之间的相互作用叫做心肺耦合，因此也被称为心肺交互作用。相对于单一的研究心电信号或者呼吸信号来说明机体的平衡与健康状况，将心电信号与呼吸信号放在一起进行耦合研究，得到心血管循环系统和呼吸系统之间的耦合作用状态，更具有准确性和稳定性。
[0003]研究表明，基于体表心电信号和呼吸信号的耦合研究具有诊断的临床价值，无论是与传统的心电信号或是呼吸信号的单一分析相比较，心肺耦合研究的分析结果都具有较高的一致性，能很好地反映在不同生理状态时自主神经系统对心血管系统和呼吸系统耦合作用的影响。
[0004]因此，现有技术中存在如下问题：无法有效融合心肺信息，且基于常规心电信号无法发现一些隐藏的心脏疾病，导致健康状态监测不能达到良好的效果。

技术实现思路

[0005](一)解决的技术问题
[0006]为了解决上述技术问题，本专利技术提供一种基于心肺信息的生理状态监测方法和监测仪，通过结合特征融合和决策融合实现了更加精确的健康状态的监测。
[0007](二)技术方案
[0008]为了解决上述存在的技术问题，实现专利技术目的，本专利技术是通过以下技术方案实现的：
[0009]一种基于心肺信息的生理状态监测方法，包括以下步骤：
[0010]S1：获取高频心电信号并进行预处理
[0011]采用高频心电图机采集高频心电信号，基于高频心电信号进行心肺信息融合，基于高频信号的特征信息，有助于识别隐藏心脏疾病的存在。
[0012]S2：获取呼吸信号并进行预处理
[0013]基于呼吸流量传感器对呼吸信号进行获取，由于基于呼吸流量传感器可以获取精确的呼吸信号，包括呼吸频率，呼吸流速等信息。
[0014]S3：提取信号特征
[0015]包括对信号进行归一化处理，通过三个方面提取特征，包括时域、频域和微分熵。
[0016]S4：对高频心电信号和呼吸信号进行信号融合
[0017]基于深度学习结合特征融合和决策融合两种数据融合方式，对高频心电信号和呼吸信号进行信号融合。具体为：先将高频心电信号的时域特征与频域特征进行融合，进一步与微分熵特征进行融合；其次将呼吸的时域特征与频域特征进行融合，进一步与微分熵特
征进行融合；最终将高频心电信号的融合结果与呼吸信号的融合结果进行融合，得到最终结果。
[0018]进一步地，步骤S1还包括：
[0019]针对工频干扰：
[0020]采用软件方法滤除50hz的工频干扰，基于二阶IIR滤波器，系统函数如下：
[0021][0022]其中，为陷波数字频率，f0为陷波频率，f
s
为采样频率。
[0023]针对肌电干扰：
[0024]本专利技术基于结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除。具体为：
[0025](1)将高频心电信号经过变分模态分解自适应分解为k个模态分量。
[0026]进一步地，通过分析连续变化的k值下，各模态分量中心频率的分布确定k值。
[0027](2)确定模态分量的性质，将其分为信号主导或噪声主导。采用模态分量与高频心电信号的相关系数作为特征量，设定阈值M区分模态分量的性质，相关系数大于阈值时，模态分量被认定为信号主导，否则为噪声主导。
[0028](3)对噪声主导的模态分量进行小波阈值去噪。
[0029](4)将信号主导的模态分量与小波阈值去噪后的模态分量重构得到去噪后的心电信号。
[0030]改进的小波阈值去噪如下：
[0031]基于改进的阈值函数，如下式所示：
[0032][0033]其中，w
′
为去噪后的信号，w为原信号，T为阈值。
[0034]进一步地，步骤S2包括：
[0035]对呼吸流量信号进行预处理包括：
[0036]计算潮气量方式如下：
[0037][0038]其中，C为潮气量，n为一次吸气过程采集的数据量，x
i
为采集的吸气数据值。
[0039]采用低通滤波器从流量波形中滤除呼吸流量，仅保留漏气量，进一步将呼吸流量信号减去已得到的漏气量，得到呼吸流量补偿后的结果；采用二阶有源低通滤波器去除高频噪声干扰。
[0040]进一步地，步骤S3中特征具体包括：
[0041](1)时域
[0042]时域信息包括：标准差、方差、均方根，原始信号和归一化信号的一阶微分均值和
二阶微分均值、Hjorth活动性、移动性、复杂度。
[0043]一阶微分均值计算方式如下：
[0044][0045]二阶微分均值计算方式如下：
[0046][0047]反应信号波动的峰度和偏度：
[0048][0049][0050]Hjorth活动性、移动性、复杂度计算方式如下：
[0051][0052][0053][0054]其中，s为原始信号，长度为N，μ
s
为原始信号的平均值，σ
s
为原始信号的标准差，为原始信号的标准差，s
′
为原始信号的一阶导数。
[0055](2)频域
[0056]提取频域的特征包括能量谱密度、功率谱密度、功率谱强度和差分熵。
[0057]通过以下步骤获取频域信息：
[0058]将n段时域信号通过FFT变换为频域信号X(n)；将频域信号划分K个频段，对各个频段进行特征提取。频域特征包括如下特征：
[0059]a.能量谱密度
[0060][0061]其中，ESD表示能量谱特征，f
k
表示第k个频段的下频段，f
k+1
表示第k个频段的上频段，表示下频段与采样频率的商，表示上频段与采样频率的商。
[0062]b.功率谱密度
[0063][0064]其中，PSD表示功率谱特征，
[0065]c.功率谱强度
[0066]功率谱强度表示的是将频域的幅值求和，计算公式如下：
[0067]PSI＝∑|X
i
|
[0068]其中，PSI表示功率谱强度，
[0069](3)微分熵
[0070]对于服从高斯分布的信号，微分熵的计算方式如下：
[0071][0072]进一步地，步骤S4包括：
[0073]基于改进的随机森林算法进行特征融合，基于D
‑
S证据理论方法进行决策融合，最终融合基于加权算法。
[0074]进一步地，改进的随机森林算法具体为：
[0075]a.基于果蝇算法对随机森林算法中的决策树数量和最大深度的初始值进行寻优；具体步骤如下：
[0076]a1:初始化果蝇位置以及其与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于心肺信息的生理状态监测方法，其特征在于，包括以下步骤：S1：获取高频心电信号并进行预处理；采用高频心电图机采集高频心电信号，基于高频心电信号进行心肺信息融合，基于高频信号的特征信息，有助于识别隐藏心脏疾病的存在；S2：获取呼吸信号并进行预处理；基于呼吸流量传感器对呼吸信号进行获取，由于基于呼吸流量传感器可以获取精确的呼吸信号，包括呼吸频率，呼吸流速；S3：提取信号特征；包括对信号进行归一化处理，通过三个方面提取特征，包括时域、频域和微分熵；S4：对高频心电信号和呼吸信号进行信号融合；基于深度学习结合特征融合和决策融合两种数据融合方式，对高频心电信号和呼吸信号进行信号融合，具体为：先将高频心电信号的时域特征与频域特征进行融合，进一步与微分熵特征进行融合；其次将呼吸的时域特征与频域特征进行融合，进一步与微分熵特征进行融合；最终将高频心电信号的融合结果与呼吸信号的融合结果进行融合，得到最终结果。2.根据权利要求1所述的基于心肺信息的生理状态监测方法，其特征在于，所述步骤S1包括基于结合变分模态分解与改进的小波阈值法对肌电干扰信号进行滤除。3.根据权利要求2所述的基于心肺信息的生理状态监测方法，其特征在于，所述肌电干扰信号滤除方法具体包括：将高频心电信号经过变分模态分解自适应分解为k个模态分量；确定模态分量的性质，将其分为信号主导或噪声主导；采用模态分量与高频心电信号的相关系数作为特征量，设定阈值M区分模态分量的性质，相关系数大于阈值时，模态分量被认定为信号主导，否则为噪声主导；对噪声主导的模态分量进行小波阈值去噪；将信号主导的模态分量与小波阈值去噪后的模态分量重构得到去噪后的心电信号。4.根据权利要求3所述的基于心肺信息的生理状态监测方法，其特征在于，通过分析连续变化的k值下，各模态分量中心频率的分布确定所述k值。5.根据权利要求2所述的基于心肺信息的生理状态监测方法，其特征在于，所述改进的小波阈值去噪如下：...

【专利技术属性】
技术研发人员：宋元林，杜春玲，周磊，
申请(专利权)人：湖南万脉医疗科技有限公司，
类型：发明
国别省市：