System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于数据处理,更具体地说,是涉及一种近红外光谱信号去噪方法及装置、终端设备、存储介质。
技术介绍
1、中心静脉压(central venous pressure,cvp)作为心血管疾病诊断的重要临床参数,有助于帮助临床医生及时监测患者的康复情况。其中,有创中心静脉穿刺测压法操作过程复杂冗长,患者承担痛苦较大,且穿刺部位有感染和出血等潜在风险。因此,基于近红外光谱技术的中心静脉压无创监测应运而生。
2、近红外光谱是介于780 2500nm的电磁波谱,是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的,具有较强的穿透能力。使用近红外光谱技术进行监测,信息量丰富,而且具有无损、快速、方便、高效等特点,适合多种物态分析,因此被广泛应用于多个领域。
3、但是,在基于近红外光谱技术进行中心静脉压的监测时,原始光谱数据不仅包括被测样品的近红外特征光谱,也包含了诸如高频随机噪声、基线漂移等噪声,噪声的存在对计算中心静脉压有着较大的影响。因此,如何对中心静脉压监测时的近红外光谱信号进行去噪成为本领域技术人员亟需解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种近红外光谱信号去噪方法及装置、终端设备、存储介质,以对中心静脉压监测时的近红外光谱信号进行去噪,提升中心静脉压的监测精度。
2、本专利技术实施例的第一方面,提供了一种近红外光谱信号去噪方法,包括:
3、从中心静脉压传感器的接收器中获取近红外光谱信号;
4、
5、对所述近红外光谱信号进行经验模态分解,得到所述近红外光谱信号的本征模态函数分量和余量;其中,在对所述近红外光谱信号进行经验模态分解的过程中,根据待分解信号的频率选取对应的样条插值函数进行包络拟合;
6、对所述本征模态函数分量进行滤波,并对滤波后的本征模态函数分量和所述余量进行重构,得到去噪后的近红外光谱信号。
7、在一种可能的实现方式中,所述对所述近红外光谱信号进行经验模态分解,得到所述近红外光谱信号的本征模态函数分量和余量,包括:
8、s11:对所述近红外光谱信号的两端端点进行延拓,并将延拓后的近红外光谱信号f(t)作为待分解信号,令i=1,j=1;
9、s12:根据所述待分解信号的频率选取对应的样条插值函数进行包络拟合,得到待分解信号的上下包络线,计算待分解信号的上下包络线的均值mij(t),并根据hij(t)=x(t)-mij(t)得到去掉低频的新数据序列;令i=i+1;
10、其中,x(t)为待分解信号;
11、s13:重复执行步骤s12直至mij(t)小于预设值,得到所述近红外光谱信号的第j阶本征模态函数分量imfj;令i=1,j=j+1;其中,hjk(t)=hj(k-1)(t)-mjk(t),imfj(t)=hjk(t);hjk(t)表示第k次执行步骤s12得到的新数据序列,hj(k-1)(t)表示第k-1次执行步骤s12得到的新数据序列,mjk(t)表示第k次执行步骤s12得到的上下包络线的均值,k表示步骤s12重复执行了k次;
12、s14:根据rj(t)=x(t)-imfj(t)确定去掉高频组分的差值序列rj(t);
13、s15:将差值序列rj(t)作为待分解信号,返回执行步骤s12直至rj(t)不可再分;
14、s16:得到其中,imfj(t)为所述近红外光谱信号f(t)的本征模态函数分量;r(t)为最后一次执行步骤s14时得到的rj(t),其表示所述近红外光谱信号f(t)的余量,代表f(t)的趋势;n为步骤s14的执行次数。
15、在一种可能的实现方式中,所述根据待分解信号的频率选取对应的样条插值函数进行包络拟合,包括:
16、为所述待分解信号中大于预设频率的信号选取五次样条插值函数进行包络拟合,为所述待分解信号中小于或等于预设频率的信号选取三次样条插值函数进行包络拟合。
17、在一种可能的实现方式中,所述对所述本征模态函数分量进行滤波,包括:
18、对所述本征模态函数分量进行相关系数计算;
19、根据所述本征模态函数分量对应的相关系数筛选出含噪占比大于预设占比的分量,得到目标分量;
20、对所述目标分量进行移动滤波。
21、在一种可能的实现方式中,在对滤波后的本征模态函数分量和所述余量进行重构,得到去噪后的近红外光谱信号之后,所述近红外光谱信号去噪方法还包括:
22、确定所述被测用户在起背高度下的血流波动信息;其中,所述起背高度指的是所述中心静脉压传感器进行颈部探测时所述被测用户起背的高度;
23、根据所述被测用户在所述起背高度下的血流波动信息确定预设的带通滤波器的滤波频段;
24、基于确定滤波频段的所述带通滤波器对去噪后的近红外光谱信号进行滤波。
25、在一种可能的实现方式中,所述确定所述被测用户在起背高度下的血流波动信息,包括:
26、获取所述被测用户躺平时的血流波动信息;
27、根据所述起背高度以及所述被测用户躺平时的血流波动信息确定所述被测用户在所述起背高度下的血流波动信息。
28、在一种可能的实现方式中,所述根据所述被测用户在所述起背高度下的血流波动信息确定预设的带通滤波器的滤波频段,包括:
29、将所述被测用户在所述起背高度下的血流波动信息输入至预先训练的深度学习模型中,得到预设的带通滤波器的滤波频段。
30、本专利技术实施例的第二方面,提供了一种近红外光谱信号去噪装置,包括:
31、数据获取模块,用于从中心静脉压传感器的接收器中获取近红外光谱信号;
32、其中,所述中心静脉压传感器用于设于被测用户颈部的预设位置进行颈部探测,所述中心静脉压传感器中的光源向被测用户的颈部发射近红外光,所述近红外光经所述被测用户的颈部吸收和散射后由所述中心静脉压传感器中的接收器接收;所述近红外光谱信号用于计算所述被测用户的中心静脉压;
33、模态分解模块,用于对所述近红外光谱信号进行经验模态分解,得到所述近红外光谱信号的本征模态函数分量和余量;其中,在对所述近红外光谱信号进行经验模态分解的过程中,根据待分解信号的频率选取对应的样条插值函数进行包络拟合;
34、滤波重构模块,用于对所述本征模态函数分量进行滤波,并对滤波后的本征模态函数分量和所述余量进行重构,得到去噪后的近红外光谱信号。
35、本专利技术实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机本文档来自技高网...
【技术保护点】
1.一种近红外光谱信号去噪方法,其特征在于,包括:
2.如权利要求1所述的近红外光谱信号去噪方法,其特征在于,所述对所述近红外光谱信号进行经验模态分解,得到所述近红外光谱信号的本征模态函数分量和余量,包括:
3.如权利要求1或2任一项所述的近红外光谱信号去噪方法,其特征在于,所述根据待分解信号的频率选取对应的样条插值函数进行包络拟合,包括:
4.如权利要求1所述的近红外光谱信号去噪方法,其特征在于,所述对所述本征模态函数分量进行滤波,包括:
5.如权利要求1所述的近红外光谱信号去噪方法,其特征在于,在对滤波后的本征模态函数分量和所述余量进行重构,得到去噪后的近红外光谱信号之后,所述近红外光谱信号去噪方法还包括:
6.如权利要求5所述的近红外光谱信号去噪方法,其特征在于,所述确定所述被测用户在起背高度下的血流波动信息,包括:
7.如权利要求5所述的近红外光谱信号去噪方法,其特征在于,所述根据所述被测用户在所述起背高度下的血流波动信息确定预设的带通滤波器的滤波频段,包括:
8.一种近红外光谱信号去噪装
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
...【技术特征摘要】
1.一种近红外光谱信号去噪方法,其特征在于,包括:
2.如权利要求1所述的近红外光谱信号去噪方法,其特征在于,所述对所述近红外光谱信号进行经验模态分解,得到所述近红外光谱信号的本征模态函数分量和余量,包括:
3.如权利要求1或2任一项所述的近红外光谱信号去噪方法,其特征在于,所述根据待分解信号的频率选取对应的样条插值函数进行包络拟合,包括:
4.如权利要求1所述的近红外光谱信号去噪方法,其特征在于,所述对所述本征模态函数分量进行滤波,包括:
5.如权利要求1所述的近红外光谱信号去噪方法,其特征在于,在对滤波后的本征模态函数分量和所述余量进行重构,得到去噪后的近红外光谱信号之后,所述近红外光谱信号去噪方法还包括:
6.如权...
【专利技术属性】
技术研发人员:郑一博,董雨荷,李罗臣,吴镜湘,刘永伟,殷腾超,张磊,
申请(专利权)人:河北地质大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。