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】
本专利技术涉及数据处理,具体涉及一种心电图信号特征智能提取方法。
技术介绍
1、心电图信号特征提取是分析心脏电活动的重要步骤,用于检测心脏疾病和监测心脏健康。采集的心电活动数据的准确性对于心电图特征的分析起着至关重要的作用,倘若在对采集的含有一定的噪声成分的心电数据绘制成的心电图信号特征进行分析提取时,会对分析结果和准确性造成一定的偏差。一种心电图信号特征智能提取方法则指的是在对心电图信号进行特征提取时,对含有噪声的心电数据进行噪声的去除,从而实现对心电图信号特征的准确分析和提取。
2、现有的技术通过设置固定的阈值通过小波包变换来进行去噪,以此来提取出关键的心电信号特征;但是固定的阈值会造成原始信号的部分信息丢失或者对噪声去除程度不足等问题,即去噪的结果对后续心电图信号特征的提取和分析的准确性有着一定影响。
技术实现思路
1、本专利技术提供一种心电图信号特征智能提取方法,以解决现有的问题。
2、本专利技术的一种心电图信号特征智能提取方法采用如下技术方案:
3、本专利技术一个实施例提供了一种心电图信号特征智能提取方法,该方法包括以下步骤:
4、采集心电信号数据;
5、对心电信号数据进行分解得到若干个分量信号,对每个分量信号进行区间划分,得到每个分量信号的若干个区间,根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值,得到每个分量信号的每个区间的数据波动程度,根据每个分量信号的所有区间的数据波动程度得到每
6、根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值,根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列中的无噪声部分,根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据,根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据,得到每个分量信号的噪声影响程度;
7、根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值,根据每个分量信号的自适应阈值对每个分量信号进行去噪,得到去噪后的每个分量信号,根据去噪后的所有分量信号得到去噪后的心电信号数据,完成心电信号特征的提取。
8、进一步地,所述对心电信号数据进行分解得到若干个分量信号,对每个分量信号进行区间划分,得到每个分量信号的若干个区间,包括的具体步骤如下:
9、通过小波包变换对心电信号数据进行分解得到若干个分量信号;
10、获取每个分量信号中的所有极大值,根据每个分量信号中的所有极大值对每个分量信号进行区间划分,得到每个分量信号的若干个区间。
11、进一步地,所述根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值,得到每个分量信号的每个区间的数据波动程度,包括的计算公式如下:
12、
13、式中,表示第i个分量信号的第j个区间中的第c-1个数据与第c个数据的斜率,表示第i个分量信号的第j个区间中的第c个数据与第c+1个数据的斜率,表示第i个分量信号的第j个区间中的第c个数据,表示第i个分量信号的第j个区间中的所有数据的均值,n表示第i个分量信号的第j个区间中的数据总个数,表示第i个分量信号的第j个区间的数据波动程度,表示绝对值符号。
14、进一步地,所述根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列,包括的具体步骤如下:
15、按照从小到大的顺序对每个分量信号的所有区间的数据波动程度进行排序得到排序后的结果,将排序后的结果记为每个分量信号的波动序列。
16、进一步地,所述根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分,包括的具体步骤如下:
17、根据每个分量信号的波动序列中数据之间的差异获得每个分量信号的波动序列中每个数据为分割点的可能性;
18、每个分量信号的波动序列中每个数据为分割点的可能性的计算公式为:
19、
20、式中,表示第i个分量信号的波动序列中的第v个数据,表示第i个分量信号的波动序列中的第s个数据,表示第i个分量信号的波动序列中的第s+1个数据,m表示第i个分量信号的波动序列中的总数据个数,表示绝对值符号,表示第i个分量信号的波动序列中的第s个数据为分割点的可能性;
21、从每个分量信号的波动序列的所有数据中选取数据为分割点的可能性最大的一个数据作为每个分量信号的波动序列的分割点;
22、通过每个分量信号的波动序列的分割点将每个分量信号的波动序列划分为两部分。
23、进一步地,所述根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的波动序列中每部分的分布特征值,根据每个分量信号的波动序列中每部分的分布特征值得到每个分量信号的波动序列中的无噪声部分,包括的具体步骤如下:
24、每个分量信号的波动序列中每部分的分布特征值的计算公式为:
25、
26、式中,表示第i个分量信号的波动序列的第k部分中的最大数据值,表示第i个分量信号的波动序列的第k部分中的最小数据值,表示第i个分量信号的波动序列的第k部分中的第r个数据,表示第i个分量信号的波动序列的第k部分中的所有数据的中值,表示绝对值符号,u表示第i个分量信号的波动序列的第k部分中的所有数据的总个数,表示第i个分量信号的波动序列的第k部分的分布特征值;
27、将分布特征值最小的一部分作为每个分量信号的波动序列中的无噪声部分。
28、进一步地,所述根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据,包括的具体步骤如下:
29、计算每个分量信号的波动序列中无噪声部分中的每个数据,与无噪声部分中的其余所有数据之间的差异的均值,将其结果记为每个分量信号的波动序列中无噪声部分中的每个数据的差异程度,将差异程度最小的数据作为每个分量信号的波动序列的参考数据。
30、进一步地,所述根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据,得到每个分量信号的噪声影响程度,包括的计算公式如下:
31、
32、式中,表示第i个分量信号的波动序列中除了参考数据之外的第e个数据,表示第i个分量信号的波动序列的参考数据,m表示第i个分量信号的波动序列中的总数据个数,表示第i个分量信号的波动序列中除了参考数据之外的第e个数据对应的区间,表示第i个分量信号的波动序列的参考数据对应的区间,为绝对值符号,表示以自然常数为底的指数函数,表示第i个分量信号的噪声影响程度,表示距离。
33、进一步地,所述根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值,包括的计算公式如下:本文档来自技高网...
【技术保护点】
1.一种心电图信号特征智能提取方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述对心电信号数据进行分解得到若干个分量信号,对每个分量信号进行区间划分,得到每个分量信号的若干个区间,包括的具体步骤如下:
3.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值,得到每个分量信号的每个区间的数据波动程度,包括的计算公式如下:
4.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列,包括的具体步骤如下:
5.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分,包括的具体步骤如下:
6.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的波动序列中每部分的数据分布得到每个分量信号的
7.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的波动序列中的无噪声部分的数据得到每个分量信号的波动序列的参考数据,包括的具体步骤如下:
8.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的波动序列中的数据对应的区间和每个分量信号的波动序列的参考数据,得到每个分量信号的噪声影响程度,包括的计算公式如下:
9.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的噪声影响程度得到每个分量信号的自适应阈值,包括的计算公式如下:
10.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的自适应阈值对每个分量信号进行去噪,得到去噪后的每个分量信号,根据去噪后的所有分量信号得到去噪后的心电信号数据,包括的具体步骤如下:
...【技术特征摘要】
1.一种心电图信号特征智能提取方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述对心电信号数据进行分解得到若干个分量信号,对每个分量信号进行区间划分,得到每个分量信号的若干个区间,包括的具体步骤如下:
3.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的每个区间中相邻两个数据的斜率和每个区间中所有数据的均值,得到每个分量信号的每个区间的数据波动程度,包括的计算公式如下:
4.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的所有区间的数据波动程度得到每个分量信号的波动序列,包括的具体步骤如下:
5.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的波动序列中数据之间的差异将每个分量信号的波动序列划分为两部分,包括的具体步骤如下:
6.根据权利要求1所述一种心电图信号特征智能提取方法,其特征在于,所述根据每个分量信号的波动序列中每部分的...
【专利技术属性】
技术研发人员:张兰芳,王九荣,么丝嘉,张亦弛,
申请(专利权)人:河北雄安九康科技有限公司,
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。