【技术实现步骤摘要】
本专利技术涉及医疗设备，尤其涉及一种呼吸节律分类方法及系统。
技术介绍
1、在医学领域，呼吸是生命的基本过程之一，它通过供应氧气和排除二氧化碳来维持机体的气体交换平衡。然而，呼吸并不仅仅是机械系的生理过程，它还受到多种因素的调节和影响，包括神经系统、心血管系统、代谢过程和心理状态等。正常的呼吸节律是一个复杂的生理现象，通常表现为规则的、稳定的呼吸模式，但在不同的情况下，呼吸节律可能会发生变化。
2、目前，通过获取实时呼吸波形数据，提取所述呼吸波形数据的呼吸特征并将所述呼吸特征输入至预先训练好的分类模型，以实现对应的类型。该方法需要大量的样本数据，分类结果很大程度上取决于选择的呼吸信号特征，存在分类准确率低的问题，而且对于个体的差异考虑不足，很难建立统一的模型去适应不同人群的呼吸节律变化，适应性较差。
技术实现思路
1、本专利技术的目的之一在于提供一种呼吸节律类型分类方法，以解决现有技术中缺乏通过监测呼吸信号的节律，从呼吸节律的变化中挖掘和提取呼吸健康信息和相关特征，无法准确区分呼吸类型的技术问题。
2、本专利技术的目的之一在于提供一种呼吸节律类型分类系统。
3、为了实现上述专利技术目的之一，本专利技术提供一种呼吸节律分类方法，包括：获取并分割单位采样周期内的有效呼吸信号，确定对应的呼吸频率差分序列；计算对应于所述呼吸频率差分序列的平均值，根据所述平均值计算得到对应于所述呼吸频率差分序列的动态分类阈值特征；其中，所述动态分类阈值特征用于表示呼吸频率
4、作为本专利技术一实施方式的进一步改进，所述呼吸频率差分序列用于表征相邻两个信号段之间呼吸频率的变化情况。
5、作为本专利技术一实施方式的进一步改进，所述“获取并分割单位采样周期内的有效呼吸信号，确定对应的呼吸频率差分序列”具体包括：控制信号采集设备在所述单位采样周期内采集呼吸信号，并对所述呼吸信号执行数据处理操作，筛选得到所述有效呼吸信号；其中，所述数据处理操作包括呼吸信号转换操作和呼吸信号滤波操作至少其中之一；基于呼吸信号分割算法，对所述有效呼吸信号执行信号分割操作，得到多组呼吸信号片段；其中，每组呼吸信号片段包含相同的采样时间长度；计算并根据对应于所述多组呼吸信号片段的多组呼吸频率，确定所述呼吸频率差分序列。
6、作为本专利技术一实施方式的进一步改进，所述“对所述呼吸信号执行数据处理操作，筛选得到所述有效呼吸信号”具体包括：对所述呼吸信号执行模数转换操作，得到对应于所述呼吸信号的离散数字序列；采用信号滤波算法，对所述离散数字序列执行滤波操作，筛选得到满足第一预设呼吸频率阈值范围的有效呼吸信号；其中，所述第一预设呼吸频率阈值范围为0.1hz-0.5hz。
7、作为本专利技术一实施方式的进一步改进，所述“计算并根据对应于所述多组呼吸信号片段的多组呼吸频率，确定所述呼吸频率差分序列”具体包括：基于傅里叶变换方法，对所述多组呼吸信号片段执行傅里叶变换操作，得到对应的多组频谱能量分布；计算并统计对应于所述多组频谱能量分布的所有呼吸信号片段的频谱能量之和，得到总频谱能量；分别判断每组呼吸频率是否位于第二预设呼吸频率阈值范围内；其中，所述第二预设呼吸频率阈值范围为0.1hz-1hz；若是，则采用伪差检测算法，分别根据对应的每组呼吸信号片段的单频谱能量和所述总频谱能量，筛选得到多组伪差呼吸信号片段，计算对应于所述多组伪差呼吸信号片段的多组呼吸频率，得到所述呼吸频率差分序列。
8、作为本专利技术一实施方式的进一步改进，所述“根据对应的每组呼吸信号片段的单频谱能量和所述总频谱能量，筛选得到多组伪差呼吸信号片段”具体包括：分别计算并判断所述单频谱能量与所述总频谱能量的比值是否大于预设比例阈值；若是，则从所述多组伪差呼吸信号片段保留对应于所述单个频谱能量的呼吸信号片段；若否，则从所述多组伪差呼吸信号片段删除对应于所述单个频谱能量的呼吸信号片段，并更新所述多组伪差呼吸信号片段。
9、作为本专利技术一实施方式的进一步改进，所述“计算对应于所述多组伪差呼吸信号片段的多组呼吸频率，得到所述呼吸频率差分序列”具体包括：将所述多组伪差呼吸信号片段对应的多组呼吸频率作为序列元素，构建呼吸频率序列；分别计算所述呼吸频率序列中相邻两个元素之间的差值，并根据所有差值生成所述呼吸频率差分序列。
10、作为本专利技术一实施方式的进一步改进，所述“根据所述平均值计算得到对应于所述呼吸频率差分序列的动态分类阈值特征”具体包括：获取最优决策参数；其中，所述最优决策参数包括第一最优决策参数和第二最优决策参数；根据所述第一最优决策参数和所述平均值，计算得到第一动态分类阈值特征，根据所述第一动态分类阈值特征和所述第二最优决策参数，计算得到所述动态分类阈值特征；其中，所述第一动态分类阈值特征等于所述第一最优决策参数与所述平均值之积，所述动态分类阈值特征等于所述第一动态分类阈值特征与所述第二最优决策参数之和。
11、作为本专利技术一实施方式的进一步改进，所述“获取最优决策参数”具体包括：构建分类模型和决策函数；获取并计算若干呼吸样本数据的统计特征，基于所述决策函数，将所述统计特征输入至所述分类模型，计算得到所述分类模型的最优决策参数；其中，所述统计特征至少包括所述若干呼吸样本数据的平均值。
12、作为本专利技术一实施方式的进一步改进，所述动态分类阈值特征包括动态标准差阈值；所述“构建分类模型和决策函数”具体包括：构建第一分类模型和第一决策函数；所述“获取并计算若干呼吸样本数据的统计特征，基于所述决策函数，将所述统计特征输入至所述分类模型，计算得到所述分类模型的最优决策参数”具体包括：获取并计算若干呼吸信号样本数据的平均值和标准差，并将所述呼吸信号样本数据的平均值和标准差输入至所述第一分类模型进行训练，得到第一已训练分类模型；根据所述第一已训练分类模型，计算所述第一决策函数等于0时的决策边界，根据所述决策边界迭代优化所述第一决策函数，得到所述第一最优决策参数和所述第二最优决策参数。
13、作为本专利技术一实施方式的进一步改进，所述动态分类阈值特征包括动态最大值阈值；所述“构建分类模型和决策函数”具体包括：构建第二分类模型和第二决策函数；所述“获取并计算若干呼吸样本数据的统计特征，基于所述决策函数，将所述统计特征输入至所述分类模型，计算得到所述分类模型的最优决策参数”具体包括：获取并计算若干呼吸信号样本数据的平均值和最大值，并将所述呼吸信号样本数据的平均值和最大值输入至所述第二分类模型进行训练，得到第二已训练分类模型；根据所述第二已训练分类模型，计算所述第二决策函数等于0时的决策边界，根据所述决策边界迭代优化所述第二决策函数，得到所述第一最优决策参数和所述第二最优决策参数。
14、作为本专利技术一实施方式的进一步改进，所述呼吸节奏类型包括正常呼吸、不本文档来自技高网...
【技术保护点】
1.一种呼吸节律分类方法，其特征在于，包括：
2.根据权利要求1所述的呼吸节律分类方法，其特征在于，所述呼吸频率差分序列用于表征相邻两个信号段之间呼吸频率的变化情况。
3.根据权利要求1所述的呼吸节律分类方法，其特征在于，所述“获取并分割单位采样周期内的有效呼吸信号，确定对应的呼吸频率差分序列”具体包括：
4.根据权利要求3所述的呼吸节律分类方法，其特征在于，所述“对所述呼吸信号执行数据处理操作，筛选得到所述有效呼吸信号”具体包括：
5.根据权利要求3所述的呼吸节律分类方法，其特征在于，所述“计算并根据对应于所述多组呼吸信号片段的多组呼吸频率，确定所述呼吸频率差分序列”具体包括：
6.根据权利要求5所述的呼吸节律分类方法，其特征在于，所述“根据对应的每组呼吸信号片段的单频谱能量和所述总频谱能量，筛选得到多组伪差呼吸信号片段”具体包括：
7.根据权利要求5所述的呼吸节律分类方法，其特征在于，所述“计算对应于所述多组伪差呼吸信号片段的多组呼吸频率，得到所述呼吸频率差分序列”具体包括：
8.根据权利要求
9.根据权利要求8所述的呼吸节律分类方法，其特征在于，所述“获取最优决策参数”具体包括：
10.根据权利要求9所述的呼吸节律分类方法，其特征在于，所述动态分类阈值特征包括动态标准差阈值；所述“构建分类模型和决策函数”具体包括：
11.根据权利要求9所述的呼吸节律分类方法，其特征在于，所述动态分类阈值特征包括动态最大值阈值；所述“构建分类模型和决策函数”具体包括：
12.根据权利要求1所述的呼吸节律分类方法，其特征在于，所述呼吸节奏类型包括正常呼吸、不规则呼吸和浅呼吸至少其中之一；其中，所述正常呼吸为：呼吸频率为每分钟12-20次，呼气和吸气的时间间隔一致；所述不规则呼吸为：单位采样周期内呼吸频率和呼吸深度不稳定，呼气和吸气的时间间隔不一致；所述浅呼吸为：呼吸频率超过每分钟20次、肺容量变化较小。
13.根据权利要求1所述的呼吸节律分类方法，其特征在于，所述动态分类阈值特征包括动态标准差阈值和动态最大值阈值至少其中之一；所述“根据所述最大值和标准差以及所述动态分类阈值特征，确定对应于所述呼吸信号的呼吸节律类型”具体包括：
14.根据权利要求13所述的呼吸节律分类方法，其特征在于，所述“根据所述呼吸频率差分序列，计算得到对应的庞加莱映射图”具体包括：
15.根据权利要求13所述的呼吸节律分类方法，其特征在于，所述庞加莱特征包括矢量线段的长度特征和矢量线段的角度特征。
16.根据权利要求13所述的呼吸节律分类方法，其特征在于，所述“提取并根据对应于所述庞加莱映射图的庞加莱特征，确定对应于所述呼吸信号的呼吸节律类型”具体包括：
17.根据权利要求16所述的呼吸节律分类方法，其特征在于，所述“根据所述多组矢量长度值和所述多组矢量角度值，计算所有矢量线段的网格占比，确定所述矢量线段的角度特征”具体包括：
18.根据权利要求16所述的呼吸节律分类方法，其特征在于，所述“根据所述多组矢量长度值，计算满足预设矢量长度的矢量线段的个数占比，确定矢量线段的长度特征”具体包括：
19.根据权利要求16所述的呼吸节律分类方法，其特征在于，所述“根据所述矢量线段的长度特征和所述矢量线段的角度特征，确定对应于所述呼吸信号的呼吸节律类型”具体包括：
20.一种呼吸节律分类系统，其特征在于，所述呼吸节律分类系统包括：
...【技术特征摘要】
1.一种呼吸节律分类方法，其特征在于，包括：
2.根据权利要求1所述的呼吸节律分类方法，其特征在于，所述呼吸频率差分序列用于表征相邻两个信号段之间呼吸频率的变化情况。
3.根据权利要求1所述的呼吸节律分类方法，其特征在于，所述“获取并分割单位采样周期内的有效呼吸信号，确定对应的呼吸频率差分序列”具体包括：
4.根据权利要求3所述的呼吸节律分类方法，其特征在于，所述“对所述呼吸信号执行数据处理操作，筛选得到所述有效呼吸信号”具体包括：
5.根据权利要求3所述的呼吸节律分类方法，其特征在于，所述“计算并根据对应于所述多组呼吸信号片段的多组呼吸频率，确定所述呼吸频率差分序列”具体包括：
6.根据权利要求5所述的呼吸节律分类方法，其特征在于，所述“根据对应的每组呼吸信号片段的单频谱能量和所述总频谱能量，筛选得到多组伪差呼吸信号片段”具体包括：
7.根据权利要求5所述的呼吸节律分类方法，其特征在于，所述“计算对应于所述多组伪差呼吸信号片段的多组呼吸频率，得到所述呼吸频率差分序列”具体包括：
8.根据权利要求1所述的呼吸节律分类方法，其特征在于，所述“根据所述平均值计算得到对应于所述呼吸频率差分序列的动态分类阈值特征”具体包括：
9.根据权利要求8所述的呼吸节律分类方法，其特征在于，所述“获取最优决策参数”具体包括：
10.根据权利要求9所述的呼吸节律分类方法，其特征在于，所述动态分类阈值特征包括动态标准差阈值；所述“构建分类模型和决策函数”具体包括：
11.根据权利要求9所述的呼吸节律分类方法，其特征在于，所述动态分类阈值特征包括动态最大值阈值；所述“构建分类模型和决策函数”具体包括：
12.根据权利要求1所述的呼吸节律分类方法，其特征在于，所...
【专利技术属性】
技术研发人员：黄惠泉，
申请(专利权)人：飞依诺科技股份有限公司，
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。