一种颅内压信号特征峰识别方法技术

本发明专利技术提供一种颅内压信号特征峰识别方法，该方法结合了颅内压信号的波形轮廓进行综合分析，采用对数极坐标分布模型，以点与点之间的差向量作为基础特征，该基础特征具有平移和旋转不变性，能够克服颅内压信号的基线漂移的影响，对邻近的波形形态特征敏感，又能捕获波形的全局轮廓信息，从而在整体提高了特征峰识别的抗干扰能力；并且，在识别过程中，先识别待测节拍信号的均值信号中的特征峰，将之合并到模板数据库中以提高识别准确度，并采用卡方统计检验作为匹配手段，利用了卡方统计检验具有很强鲁棒性、准确度高的优点，提高了本发明专利技术方法整体的鲁棒性能和识别准确度。本发明专利技术方法实现了计算机对颅内压信号的特征峰识别，具有广阔的应用前景。

【技术实现步骤摘要】

本专利技术涉及颅内压自动检测与分析
，特别涉及一种基于波形特征提取和模板匹配的颅内压信号特征峰识别方法。
技术介绍
颅内压增高，可导致一系列的生理功能紊乱和病理改变，表现出头痛恶心、呕吐、 视乳头水肿等典型表现，严重颅内压增高还可并发肺水肿等并发症；亦可因脑疝形成压迫或破坏下丘脑造成植物神经功能紊乱，并可在短时间内危及生命，是神经内外科疾病引起死亡的主要原因。在临床检测中，精确获知患者颅内压高低以及颅内压变化趋势，对于判断病情、指导治疗、抢救生命以及治愈后的复查判断都是非常重要的。颅内压均值是当前颅内压临床检验中被验证和广泛接受的指标，通过均值的高低判断患者颅内压的整体变化趋势。然而，颅内压信号是一种随着心脏的搏动而波动的准周期逐拍信号，连续逐拍中每一节拍的起点代表着一次心脏搏动期间的颅内压信号成分的到来，两个连续节拍起点之间为一个完整的节拍信号，颅内压信号中一个个连续的节拍信号还携带者除其均值以外的重要信息。颅内压信号中伴随有高频率的节律性波动，每一节拍中由节律性波动导致的前3 个子波的峰值点被认为是三个特征子波峰，或简称为特征峰，分别记为第一特征峰R1、第二特征峰R2和第三特征峰R3，如附图说明图1中颅内压信号所示。在正常颅内压信号中，第一特征峰Rl通常是一个尖峰并有着较稳定的峰值，它被认为来源于动脉搏动压；第二特征峰R2 通常也是一个尖峰，随颅内压的变化其变异性较强；第三特征峰R3为重搏切跡(dichotic notch)的重搏波(dichotic wave)的跟随波峰，它被认为是由静脉搏动压造成。有研究指出，随着脑生理病理的变化，特征峰的布局会有明显的改变。例如，第一特征峰Rl与第二特征峰R2的峰值比以预测颅内压增高的程度，且第一特征峰Rl与第二特征峰R2的峰值点连线的斜率可以反应脑积液系统的顺应性；对于脑外伤病人而言，随其颅内压的增高，第二特征峰R2的变化幅度会明显大于第一特征峰R1，甚至导致第一特征峰Rl的波峰形态因被 “淹没”而消失；此外，增加的颅内压波形上升斜率(slope)可能指示着颅内顺应性的下降， 脉压差(Pulse pressure)可能预示着脑脊液的波动等。目前，前沿的颅内压病理研究中， 颅内压信号每一节拍信号中的第一特征峰R1、第二特征峰R2和第三特征峰R3还仅能依靠医师的经验进行人工识别，不但费时费力，并且由于不同临床医师的认知观点不尽相同，识别标准参差不齐，导致识别效率低、准确性难以保证。
技术实现思路
针对现有技术存在的上述不足，本专利技术方法所解决的技术问题是提供一种采用计算机实现的颅内压信号特征峰识别方法，用以解决人工识别工作量大、效率低、准确性难以保证的技术问题。将该方法应用于具备计算机功能的颅内压分析设备的特征峰识别技术中，用以辅助取得颅内压信号节拍中特征峰的峰值、潜伏期和颅内压波形上升斜率，有助于开展对颅内压病理的进一步研究。为实现上述目的，本专利技术采用了如下的技术手段—种颅内压信号特征峰识别方法，其特征在于，将颅内压监护仪采集的颅内压信号输入计算机，由计算机进行低通滤波和采样的预处理，然后采用计算机识别颅内压信号中的特征峰；采用计算机识别特征峰的具体步骤包括A)构建模板数据库；该步骤具体包括al)将特征峰已知的颅内压信号中一个节拍信号的采样点数归一化处理为K个， 作为一个模板信号；由此建立若干个波形互不相同的模板信号，确保该若干个模板信号中已知特征峰包括有三个种类，即第一特征峰、第二特征峰和第三特征峰，并分别标注特征峰分类标识；a2)分别建立各个模板信号中每一已知特征峰所在采样点的对数极坐标分布模型，并以之构建模板数据库；B)识别待测的颅内压信号中的特征峰；该步骤具体包括bl)对待测的颅内压信号进行逐拍分割，将分割所得每个待测节拍信号的采样点数归一化处理为K个；b2)识别出待测的颅内压信号经逐拍分割后得到的各个待测节拍信号中第i个待测节拍信号的特征峰；该步骤的过程为<b21>通过下式计算得到第i个待测节拍信号基于其前后各D个待测节拍信号的均值信号本文档来自技高网...

【技术保护点】
１．一种颅内压信号特征峰识别方法，其特征在于，将颅内压监护仪采集的颅内压信号输入计算机，由计算机进行低通滤波和采样的预处理，然后采用计算机识别颅内压信号中的特征峰；采用计算机识别特征峰的具体步骤包括：Ａ）构建模板数据库；该步骤具体包括：ａ１）将特征峰已知的颅内压信号中一个节拍信号的采样点数归一化处理为Ｋ个，作为一个模板信号；由此建立若干个波形互不相同的模板信号，确保该若干个模板信号中已知特征峰包括有三个种类，即第一特征峰、第二特征峰和第三特征峰，并分别标注特征峰分类标识；ａ２）分别建立各个模板信号中每一已知特征峰所在采样点的对数极坐标分布模型，并以之构建模板数据库；Ｂ）识别待测的颅内压信号中的特征峰；该步骤具体包括：ｂ１）对待测的颅内压信号进行逐拍分割，将分割所得每个待测节拍信号的采样点数归一化处理为Ｋ个；ｂ２）识别出待测的颅内压信号经逐拍分割后得到的各个待测节拍信号中第ｉ个待测节拍信号的特征峰；该步骤的过程为：（ｂ２１）通过下式计算得到第ｉ个待测节拍信号基于其前后各Ｄ个待测节拍信号的均值信号：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｏｖｅｒ）?（ｍｉ）Ｐ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｉ）ｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｄ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）Ｄ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｉ）Ｄ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｓｕｂ）?（ｍｉ）Ｐ（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）ｄ（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｋ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（ｍｉ）Ｄ（／ｍｉ）?（ｍｏ）＋（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）其中，表示第ｉ个待测节拍信号的均值信号中第ｋ个采样点的幅值，Ｐｉ＋ｄ（ｋ）表示待测的颅内压信号中第ｉ＋ｄ个待测节拍信号中第ｋ个采样点的幅值，ｋ∈｛１，２，．．．，Ｋ｝，ｄ∈｛－Ｄ，－Ｄ＋１，．．．，０，．．．，Ｄ｝，且Ｄ的取值范围为２～５；（ｂ２２）预设曲率阈值τ０；计算第ｉ个待测节拍信号的均值信号中各个采样点所在信号段的曲率，将所在信号段的曲率大于或等于曲率阈值τ０的采样点作为该均值信号中的目标采样点；（ｂ２３）分别建立第ｉ个待测节拍信号的均值信号中各个目标采样点的对数极坐标分布模型，并分别与模板数据库中每一已知特征峰所在采样点的对数极坐标分布模型进行匹配运算，进而从第ｉ个待测节拍信号的均值信号的各个目标采样点中识别出第ｉ个待测节拍信号的均值信号的第一特征峰、第二特征峰和第三特征峰，并分别将第ｉ个待测节拍信号的均值信号的第一特征峰、第二特征峰和第三特征峰所在采样点的对数极坐标分布模型作为新的已知特征峰所在采样点的对数极坐标分布模型，加入模板数据库；（ｂ２４）计算第ｉ个待测节拍信号中各个采样点所在信号段的曲率，将所在信号段的曲率大于或等于曲率阈值τ０的采样点作为第ｉ个待测节拍信号中的目标采样点；（ｂ２５）分别建立第ｉ个待测节拍信号中各个目标采样点的对数极坐标分布模型，并分别与模板数据库中每一已知特征峰所在采样点的对数极坐标分布模型进行匹配运算，进而从第ｉ个待测节拍信号的各个目标采样点中识别出第ｉ个待测节拍信号的第一特征峰、第二特征峰和第三特征峰；ｂ３）重复步骤ｂ２），逐一识别出待测的颅内压信号的各个待测节拍信号的第一特征峰、第二特征峰和第三特征峰；ｂ４）显示并存储待测的颅内压信号中特征峰的识别结果。...

【技术特征摘要】
1. 一种颅内压信号特征峰识别方法，其特征在于，将颅内压监护仪采集的颅内压信号输入计算机，由计算机进行低通滤波和采样的预处理，然后采用计算机识别颅内压信号中的特征峰；采用计算机识别特征峰的具体步骤包括A)构建模板数据库；该步骤具体包括al)将特征峰已知的颅内压信号中一个节拍信号的采样点数归一化处理为K个，作为一个模板信号；由此建立若干个波形互不相同的模板信号，确保该若干个模板信号中已知特征峰包括有三个种类，即第一特征峰、第二特征峰和第三特征峰，并分别标注特征峰分类标识；a2)分别建立各个模板信号中每一已知特征峰所在采样点的对数极坐标分布模型，并以之构建模板数据库；B)识别待测的颅内压信号中的特征峰；该步骤具体包括bl)对待测的颅内压信号进行逐拍分割，将分割所得每个待测节拍信号的采样点数归一化处理为K个；b2)识别出待测的颅内压信号经逐拍分割后得到的各个待测节拍信号中第i个待测节拍信号的特征峰；该步骤的过程为<b21>通过下式计算得到第i个待测节拍信号基于其前后各D个待测节拍信号的均值信号2.根据权利要求1所述的颅内压信号特征峰识别方法，其特征在于，所述K的取值范围为 100 1000。3.根据权利要求1所述的颅内压信号特征峰识别方法，其特征在于，所述采样点所在信号段，是指该采样点及其前后各E个采样点构成的信号段，E的取值范围为3 8。4.根据权利要求1 3中任一项所述的颅内压信号特征峰识别方法，其特征在于，所述建立已知已知特征峰所在采样点或目标采样点的对数极坐标分布模型的具体步骤如下(1)建立模型分布域，所述模型分布域是预设定对数极径半径、极角范围为(-η， JI ]的对数极坐标域，并且其对数极径半径ξ _等分为M个极径区间，极角范围(_π，π] 等分为N个极角区间，从而构成模型分布域的MXN个分布区间；(2)将已知特征峰或目标采样点所在的节拍信号映射到直角坐标系中，按下式求取已知特征峰所在采样点或目标采样点分别与其所在节拍信号中其它K-I个采样点的差向量， 记为 Aa(k0- k)Aa(k0 —k) = (x0-xk, y0-yk)；其中，1 表示已知特征峰所在采样点或目标采样点在其所在节...

【专利技术属性】
技术研发人员：杨力，赵明玺，彭承琳，
申请(专利权)人：重庆大学，
类型：发明
国别省市：85