CN101133954A - 一种呼吸率检测方法及装置 - Google Patents

Abstract

本发明公开了一种呼吸率检测方法及装置，包括以下步骤：按照时间顺序采样一组呼吸数据；判别该组呼吸数据的变异程度；根据该组呼吸数据的变异程度确定基础长度；根据基础长度计算出平滑长度；根据该组呼吸数据的变异程度、该组中每个呼吸数据的位置序号和平滑长度计算该组中每个呼吸数据的实时度，所述时间在先的呼吸数据的位置序号小于时间在后的呼吸数据的位置序号；根据平滑长度和实时度计算平滑呼吸率。本发明兼顾了呼吸数据的实时性和平滑性方面的要求，在实时性和平滑性方面取得较好的综合效果。

Description

一种呼吸率检测方法及装置

【技术领域】

本发明涉及医用呼吸监护系统，尤其涉及呼吸监护系统中的呼吸率检测方法和装置。

【背景技术】

在对人体生理参数的监护中，阻抗法呼吸监护是常见的一种生理参数监护。现有的呼吸率的计算通常采用下述方法：首先将呼吸率的周期记录在一数组内，通过先进先出方法进行刷新，并对当前呼吸数据及最近的数个呼吸率进行平均计算，同时也还受到这些呼吸率累计时间阈值的限制。

首先计算参与平滑呼吸率计算的数据个数：

1.刚开机时，呼吸周期数据个数依次由1增加到12，由min(数据个数，35/当前呼吸周期+1)确定；

2.开机一段时间后，呼吸周期数据已经超过12个，由min(12，35/当前呼吸周期+1)确定；

然后进行呼吸率的计算：

1.呼吸率正常时(>＝10BPM)，在这个累计时间阈值内有至少6个呼吸周期，这时呼吸率的计算将搜索这些呼吸周期的最大值、最小值和次小值，平滑呼吸率等于去掉这三个值后的呼吸率进行平均值；

2.在呼吸周期较长(呼吸率较低)时则在这个累计时间阈值内的呼吸率就小于6个，这时的呼吸周期的平均又分成两种形式：

1)当呼吸周期个数小于4个，平滑呼吸率就取这几个值的均值；

2)而当呼吸周期的个数大于等于4时，则平滑呼吸率就取去掉最大值和最小值中与上一个呼吸周期值相比相差较大的一个后，余下呼吸周期的均值。

由于病人的呼吸阻抗容易受运动、心跳等外界干扰，会导致监护仪呼吸的呼吸参数值频繁产生突变，例如新生儿的呼吸监护就比较容易会发这种情形；有时病人的呼吸频率较快的从低变高(或从高变低)并进入相对稳定的呼吸状态时，我们希望监护仪的呼吸参数值能更快的跟踪呼吸的这种变化趋势，而现有的呼吸率平滑计算方法不能很好的满足这种要求，具体表现在：

1.没有考虑到实时呼吸率的变异性，只是用若干个周期内的实时呼吸率作算术平均，计算结果在实时性方面不够理想；

2.没有充分考虑到呼吸周期对计算结果的影响，现有算法在绝大多数情况下使用最近12个周期的实时呼吸率数据进行呼吸率计算，使得计算结果在平滑性方面的效果不够理想，例如在实时呼吸波形受到干扰时容易产生当前呼吸率的突变。

【发明内容】

本发明就是为了解决上述问题，提供一种呼吸率检测方法和装置，使得呼吸监护参数在实时性和平滑性方面取得更佳的综合效果以满足临床要求。

为实现上述目的，本发明提出一种呼吸率检测方法，包括以下步骤：

A1、按照时间顺序采样一组呼吸数据；

B1、判别该组呼吸数据的变异程度；

C1、根据该组呼吸数据的变异程度确定基础长度；

D1、根据基础长度计算出平滑长度；

E1、根据该组呼吸数据的变异程度、该组中每个呼吸数据的位置序号和平滑长度计算该组中每个呼吸数据的实时度，所述时间在先的呼吸数据的位置序号小于时间在后的呼吸数据的位置序号；

F1、根据平滑长度和实时度计算平滑呼吸率。

其中，所述步骤B1包括以下步骤：

B11、计算该组中相邻两个呼吸数据的变异系数；

B12、分别统计变异系数落在[0，lcv]、[0，mcv]、[0，hcv]区间的个数lcnt、mcnt、hcnt，其中lcv为低临界值，mcv为中临界值，hcv为高临界值，且0＝<lcv<mcv<hcv＝最大变异系数；

B13、判断lcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为低；如果不是则执行步骤B14，其中N为该组呼吸数据的总样本数；

B14、判断mcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为中；如果不是则执行步骤B15；

B15、该组呼吸数据的变异度为高。

所述第一阈值可以设置为80％。

其中，所述步骤C1包括以下步骤：

C11、检测该组呼吸数据的变异度；

C12、根据该组呼吸数据的变异度确定该组呼吸数据的基础长度，当该组呼吸数据的变异度为低时，基础长度为第一时间段内的参考呼吸周期的个数与第一呼吸周期个数的最大值，其中第一呼吸周期个数为第一时间段内呼吸周期的最小经验值；当该组呼吸数据的变异度为中时，基础长度为第二时间段内的参考呼吸周期的个数与第二呼吸周期个数的最大值，其中第二呼吸周期个数为第二时间段内呼吸周期的最小经验值；当该组呼吸数据的变异度为高时，基础长度为第三时间段内的参考呼吸周期的个数与第三呼吸周期个数的最大值，其中第三呼吸周期个数为第三时间段内呼吸周期的最小经验值；且第一时间段<第二时间段<第三时间段，第一呼吸周期个数<第二呼吸周期个数<第三呼吸周期个数。

其中所述第一时间段可以为10秒，第一呼吸周期个数可以为5，所述第二时间段可以为15秒，第二呼吸周期个数可以为6，所述第三时间段可以为20秒，第三呼吸周期个数可以为7。

其中，在所述步骤D1中，根据公式 $\frac{\mathrm{blrt}}{\mathrm{slrt}}=\frac{\underset{i=\mathrm{sl}-\mathrm{bl}+1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}{\underset{i=1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}>=90\%$ 计算平滑长度，其中blrt表示基础呼吸率实时度，slrt表示平滑呼吸率实时度，i表示数据位置，n表示权重因子，bl表示基础长度，sl表示平滑长度，所述平滑长度取满足该公式的最小值。

其中，所述步骤E1包括以下步骤：

E11、检测该组呼吸数据的变异度；

E12、根据该组呼吸数据的变异度选择权重因子，所述变异度越高，权重因子越小；

E13、根据公式 $\mathrm{rt}\left(i\right)=\frac{i^n}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{i}^n}$ 计算该组中每个呼吸数据的实时度，其中，i表示数据位置，n表示权重因子，且n≥0，1表示参与计算的数据个数，即平滑长度，rt表示实时度。

优选方案是：当该组呼吸数据的变异度为高时，n＝0；该组呼吸数据的变异度为中时，n＝1；该组呼吸数据的变异度为低时，n＝2。

其中，在所述步骤F1中，根据公式 $\mathrm{rtav}=\underset{i=1}{\overset{i=\mathrm{sl}}{\mathrm{\&Sigma;}}}\mathrm{rr}\left(i\right)*\frac{i^n}{\underset{i=1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}$ 计算平滑呼吸率，其中rtav表示平滑呼吸率，i表示数据位置，sl表示平滑长度，n表示权重因子，rr(i)表示缓冲区中第i个数据表示的实时呼吸率。

为实现上述目的，本发明还提出一种呼吸率检测装置，包括：

采样模块，用于按照时间顺序采样一组呼吸数据；变异度计算模块，用于判别该组呼吸数据的变异程度；基础长度计算模块，用于根据该组呼吸数据的变异程度确定基础长度；平滑长度计算模块，用于根据基础长度计算出平滑长度；实时度计算模块，用于根据该组呼吸数据的变异程度、该组中每个呼吸数据的位置序号和平滑长度计算该组中每个呼吸数据的实时度，所述时间在先的呼吸数据的位置序号小于时间在后的呼吸数据的位置序号；平滑呼吸率计算模块，用于根据平滑长度和实时度计算平滑呼吸率。

其中，所述变异度计算模块包括：变异系数计算单元，用于计算该组中相邻两个呼吸数据的变异系数；统计单元，用于分别统计变异系数落在[0，lcv]、[0，mcv]、[0，hcv]区间的个数lcnt、mcnt、hcnt，其中lcv为低临界值，mcv为中临界值，hcv为高临界值，且0＝<lcv<mcv<hcv＝最大变异系数；判断单元，用于判断lcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为低；如果不是则判断mcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为中；如果不是则该组呼吸数据的变异度为高，其中N为该组呼吸数据的总样本数。所述基础长度计算模块包括：变异度检测单元，用于检测该组呼吸数据的变异度；基础长度确定单元，用于根据该组呼吸数据的变异度确定该组呼吸数据的基础长度。所述实时度计算模块包括：变异度检测单元，用于检测该组呼吸数据的变异度；权重因子选择单元，用于根据该组呼吸数据的变异度选择权重因子，所述变异度越高，权重因子越小；实时度计算单元，用于计算该组中每个呼吸数据的实时度。

本发明的有益效果是：本发明的呼吸率平滑计算结果是最近一段时间内呼吸率数据的加权平均值，引入了权重因子的概念，将权重因子与实时呼吸率的变异性、平滑长度与最新实时呼吸率联系起来，使得呼吸率的平滑计算结果对高实时呼吸率数据的平滑性更佳，对低变异的实时呼吸率数据实时性更佳，兼顾了呼吸数据的实时性和平滑性方面的要求，在实时性和平滑性方面取得较好的综合效果。

本发明的特征及优点将通过实施例结合附图进行详细说明。

【附图说明】

图1为本发明的平滑呼吸率计算流程图；

图2为本发明的实时度计算模拟图；

图3为本发明的基础长度计算模拟图；

图4为本发明的平滑长度计算(相对于基础长度)模拟图；

图5为本发明的平滑长度计算(相对于参考呼吸率)模拟图；

图6为本发明的平滑呼吸率计算模拟图；

图7为本发明一种实施例的结构方框图。

【具体实施方式】

本发明的呼吸率平滑计算结果是最近一段时间内呼吸率数据的加权平均值，如何将时间和权重设置一个最佳的值，使计算出来的实时均值最大程度上接近和反映呼吸真值是呼吸率平滑计算的重点和难点。人体的呼吸是一个缓变过程，有时受到干扰导致信号质量较差，计算出来的实时呼吸率变化过大，因此有必要对实时呼吸率数据进行平滑处理，总的原则是：

1、对变异大的信号要增强其稳定性，同时也要体现其实时性；

2、对变异小的信号要增强其实时性，使得呼吸率的变化要在较短时间内体现出来；

3、对呼吸率高的信号采用较多的呼吸数据进行平滑处理增强其稳定性；

4、对呼吸率低的采用较少的呼吸数据进行平滑处理以反映其实时性。

本发明的呼吸率检测方法顺序包括以下几个主要部分：采样呼吸数据、实时呼吸率的变异度计算、权重因子计算、基础长度计算、平滑长度计算和平滑呼吸率计算，平滑呼吸率检测流程图如图1所示，包括以下步骤：

在步骤1，对接收到的一段时间内的呼吸数据按照时间先后顺序进行采样，得到一组呼吸数据，并且最先采样的呼吸数据的位置序号小，越后采样的呼吸数据其位置序号越大。

在步骤2，进行变异系数、变异度的计算：

首先计算该组呼吸数据的变异系数：若有两样本值d1和d2(d1>＝0，d2>＝0且d1，d2不全为0)，其变异系数为d1和d2的差值除以d1和d2的均值，设cv为其变异系数，则有cv＝(d1-d2)/((d1+d2)/2)。考察一组样本值s(N)(N为样本总数)，计算相邻样本的变异系数。

变异系数是一个相对值，反映了两样本值的变化大小：

若d1＝d2，则cv＝0，说明两样本值没有变异；

若d1，d2中有一值为0则cv＝2，变化最大；

若d1大于d2，则cv>0，说明d1相对于d2在向高变化，变异系数cv的值反映了其变化的大小；

若d1小于d2，则cv<0，说明d1相对于d2在向低变化，变异系数cv的值反映了其变化的大小。

然后确定变异度：给出三个临界值：低临界值lcv，中临界值mcv，高临界值hcv，且0＝<lcv<mcv<hcv＝2(即最大变异系数)，分别统计变异系数落在[0，lcv]，[0，mcv]，[0，hcv]区间的个数lcnt，mcnt，hcnt。

先判断lcnt/n>＝80％是否成立，如果成立则认为s(N)变异度为低，如果不成立，则判断mcnt/n>＝80％是否成立，如果成立则认为s(n)变异度为中；如果不成立，则肯定hcnt/n>＝80％，所以认为s(n)变异度为高；其中80％只是一个参考值，在实际应用中可以根据需要进行调整。

在实际应用中，有时我们并不关心样本在向高还是向低变化，只关心其变异程度，即cv的绝对值，同时为了计算方便，我们将cv放大若干倍后取整，此时，cv可表示为：

cv＝integer|2*M*(d1-d2)/(d1+d2)|，其中M为放大倍数。

在步骤3，进行基础长度计算：

基础长度：参与呼吸率实时均值计算的数据中实时度大于或等于90％的最小呼吸数据个数；

参考呼吸率：最近一个呼吸率，具有最高的实时性。

按照以下方法计算基础长度：

首先检测该组呼吸数据的变异度；

然后根据该组呼吸数据的变异度确定该组呼吸数据的基础长度，当该组呼吸数据的变异度为低时，基础长度为第一时间段内的参考呼吸周期的个数与第一呼吸周期个数的最大值，其中第一呼吸周期个数为第一时间段内呼吸周期的最小经验值；当该组呼吸数据的变异度为中时，基础长度为第二时间段内的参考呼吸周期的个数与第二呼吸周期个数的最大值，其中第二呼吸周期个数为第二时间段内呼吸周期的最小经验值；当该组呼吸数据的变异度为高时，基础长度为第三时间段内的参考呼吸周期的个数与第三呼吸周期个数的最大值，其中第三呼吸周期个数为第三时间段内呼吸周期的最小经验值；且第一时间段<第二时间段<第三时间段，第一呼吸周期个数、第二呼吸周期个数、第三呼吸周期个数为经验值，且第一呼吸周期个数<第二呼吸周期个数<第三呼吸周期个数。

例如，基础长度为：

当该组呼吸数据的变异度为低时，第一时间段可以设置为10秒，第一呼吸周期个数为5，即基础长度为10秒内参考呼吸周期的个数与5的最大值，即MAX(5，10*参考呼吸率/60)；

当该组呼吸数据的变异度为中时，第二时间段为15秒，第二呼吸周期个数为6，即基础长度为15秒内参考呼吸周期的个数与6的最大值，即MAX(6，15*参考呼吸率/60)；

当该组呼吸数据的变异度为高时，第三时间段为20秒，第三呼吸周期个数为7，即基础长度为20秒内参考呼吸周期的个数与7的最大值，即MAX(7，20*参考呼吸率/60)。

参考呼吸率与基础长度的关系可以在matlab中用图形更直观的表示，n表示权重因子，如图3。

从基础长度的计算方法可知，基础长度与该组呼吸数据的变异度有关，基础长度随参考呼吸率的增加而增加，且变异度越高，基础长度随参考呼吸率的增加越快。

上述第一时间段、第二时间段、第三时间段的取值不能太大，也不能太小；时间太长，变化太慢，周期多；时间太短，变化太快，周期少。

在步骤4，进行平滑长度计算：

平滑长度：计算呼吸率实时均值所采用的呼吸数据个数；

根据定义可知平滑长度与基础长度满足以下关系式：

$\frac{\mathrm{blrt}}{\mathrm{slrt}}=\frac{\underset{i=\mathrm{sl}-\mathrm{bl}+1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}{\underset{i=1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}>=90\%$

其中blrt表示基础呼吸率实时度，slrt表示平滑呼吸率实时度，i表示数据位置，n表示权重因子，bl表示基础长度，sl表示平滑长度，平滑长度取满足该公式的最小值。其中的90％也可以根据实际情况设置为其它值。

在确定了基础长度之后可以计算出平滑长度了，平滑长度与基础长度的关系可以在matlab中用图形更直观的表示，n表示权重因子，如图4所示。

参考呼吸率与平滑长度的关系可以在matlab中用图形更直观的表示，n表示权重因子，如图5所示。

在步骤5，进行实时度、权重因子的计算：

首先检测该组呼吸数据的变异度；

然后确定权重因子：为每一个数据设置一个实时权值，该实时权值与该数据在样本中的时间序号(代表数据的实时性)成幂指数关系，即P(i)＝iⁿ，i表示数据位置，n称之为权重因子，且n>0，P(i)表示权值。

权重因子按照以下规则取值：变异度越高，权重因子越小。

例如权重因子按照以下方法取值：

所采样的该组呼吸数据为高变异：n＝0；

所采样的该组呼吸数据为中变异：n＝1；

所采样的该组呼吸数据为低变异：n＝2；

最后计算实时度：实时度即某一个数据的实时程度，就是说数据和现在时刻的靠近程度，实时度越高具有越好的实时性，在数值上表示为数据的权重系数，即 $\left(i\right)=\frac{i^n}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{i}^n}$ ，i表示数据位置序号，n表示权重因子，1表示参与计算的数据个数，l即平滑长度，由基础长度确定，基础长度与参考呼吸率和变异度有关。基础长度与变异度共同决定平滑长度。每次计算的数据样本数据就是呼吸数据缓冲区中最近的平滑长度的数据。rt表示实时度。

以最近10个呼吸数据为例，下面表1列出了权重因子与实时度的关系：

表1

上表可以在matlab中用图形更直观的表示，n表示权重因子，如图2。从实时度计算的公式可以看出，某个呼吸数据的实时度与该组呼吸数据的权重因子n和该呼吸数据的位置序号(即在该采样组中的位置)有关，从上述权重因子n和呼吸数据的位置序号取值方法可知，时间在先的呼吸数据的位置序号小于时间在后的呼吸数据的位置序号，变异度越大，权重因子n越小，从而使实时度与变异度产生映射关系，这一关系通过权重因子来实现：变异大的数据权重因子小，不同时间顺序的数据实时度差异较小，这样计算出来的呼吸率可以增强呼吸率的稳定性，体现对变异大的数据增强其稳定性这一目的；变异小的数据权重因子大，不同时间顺序的数据实时度差异较大(时间越近的数据实时度越大)，这样计算出来的呼吸率可以增强呼吸率的实时性，体现对变异小的数据增强其实时性这一目的；

在步骤6，进行平滑呼吸率的计算：

根据上述可得，平滑呼吸率的计算公式为：

$\mathrm{rtav}=\underset{i=1}{\overset{i=\mathrm{sl}}{\mathrm{\&Sigma;}}}\mathrm{rr}\left(i\right)*\frac{i^n}{\underset{i=1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}$

其中rtav表示平滑呼吸率，i表示数据位置，s1表示平滑长度，n表示权重因子，rr(i)表示缓冲区中第i个数据表示的实时呼吸率。在matlab中模拟的平滑呼吸率计算示意图，n表示权重因子，如图6。

如图7所示，实施上述方法的呼吸率检测装置包括：采样模块、变异度计算模块、实时度计算模块、基础长度计算模块、平滑长度计算模块和平滑呼吸率计算模块。

其中采样模块按照时间顺序采样一组呼吸数据。

变异度计算模块用于判别该组呼吸数据的变异程度；变异度计算模块包括：变异系数计算单元、统计单元和判断单元，变异系数计算单元计算该组中相邻两个呼吸数据的变异系数，统计单元分别统计变异系数落在[0，lcv]、[0，mcv]、[0，hcv]区间的个数lcnt、mcnt、hcnt，其中lcv为低临界值，mcv为中临界值，hcv为高临界值，且0＝<lcv<mcv<hcv＝最大变异系数；判断单元判断lcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为低；如果不是则判断mcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为中；如果不是则该组呼吸数据的变异度为高，其中N为该组呼吸数据的总样本数。

基础长度计算模块用于根据该组呼吸数据的变异程度确定基础长度。基础长度计算模块包括变异度检测单元和基础长度确定单元；变异度检测单元检测该组呼吸数据的变异度；基础长度确定单元根据该组呼吸数据的变异度确定该组呼吸数据的基础长度。

平滑长度计算模块用于根据基础长度计算出平滑长度。

实时度计算模块用于根据该组呼吸数据的变异程度、该组中每个呼吸数据的位置序号和平滑长度计算该组中每个呼吸数据的实时度，时间在先的呼吸数据的位置序号小于时间在后的呼吸数据的位置序号；实时度计算模块包括：变异度检测单元、权重因子选择单元和实时度计算单元；变异度检测单元检测该组呼吸数据的变异度；权重因子选择单元根据该组呼吸数据的变异度选择权重因子，变异度越高，权重因子越小；实时度计算单元接收权重因子选择单元选择的结果和平滑长度计算模块计算的结果计算该组中每个呼吸数据的实时度。

平滑呼吸率计算模块用于根据平滑长度和实时度计算平滑呼吸率。

综上所述，本发明的平滑呼吸率检测对变异大的信号，采用较小的权重因子、较大的基础长度，通过呼吸数据的权重和用更多的呼吸数据来调整呼吸率的稳定性，同时也体现其实时性；对变异小的信号采用较大的权重因子、较小的基础长度，增强了其实时性，使得呼吸率的变化在较短时间内体现出来；对参考呼吸率高(即参考呼吸周期小)的信号采用较多的呼吸数据进行平滑处理增强其稳定性；对参考呼吸率低(即参考呼吸周期大)的信号采用较少的呼吸数据进行平滑处理以反映其实时性。在实际应用中，通过权重因子和基础长度使平滑呼吸率在实时性和平滑性方面取得较好的综合效果。

Claims (11)

1.一种呼吸率检测方法，其特征在于包括以下步骤：

A1、按照时间顺序采样一组呼吸数据；

B1、判别该组呼吸数据的变异程度；

C1、根据该组呼吸数据的变异程度确定基础长度；

D1、根据基础长度计算出平滑长度；

E1、根据该组呼吸数据的变异程度、该组中每个呼吸数据的位置序号和平滑长度计算该组中每个呼吸数据的实时度，所述时间在先的呼吸数据的位置序号小于时间在后的呼吸数据的位置序号；

F1、根据平滑长度和实时度计算平滑呼吸率。

2.如权利要求1所述的呼吸率检测方法，其特征在于：所述步骤B1包括以下步骤：

B11、计算该组中相邻两个呼吸数据的变异系数；

B12、分别统计变异系数落在[0，lcv]、[0，mcv]、[0，hcv]区间的个数lcnt、mcnt、hcnt，其中lcv为低临界值，mcv为中临界值，hcv为高临界值，且0＝＜lcv＜mcv＜hcv＝最大变异系数；

B13、判断lcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为低；如果不是则执行步骤B14，其中N为该组呼吸数据的总样本数；

B14、判断mcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为中；如果不是则执行步骤B15；

B15、该组呼吸数据的变异度为高。

3.如权利要求2所述的呼吸率检测方法，其特征在于：所述第一阈值为80％。

4.如权利要求2所述的呼吸率检测方法，其特征在于：所述步骤C1包括以下步骤：

C11、检测该组呼吸数据的变异度；

C12、根据该组呼吸数据的变异度确定该组呼吸数据的基础长度，当该组呼吸数据的变异度为低时，基础长度为第一时间段内的参考呼吸周期的个数与第一呼吸周期个数的最大值，其中第一呼吸周期个数为第一时间段内呼吸周期的最小经验值；当该组呼吸数据的变异度为中时，基础长度为第二时间段内的参考呼吸周期的个数与第二呼吸周期个数的最大值，其中第二呼吸周期个数为第二时间段内呼吸周期的最小经验值；当该组呼吸数据的变异度为高时，基础长度为第三时间段内的参考呼吸周期的个数与第三呼吸周期个数的最大值，其中第三呼吸周期个数为第三时间段内呼吸周期的最小经验值；且第一时间段＜第二时间段＜第三时间段，第一呼吸周期个数＜第二呼吸周期个数＜第三呼吸周期个数。

5.如权利要求4所述的呼吸率检测方法，其特征在于：所述第一时间段为10秒，第一呼吸周期个数为5，所述第二时间段为15秒，第二呼吸周期个数为6，所述第三时间段为20秒，第三呼吸周期个数为7。

6.如权利要求4所述的呼吸率检测方法，其特征在于：在所述步骤D1中，根据公式 $\frac{\mathrm{blrt}}{\mathrm{slrt}}=\frac{\underset{i=\mathrm{sl}-\mathrm{bl}+1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}{\underset{i=1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}>=90\%$ 计算平滑长度，其中blrt表示基础呼吸率实时度，slrt表示平滑呼吸率实时度，i表示数据位置，n表示权重因子，bl表示基础长度，sl表示平滑长度，所述平滑长度取满足该公式的最小值。

7.如权利要求6所述的呼吸率检测方法，其特征在于：所述步骤E1包括以下步骤：

E11、检测该组呼吸数据的变异度；

E12、根据该组呼吸数据的变异度选择权重因子，所述变异度越高，权重因子越小；

E13、根据公式 $\mathrm{rt}\left(i\right)=\frac{i^n}{\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{i}^n}$ 计算该组中每个呼吸数据的实时度，其中，i表示数据位置，n表示权重因子，且n≥0，1表示参与计算的数据的平滑长度，rt表示实时度。

8.如权利要求7所述的呼吸率检测方法，其特征在于：当该组呼吸数据的变异度为高时，n＝0；该组呼吸数据的变异度为中时，n＝1；该组呼吸数据的变异度为低时，n＝2。

9.如权利要求8所述的呼吸率检测方法，其特征在于：在所述步骤F1中，根据公式 $\mathrm{rtav}=\underset{i=1}{\overset{i=\mathrm{sl}}{\mathrm{\&Sigma;}}}\mathrm{rr}\left(i\right)*\frac{i^n}{\underset{i=1}{\overset{\mathrm{sl}}{\mathrm{\&Sigma;}}}{i}^n}$ 计算平滑呼吸率，其中rtav表示平滑呼吸率，i表示数据位置，sl表示平滑长度，n表示权重因子，rr(i)表示缓冲区中第i个数据表示的实时呼吸率。

10.一种呼吸率检测装置，其特征在于包括：

采样模块，用于按照时间顺序采样一组呼吸数据；

变异度计算模块，用于判别该组呼吸数据的变异程度；

基础长度计算模块，用于根据该组呼吸数据的变异程度确定基础长度；

平滑长度计算模块，用于根据基础长度计算出平滑长度；

实时度计算模块，用于根据该组呼吸数据的变异程度、该组中每个呼吸数据的位置序号和平滑长度计算该组中每个呼吸数据的实时度，所述时间在先的呼吸数据的位置序号小于时间在后的呼吸数据的位置序号；

平滑呼吸率计算模块，用于根据平滑长度和实时度计算平滑呼吸率。

11.如权利要求10所述的呼吸率检测装置，其特征在于：所述变异度计算模块包括：

变异系数计算单元，用于计算该组中相邻两个呼吸数据的变异系数；

统计单元，用于分别统计变异系数落在[0，lcv]、[0，mcv]、[0，hcv]区间的个数lcnt、mcnt、hcnt，其中lcv为低临界值，mcv为中临界值，hcv为高临界值，且0＝＜lcv＜mcv＜hcv＝最大变异系数；

判断单元，用于判断lcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为低；如果不是则判断mcnt/N是否大于或等于第一阈值，如果是则该组呼吸数据的变异度为中；如果不是则该组呼吸数据的变异度为高，其中N为该组呼吸数据的总样本数；

所述基础长度计算模块包括：

变异度检测单元，用于检测该组呼吸数据的变异度；

基础长度确定单元，用于根据该组呼吸数据的变异度确定该组呼吸数据的基础长度；

所述实时度计算模块包括：

变异度检测单元，用于检测该组呼吸数据的变异度；

权重因子选择单元，用于根据该组呼吸数据的变异度选择权重因子，所述变异度越高，权重因子越小；

实时度计算单元，用于计算该组中每个呼吸数据的实时度。

Images