CN102274016B - 一种颅内压信号特征峰识别方法 - Google Patents

Abstract

本发明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，提高了本发明方法整体的鲁棒性能和识别准确度。本发明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。

Description

一种颅内压信号特征峰识别方法

技术领域

本发明涉及颅内压自动检测与分析技术领域，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。

背景技术

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，如图1中颅内压信号所示。在正常颅内压信号中，第一特征峰R1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(dichoticnotch)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R1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R1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R1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。

发明内容

针对现有技术存在的上述不足，本发明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，本发明采用了如下的技术手段：

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：

${\stackrel{\&OverBar;}{P}}_i\left(k\right)=\frac{\underset{d=-D}{\overset{D}{\mathrm{\&Sigma;}}}{P}_{i+d}\left(k\right)}{2D+1};$

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，P_i+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。

上述的颅内压信号特征峰识别方法中，进一步，所述K的取值范围为100～1000。

上述的颅内压信号特征峰识别方法中，进一步，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。

上述的颅内压信号特征峰识别方法中，进一步，所述建立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ξ_max、极角范围为(-π，π]的对数极坐标域，并且其对数极径半径ξ_max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M×N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-1个采样点的差向量，记为Δa(k₀→k)：

Δa(k₀→k)＝(x₀-x_k，y₀-y_k)；

其中，k₀表示已知特征峰所在采样点或目标采样点在其所在节拍信号中的采样点序号，(x₀，y₀)表示已知特征峰所在采样点或目标采样点在直角坐标系中的向量坐标，(x_k，y_k)表示已知特征峰或目标采样点所在节拍信号中第k个采样点在直角坐标系中的向量坐标；

由此得到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-1个采样点的差向量集，记为ΔA(k₀→k)＝{Δa(k₀ →k)|k＝1，2，...，K}；

(3)对差向量集ΔA(k₀→k)中的差向量进行对数极坐标转换，得到对应于已知特征峰所在采样点或目标采样点的对数极坐标集ΔB(k₀→k)＝{Δb(k₀→k)|k＝1，2，...，K}；Δb(k₀→k)表示差向量Δa(k₀→k)对应的对数极坐标，即：

$\mathrm{\&Delta;b}(k_0\&RightArrow;k)=({\mathrm{\&xi;}}_{k_0\&RightArrow;k},{\mathrm{\&psi;}}_{k_0\&RightArrow;k});$ 其中，

${\mathrm{\&xi;}}_{k_0\&RightArrow;k}=\log \sqrt{{(x_0-x_k)}^2+{(y_0-y_k)}^2};$

(4)计算对应于已知特征峰所在采样点或目标采样点的对数极坐标集ΔB(k₀→k)中对数极坐标在模型分布域中各个分布区间的分布数量，得到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，记为F：

F＝{f(m，n)|m＝1，2，...，M；n＝1，2，...，N}；

其中，f(m，n)表示对应于已知特征峰所在采样点或目标采样点的对数极坐标集ΔB(k₀→k)中分布在模型分布域第m个极径区间和第n个极角区间所构成的分布区间以内的对数极坐标的数量。

上述的颅内压信号特征峰识别方法中，进一步，所述步骤<b23>中，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的具体步骤如下：

[1]计算第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分别与模板数据库中各个第一特征峰、各个第二特征峰以及各个第三特征峰所在采样点的对数极坐标分布模型的卡方统计检验值；其中，第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第一特征峰所在采样点的对数极坐标分布模型F_R1的卡方统计检验值C[F_R1，F_Sei]计算公式为：

$C[F_{R1},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R1,\mathrm{Sei}},$

第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第二特征峰所在采样点的对数极坐标分布模型F_R2的卡方统计检验值C[F_R2，F_Sei]计算公式为：

$C[F_{R2},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R2,\mathrm{Sei}},$

第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第三特征峰所在采样点的对数极坐标分布模型F_R3的卡方统计检验值C[F_R3，F_Sei]计算公式为：

$C[F_{R3},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R3,\mathrm{Sei}},$

其中，f_Sei(m，n)∈F_Sei，f_R1(m，n)∈F_R1，f_R2(m，n)∈F_R2，f_R3(m，n)∈F_R3；

[2]统计步骤[1]中计算的各个卡方统计检验值C[F_R1，F_Sei]、C[F_R2，F_Sei]和C[F_R3，F_Sei]，以各个卡方统计检验值C[F_R1，F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第一特征峰，以各个卡方统计检验值C[F_R2，F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第二特征峰，以各个卡方统计检验值C[F_R3，F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第三特征峰。

上述的颅内压信号特征峰识别方法中，进一步，所述步骤<b25>中，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的具体步骤如下：

[i]计算第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分别与模板数据库中各个第一特征峰、各个第二特征峰以及各个第三特征峰所在采样点的对数极坐标分布模型的卡方统计检验值；其中，第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第一特征峰所在采样点的对数极坐标分布模型F_R1的卡方统计检验值C[F_R1，F_Si]计算公式为：

$C[F_{R1},F_{\mathrm{Si}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R1,\mathrm{Si}},$

第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第二特征峰所在采样点的对数极坐标分布模型F_R2的卡方统计检验值C[F_R2，F_Si]计算公式为：

$C[F_{R2},F_S]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R2,\mathrm{Si}},$

第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第三特征峰所在采样点的对数极坐标分布模型F_R3的卡方统计检验值C[F_R3，F_Si]计算公式为：

$C[F_{R3},F_{\mathrm{Si}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R3,\mathrm{Si}},$

其中，f_Si(m，n)∈F_Si，f_R1(m，n)∈F_R1，f_R2(m，n)∈F_R2，f_R3(m，n)∈F_R3；

[ii]统计步骤[i]中计算的各个卡方统计检验值C[F_R1，F_Si]、C[F_R2，F_Si]和C[F_R3，F_Si]，以各个卡方统计检验值C[F_R1，F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第一特征峰，以各个卡方统计检验值C[F_R2，F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第二特征峰，以各个卡方统计检验值C[F_R3，F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第三特征峰。

相比现有技术，本发明具有如下有益效果：

1、实现了计算机对颅内压信号的特征峰识别，不仅大大降低了颅内压临床医师的工作量，还克服了人工手工识别的人为误差，提高了颅内压信号特征峰识别的效率及准确性。

2、在待测的颅内压信号的特征峰识别过程中，仅以所在信号段曲率大于或等于曲率阈值τ₀的采样点作为目标采样点加以进一步识别，忽略对波形平缓部分的采样点进行计算和识别，大大简化了识别过程的数据计算量，进一步提高了识别的鲁棒性。

3、在识别特征峰的过程中，先识别待测节拍信号的均值信号中的第一特征峰、第二特征峰和第三特征峰，因为求均值信号的过程相当于对待测节拍信号进行了降噪处理，从而均值信号中特征峰的识别准确率更高；然后，再将待测节拍信号的均值信号中特征峰所在采样点的对数极坐标分布模型加入到模板数据库中，用以识别待测节拍信号的特征峰，由于待测节拍信号自身与其均值信号的波形相似性非常高，从而能够快速、准确的识别出待测节拍信号中的第一特征峰、第二特征峰和第三特征峰；由此一来，本发明方法在整体上提高了待测的颅内压信号各个节拍中特征峰的识别准确度。

4、本发明方法中采用的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；同时，对差向量进行对数极坐标转换来度量波形的相似性，这种度量对邻近的波形形态特征敏感，同时又能捕获波形的全局轮廓信息，并对波形抖动具有鲁棒性；从而从整体上进一步提高了颅内压信号特征峰识别的抗干扰能力。

5、作为进一步改进的方案中，匹配过程中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，来提高本发明方法整体的鲁棒性能和识别准确度。

附图说明

图1为颅内压信号示例波形图；

图2为实施例中待测的颅内压信号的波形图；

图3为实施例中待测颅内压信号的逐拍分割结果示意图；

图4为实施例中第8个待测节拍信号Q8以及基于其前后各2个待测节拍信号的均值信号Qe8的波形对比图；

图5为实施例中第8个待测节拍信号的均值信号Qe8中各个目标采样点针对第一特征峰的匹配运算结果示意图；

图6为实施例中第8个待测节拍信号的均值信号Qe8中各个目标采样点针对第二特征峰的匹配运算结果示意图；

图7为实施例中第8个待测节拍信号的均值信号Qe8中各个目标采样点针对第三特征峰的匹配运算结果示意图；

图8为实施例中第8个待测节拍信号Q8中各个目标采样点针对第一特征峰的匹配运算结果示意图；

图9为实施例中第8个待测节拍信号Q8中各个目标采样点针对第二特征峰的匹配运算结果示意图；

图10为实施例中第8个待测节拍信号Q8中各个目标采样点针对第三特征峰的匹配运算结果示意图；

图11为实施例中第8个待测节拍信号Q8中第一特征峰、第二特征峰和第三特征峰的识别结果示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步说明：

本发明提出了一种结合颅内压信号的波形轮廓进行综合分析的颅内压信号特征峰识别方法。虽然颅内压信号随心脏的搏动呈准周期变化，其单节拍波形形态却非常不规律，信号波形中还同时伴随着高频率的节律性波动，并且信号的基线也存在起伏漂移，这主要是因为颅内压信号受到多方面因素的影响，例如全身血管和脑血管活跃的运动影响着颅内压，颅内压对静脉压的变动也非常敏感等。由于这些因素，通过计算机自动识别颅内压信号的特征峰具有相当的难度，这也是目前尚没有出现一个很好的采用计算机实现的颅内压信号特征峰识别方法的主要原因。为此，本发明的颅内压信号特征峰识别方法分别针对干扰因素采取了相应的措施。

本发明采用颅内压监护仪采集颅内压信号，将这些信号输入计算机，进行低通滤波和采样的预处理，低通滤波能够去除信号中一些常规的低频噪声，预处理过程中采样的频率则根据需要确定；然后采用计算机识别颅内压信号中的特征峰。采用计算机进行特征峰识别的过程按如下步骤进行：

A)构建模板数据库。模板数据库的构建过程包含两个小步骤：

a)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。

在不同个体、不同身体状态下，所采集到的颅内压信号的周期、幅值和波形轮廓都不尽相同，因此在建立模板时应当充分考虑这些因素。模板信号的建立过程是：由颅内压监护仪采集颅内压信号，从中选取多个波形轮廓互不相同的颅内压信号，并且其各自的节拍周期、幅度和特征峰等信息均预先通过人工检测或其他现有的检测手段获取为已知条件，便于建立模板信号。在条件允许的情况下，所选取的多个已知颅内压信号，最好能够涵盖实践临床上健康状态以及几种常见疾病状态所对应的颅内压信号的波形轮廓。将选取的的颅内压信号输入计算机进行低通滤波和采样预处理后，从这些已知的颅内压信号中进一步选取若干个节拍信号。由于每个节拍信号的时间跨度不尽相同，因此各个节拍信号中原采样点数是不尽相同的；为了能够针对不同的节拍信号建立具有相同标准的数学模型，这里需要将这些选取的节拍信号进行采样点数归一化处理，例如原节拍信号中采样点数多于K个的进行再次采样，而原节拍信号中采样点数少于K个的进行插值处理，从而将这些选取的节拍信号的采样点数归一化为K个；此处，若需要考虑识别精度和计算量的因素，K的取值范围在100～1000之间较为适宜。

需要注意的是，所建立的若干个模板信号中，须要确保其中已知特征峰包括三个种类，即第一特征峰、第二特征峰和第三特征峰，以分别作为这三类特征峰的识别基准，同时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。

由于颅内压信号的逐拍对应着心脏搏动，而且各节拍的内在驱动机制相同，都是动脉波、静脉波、脑脊液等的共同作用驱动的结果，因此颅内压信号中不同节拍的同种类特征峰之间是具有相似性的；通过建立识别模型，对这种相似性加以度量和匹配，就可以利用计算机找到特征峰所在的采样点，实现颅内压信号中的特征峰识别。

本发明方法中所采用的识别模型是基于模型分布域的对数极坐标分布模型，结合了颅内压信号的波形轮廓进行综合分析，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；对差向量进行对数极坐标转换来度量波形的相似性，这种度量对识别点邻近的波形形态特征敏感，又能捕获波形的全局轮廓信息，同时对波形抖动和变形具有鲁棒性；从而从整体上进一步提高了颅内压信号特征峰识别的抗干扰能力。

下面以模板信号的一个第一特征峰R1为例，说明第一特征峰R1所在采样点的对数极坐标分布模型的建立过程：

(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ξ_max、极角范围为(-π，π]的对数极坐标域，并且其对数极径半径ξ_max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M×N个分布区间；

(2)将第一特征峰R1所在的节拍信号映射到直角坐标系中，按下式求取第一特征峰R1所在采样点分别与其所在节拍信号中其它K-1个采样点的差向量，记为Δa_R1(k₀→k)：

Δa_R1(k₀→k)＝(x₀-x_k，y₀-y_k)；

其中，k₀表示第一特征峰R1所在采样点在其所在节拍信号中的采样点序号，(x₀，y₀)表示第一特征峰R1所在采样点在直角坐标系中的向量坐标，(x_k，y_k)表示第一特征峰R1所在节拍信号中第k个采样点在直角坐标系中的向量坐标；

由此得到第一特征峰R1所在采样点分别与其所在节拍信号中其它K-1个采样点的差向量集，记为ΔA_R1(k₀→k)＝{Δa_R1(k₀→k)|k＝1，2，...，K}；

(3)对差向量集ΔA_R1(k₀→k)中的差向量进行对数极坐标转换，得到对应于第一特征峰R1的对数极坐标集ΔB_R1(k₀→k)＝{Δb_R1(k₀→k)|k＝1，2，...，K}；Δb_R1(k₀→k)表示差向量Δa_R1(k₀→k)对应的对数极坐标，即：

$\mathrm{\&Delta;}{b}_{R1}(k_0\&RightArrow;k)=({\mathrm{\&xi;}}_{k_0\&RightArrow;k},{\mathrm{\&psi;}}_{k_0\&RightArrow;k});$ 其中，

${\mathrm{\&xi;}}_{k_0\&RightArrow;k}=\log \sqrt{{(x_0-x_k)}^2+{(y_0-y_k)}^2};$

(4)计算对应于第一特征峰R1的对数极坐标集ΔB_R1(k₀→k)中对数极坐标在模型分布域中各个分布区间的分布数量，得到第一特征峰R1所在采样点的对数极坐标分布模型，记为F_R1：

F_R1＝{f_R1(m，n)|m＝1，2，...，M；n＝1，2，...，N}；

其中，f_R1(m，n)表示对应于第一特征峰R1的对数极坐标集ΔB_R1(k₀→k)中分布在模型分布域第m个极径区间和第n个极角区间所构成的分布区间以内的对数极坐标的数量。

同理，按照上述的(1)、(2)、(3)、(4)四个小步骤，分别建立各个模板信号中第一特征峰、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。

B)识别待测的颅内压信号中的特征峰。为提高特征峰识别的准确度，本发明采用了下面的步骤来识别待测的颅内压信号中的特征峰：

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。

本发明采用了对单个节拍信号逐一识别特征峰的方式，来识别出待测颅内压信号中的各个特征峰，因此待测的颅内压信号采集后输入计算机进行低通滤波和采样的预处理后，需要将其逐拍分割为一个个的节拍信号。对颅内压信号进行逐拍分割的方法很多，例如可采用人工标记节拍分割点进行分割，也可按信号周期长度取信号波形的局部最小值点的方法由计算机计算出颅内压信号的节拍分割点再进行逐拍分割，等等。本领域内针对颅内压信号的逐拍分割方式，就技术人员的专业认知和学术观点的不同，其采用的分割方法也不尽相同，从而在节拍分割点的划分以及逐拍分割结果上存在细微的差异；针对颅内压信号逐拍分割的不同主张观点，本领域内的国内外学者也通过一些论文或期刊的方式进行了评述和争论。但就本发明而言，采用本领域内现有的不同逐拍分割方式对颅内压信号进行逐拍分割，所产生的细微差别对本发明方法并不会造成识别上的困难或者明显差异。因此本文对这些不同观点的逐拍分割方法不作区分，本发明方法在该步骤中适用于本领域内现有的不同逐拍分割方式。在逐拍分隔过后，也需要将分割所得的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。

在本发明方法中，对于单个待测节拍信号的特征峰识别采用了双层次识别的方式：第一层次，计算出单个待测节拍信号的均值信号，由于均值信号是与其对应的待测节拍信号波形轮廓极为相似而波形形态更加平滑的节拍信号，降低干扰因素对特征峰识别的不利影响，就相当于对待测节拍信号进行了降噪处理，然后求出这个均值信号的特征峰，将均值信号特征峰的对数极坐标分布模型添加到模板数据库中；第二层次，再对单个待测节拍信号进行特征峰识别，虽然单个待测节拍信号中可能含有噪声干扰抖动，但由于模板数据库中已存在了与之波形轮廓相似的均值信号特征峰的对数极坐标分布模型，从而这些可能存在的噪声干扰抖动对待测节拍信号中特征峰识别的不利影响被大幅度降低，提高了识别准确性。采用这样的双层次识别方式，可以有效地回避颅内压信号中噪声干扰抖动对特征峰识别的影响，使得待测节拍信号中特征峰识别的整体识别准确性得以提高，从而可以解决采用计算机实现的颅内压信号特征峰识别的技术难题。

下面通过<b21>至<b25>这5个小步骤详细说明单个待测节拍信号中特征峰的识别过程：

<b21>通过计算得到第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：

现有技术中对波形信号进行降噪处理的非常多，如小波变换、离散余弦变换等，这些降噪处理方法均可以应用于本发明方法的这一降噪步骤中。只是，这些变换降噪处理的方法的运算过程较为复杂，采用计算机进行运算处理的时间较长，很可能会降低颅内压信号的特征峰识别效率。为此，本发明采用了一种计算简便、降噪效果也能够被接受的降噪方法，即求取待测节拍信号的均值信号。对于待测的颅内压信号中的第i个待测节拍信号，在待测的颅内压信号中取第i个待测节拍信号及其前后各D个待测节拍信号，然后对此2D+1个待测节拍信号进行幅值平均，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；均值信号的求取公式如下：

${\stackrel{\&OverBar;}{P}}_i\left(k\right)=\frac{\underset{d=-D}{\overset{D}{\mathrm{\&Sigma;}}}{P}_{i+d}\left(k\right)}{2D+1};$

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，P_i+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}；D的取值需要考虑降噪效果和计算量的因素，因此D的取值范围为2～5是较为优化的选择。由此求得的待测节拍信号的均值信号，同样是一个采样点数为K的节拍信号。

<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。

由于颅内压信号中的特征峰通常是位于单个节拍信号中的子波峰值上的，子波即为一个具有一定曲率值的波形凸起；有时候，在第二特征峰的变化幅度明显大于第一特征峰时，有可能导致第一特征峰所在子波的后半部分波形被第二特征峰所在子波淹没掉，从而导致节拍信号中第一特征峰并非位于子波的峰值处，而是处于一个子峰前坡的一个波形突起处；甚至，在一些特殊情况下，第一特征峰会被完全淹没在第二特征峰所在的子波中而不具备明显的峰值特征，当然这种情况下的第一特征峰也因无法从中获取有效信息而失去了临床意义和识别意义。考虑到上述因素，本发明在特征峰的识别过程中并非采用惯用的逐点判断的方式，而是仅以所在信号段曲率大于或等于曲率阈值τ₀的采样点作为目标采样点加以进一步识别，忽略对波形平缓部分的采样点进行计算和识别；在颅内压信号中，波形平缓部分所占据的比例是相当大的，因此通过曲率划分目标采样点，大大简化了识别过程中的数据计算量，进一步提高了识别的鲁棒性。这里，第i个待测节拍信号的均值信号中采样点所在信号段，是指该采样点及其前后各E个采样点构成的信号段，考虑曲率计算精度和计算量的因素，E的取值范围在3～8之间较为适宜。对于第i个待测节拍信号的均值信号边缘处采样点之前或之后不足E个其它采样点的情况，考虑到特征峰应分布在均值信号的中部，因此对均值信号边缘处的采样点不加以考虑，不作识别处理。曲率阈值τ₀的具体取值则根据经验选取。

<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。

第i个待测节拍信号的均值信号中目标采样点的对数极坐标分布模型建立方法，与模板信号中已知特征峰所在采样点的对数极坐标分布模型建立方法相同，例如，第i个待测节拍信号的均值信号中目标采样点Sei的对数极坐标分布模型建立过程为：

(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ξ_max、极角范围为(-π，π]的对数极坐标域，并且其对数极径半径ξ_max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M×N个分布区间；

(2)将目标采样点Sei所在的均值信号映射到直角坐标系中，按下式求取目标采样点Sei分别与其所在均值信号中其它K-1个采样点的差向量，记为Δa_Sei(k₀→k)：

Δa_Sei(k₀→k)＝(x₀-x_k，y₀-y_k)；

其中，k₀表示目标采样点Sei在其所在均值信号中的采样点序号，(x₀，y₀)表示目标采样点Sei在直角坐标系中的向量坐标，(x_k，y_k)表示目标采样点Sei所在均值信号中第k个采样点在直角坐标系中的向量坐标；

由此得到目标采样点Sei分别与其所在节拍信号中其它K-1个采样点的差向量集，记为ΔA_Sei(k₀→k)＝{Δa_Sei(k₀→k)|k＝1，2，...，K}；

(3)对差向量集ΔA_Sei(k₀→k)中的差向量进行对数极坐标转换，得到对应于目标采样点Sei的对数极坐标集ΔB_Sei(k₀→k)＝{Δb_Sei(k₀→k)|k＝1，2，...，K}；Δb_Sei(k₀→k)表示差向量Δa_Sei(k₀→k)对应的对数极坐标，即：

$\mathrm{\&Delta;}{b}_{\mathrm{Sei}}(k_0\&RightArrow;k)=({\mathrm{\&xi;}}_{k_0\&RightArrow;k},{\mathrm{\&psi;}}_{k_0\&RightArrow;k});$ 其中，

${\mathrm{\&xi;}}_{k_0\&RightArrow;k}=\log \sqrt{{(x_0-x_k)}^2+{(y_0-y_k)}^2};$

(4)计算对应于目标采样点Sei的对数极坐标集ΔB_Sei(k₀→k)中对数极坐标在模型分布域中各个分布区间的分布数量，得到目标采样点Sei的对数极坐标分布模型，记为F_Sei：

F_Sei＝{f_Sei(m，n)|m＝1，2，...，M；n＝1，2，...，N}；

其中，f_Sei(m，n)表示对应于第i个待测节拍信号的均值信号中目标采样点Sei的对数极坐标集ΔB_Sei(k₀→k)中分布在模型分布域第m个极径区间和第n个极角区间所构成的分布区间以内的对数极坐标的数量。

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的具体过程如下：

[1]计算第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分别与模板数据库中各个第一特征峰、各个第二特征峰以及各个第三特征峰所在采样点的对数极坐标分布模型的卡方统计检验值；其中，第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第一特征峰所在采样点的对数极坐标分布模型F_R1的卡方统计检验值C[F_R1，F_Sei]计算公式为：

$C[F_{R1},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R1,\mathrm{Sei}},$

第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第二特征峰所在采样点的对数极坐标分布模型F_R2的卡方统计检验值C[F_R2，F_Sei]计算公式为：

$C[F_{R2},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R2,\mathrm{Sei}},$

第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第三特征峰所在采样点的对数极坐标分布模型F_R3的卡方统计检验值C[F_R3，F_Sei]计算公式为：

$C[F_{R3},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R3,\mathrm{Sei}},$

其中，f_Sei(m，n)∈F_Sei，f_R1(m，n)∈F_R1，f_R2(m，n)∈F_R2，f_R3(m，n)∈F_R3；

[2]统计步骤[1]中计算的各个卡方统计检验值C[F_R1，F_Sei]、C[F_R2，F_Sei]和C[F_R3，F_Sei]，以各个卡方统计检验值C[F_R1，F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第一特征峰，以各个卡方统计检验值C[F_R2，F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第二特征峰，以各个卡方统计检验值C[F_R3，F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第三特征峰。

然后，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，以作为第i个待测节拍信号的特征峰识别过程中较为相似的模板，有助于提高第i个待测节拍信号的特征峰识别精确度。

匹配识别过程中，本发明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，来提高本发明方法整体的鲁棒性能和识别准确度。

<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。

这里，第i个待测节拍信号中采样点所在信号段，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。对于第i个待测节拍信号的边缘处采样点之前或之后不足E个其它采样点的情况，同样不作识别处理。该步骤也是为了简化了识别过程中的数据计算量，提高识别鲁棒性。

<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；

第i个待测节拍信号中目标采样点的对数极坐标分布模型建立方法，同样与模板信号中已知特征峰所在采样点的对数极坐标分布模型建立方法相同，在此就不再赘述；第i个待测节拍信号中的各个目标采样点中，一个目标采样点Si的对数极坐标分布模型F_Si为：

F_Si＝{f_Si(m，n)|m＝1，2，...，M；n＝1，2，...，N}；

其中，f_Si(m，n)表示对应于第i个待测节拍信号中目标采样点Si的对数极坐标集ΔB_Si(k₀→k)中各对数极坐标分布在模型分布域第m个极径区间和第n个极角区间所构成的分布区间以内的对数极坐标数量；在ΔB_Si(k₀→k)中，k₀表示目标采样点Si在其所在节拍信号中的采样点序号，k表示目标采样点Si所在节拍信号中的其它采样点的采样点序号；

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的具体过程如下：

[i]计算第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分别与模板数据库中各个第一特征峰、各个第二特征峰以及各个第三特征峰所在采样点的对数极坐标分布模型的卡方统计检验值；其中，第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第一特征峰所在采样点的对数极坐标分布模型F_R1的卡方统计检验值C[F_R1，F_Si]计算公式为：

$C[F_{R1},F_{\mathrm{Si}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R1,\mathrm{Si}},$

第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第二特征峰所在采样点的对数极坐标分布模型F_R2的卡方统计检验值C[F_R2，F_Si]计算公式为：

$C[F_{R2},F_S]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R2,\mathrm{Si}},$

第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第三特征峰所在采样点的对数极坐标分布模型F_R3的卡方统计检验值C[F_R3，F_Si]计算公式为：

$C[F_{R3},F_{\mathrm{Si}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R3,\mathrm{Si}},$

其中，f_Si(m，n)∈F_Si，f_R1(m，n)∈F_R1，f_R2(m，n)∈F_R2，f_R3(m，n)∈F_R3；

[ii]统计步骤[i]中计算的各个卡方统计检验值C[F_R1，F_Si]、C[F_R2，F_Si]和C[F_R3，F_Si]，以各个卡方统计检验值C[F_R1，F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第一特征峰，以各个卡方统计检验值C[F_R2，F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第二特征峰，以各个卡方统计检验值C[F_R3，F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第三特征峰。

通过上述的<b21>至<b25>，对于待测的颅内压信号中的第i个待测节拍信号采用双层识别方式识别特征峰的步骤就完成了。

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。

由此，对一个待测的颅内压信号中各个第一特征峰、第二特征峰和第三特征分的识别过程即结束。在上述过程中，如果求得某个待测节拍信号中的特征峰出现重叠的情况，例如第一、第二特征峰位于同一采样点处，则可以认为该采样点即是第一特征峰也是第二特征峰；或者，根据匹配过程中的相似性计算结果，判断该采样点更相似于第一特征峰还是第二特征峰，将该采样点归为相似性更高的一类特征峰。若出现某个待测节拍信号中第二、第三特征峰位于同一采样点处，或者第一、二、三特征峰均位于同一采样点处的情况，也可采用类似的处理方法。具体将重叠的特征峰作为并存关系看待，还是以更相似原则择其一，需要根据对本发明方法的具体应用领域以及所应用领域所需要参照的临床数据标准而确定，不同的应用所选择的看待方式可能不同。

下面通过一个实施例进一步说明本采用发明方法实现颅内压信号特征峰识别的具体过程。

实施例：

本实施例中，由颅内压监护仪(Codman-Hakim，强生公司，美国)采集颅内压信号，这些信号是采样频率为4000Hz的数字信号，将这些信号输入计算机，进行低通滤波和采样预处理，其滤波器采用二阶Butterworth低通滤波器，截止频率为25Hz，采样频率为600Hz，从而得到一个待测颅内压信号，其波形如图2所示。利用本发明方法，采用计算机对该待测颅内压信号进行特征峰识别，特征峰识别过程按如下步骤进行：

A)构建模板数据库；该步骤具体包括：

a1)由颅内压监护仪采集多个周期不同、分别代表临床上常见波形轮廓的已知颅内压信号(周期、幅度、特征峰所在位置等参数均已知)，将这些信号及其相应参数输入计算机，进行低通滤波和采样预处理，同样，滤波器采用二阶Butterworth低通滤波器，截止频率为25Hz，采样频率为600Hz。从上述的已知颅内压信号中选取20个节拍信号，确保该20个节拍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，将每个选取的节拍信号的采样点数归一化处理为300个(即本实施例中取K＝300)，由此得到20个模板信号，并将这20个模板信号中的已知特征峰分别标注特征峰分类标识用于识别；

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，逐拍分割后从待测的颅内压信号中共得到12个待测节拍信号，分别标记为Q1～Q12，如图3所示；然后，将分割所得每个待测节拍信号的采样点数归一化处理为300个(即本实施例中取K＝300)；

b2)以待测的颅内压信号中第8个待测节拍信号Q8为例，识别出第8个待测节拍信号Q8中特征峰，具体过程如下：

<b21>通过下式计算得到第8个待测节拍信号Q8基于其前后各2个待测节拍信号(即取D＝2)的均值信号Qe8：

${\stackrel{\&OverBar;}{P}}_8\left(k\right)=\frac{\underset{d=-2}{\overset{2}{\mathrm{\&Sigma;}}}{P}_{8+d}\left(k\right)}{5};$

其中，表示第8个待测节拍信号的均值信号Qe8中第k个采样点的幅值，P_i+d(k)表示待测的颅内压信号中第8+d个待测节拍信号中第k个采样点的幅值，k∈{1，2，...，300}，d∈{-2，-1，0，1，2}。第8个待测节拍信号Q8以及基于其前后各2个待测节拍信号的均值信号Qe8的波形对比如图4所示，图4中可见均值信号Qe8相对于第8个待测节拍信号Q8而言，波形形态更加平滑，特征峰的轮廓也更加明显，因此识别起开更加准确。

<b22>预设曲率阈值τ₀；计算第8个待测节拍信号的均值信号Qe8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的采样点作为均值信号Qe8中的目标采样点；

<b23>分别建立第8个待测节拍信号的均值信号Qe8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8个待测节拍信号的均值信号Qe8的各个目标采样点中识别出第一特征峰、第二特征峰和第三特征峰；匹配运算时采用卡方统计检验的匹配方式，第8个待测节拍信号的均值信号Qe8中各个目标采样点针对第一特征峰、第二特征峰和第三特征峰匹配运算结果分别如图5、图6和图7所示。

在图5、图6和图7中，上半部分曲线图表示第8个待测节拍信号的均值信号Qe8的波形图；图5的下半部分曲线图表示第8个待测节拍信号的均值信号Qe8中，每个目标采样点与模板数据库中各个第一特征峰的卡方统计检验中最小值所构成的曲线图；图6的下半部分曲线图表示第8个待测节拍信号的均值信号Qe8中，每个目标采样点与模板数据库中各个第二特征峰的卡方统计检验中最小值所构成的曲线图；图7的下半部分曲线图表示第8个待测节拍信号的均值信号Qe8中，每个目标采样点与模板数据库中各个第三特征峰的卡方统计检验中最小值所构成的曲线图。图5、图6和图7的下半部分曲线图中，卡方统计检验值为“1”的部分采样点，是未作为目标采样点而没有参与卡方统计检验匹配运算的采样点。从而，分别以图5、图6和图7中卡方统计检验值最低的目标采样点作为第8个待测节拍信号的均值信号Qe8中的第一特征峰Rqe1、第二特征峰Rqe2和第三特征峰Rqe3。然后，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8个待测节拍信号Q8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8个待测节拍信号Q8中的目标采样点；

<b25>分别建立第8个待测节拍信号Q8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8个待测节拍信号Q8的各个目标采样点中识别出第一特征峰、第二特征峰和第三特征峰；匹配运算时采用卡方统计检验的匹配方式，第8个待测节拍信号Q8中各个目标采样点针对第一特征峰、第二特征峰和第三特征峰匹配运算结果分别如图8、图9和图10所示。

在图8、图9和图10中，上半部分曲线图表示第8个待测节拍信号Q8的波形图；图8的下半部分曲线图表示第8个待测节拍信号Q8中，每个目标采样点与模板数据库中各个第一特征峰的卡方统计检验中最小值所构成的曲线图；图9的下半部分曲线图表示第8个待测节拍信号Q8中，每个目标采样点与模板数据库中各个第二特征峰的卡方统计检验中最小值所构成的曲线图；图10的下半部分曲线图表示第8个待测节拍信号Q8中，每个目标采样点与模板数据库中各个第三特征峰的卡方统计检验中最小值所构成的曲线图。图8、图9和图10的下半部分曲线图中，卡方统计检验值为“1”的部分采样点，是未作为目标采样点而没有参与卡方统计检验匹配运算的采样点。从而，分别以图8、图9和图10中卡方统计检验值最低的目标采样点作为第8个待测节拍信号Q8中的第一特征峰Rq1、第二特征峰Rq2和第三特征峰Rq3。

通过上述步骤识别得到第8个待测节拍信号Q8中的第一特征峰Rq1、第二特征峰Rq2和第三特征峰Rq3如图11所示。

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。

为了评估本发明方法的检测性能，本发明进行评估实验。在评估实验中构建了一个猜测数据库，待测数据库中各待测颅内压信号中包含有6180个待测节拍信号。先由临床专家通过手工标记这6180个待测节拍信号中的第一特征峰、第二特征峰和第三特征峰；然后，再利用本发明方法对待测数据库中这6180个待测节拍信号进行特征峰识别，将检测结果与专家标记的第一特征峰、第二特征峰和第三特征峰进行比较，评估本发明的检测性能。将手工标记的节拍起点前后8ms设为容错区间，即：由本发明检测的特征峰所在位置与专家手工标记的特征峰所在位置误差不大于8ms，则认为识别正确。本发明方法对此6180个待测节拍信号中第一特征峰、第二特征峰和第三特征峰的识别精确度分别为98.52％、97.33％和98.07％，特异度分别为94.10％、94.87％和94.24％，表明本发明的颅内压信号特征峰识别方法能够满足临床识别的要求。

本发明的颅内压信号特征峰识别方法，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；同时，对差向量进行对数极坐标转换来度量波形的相似性，这种度量对邻近的波形形态特征敏感，同时又能捕获波形的全局轮廓信息，并对波形抖动具有鲁棒性，从而从整体上提高了颅内压信号特征峰识别的抗干扰能力。在特征峰识别过程中，先识别待测节拍信号的均值信号中的第一特征峰、第二特征峰和第三特征峰，因为求均值信号的过程相当于对待测节拍信号进行了降噪处理，从而均值信号中特征峰的识别准确率更高；然后，再将待测节拍信号的均值信号中特征峰所在采样点的对数极坐标分布模型加入到模板数据库中，用以识别待测节拍信号的特征峰，由于待测节拍信号自身与其均值信号的波形相似性非常高，从而能够快速、准确的识别出待测节拍信号中的第一特征峰、第二特征峰和第三特征峰；由此一来，本发明方法在整体上提高了待测的颅内压信号各个节拍中特征峰的识别准确度；并且，在均值信号和待测节拍信号的特征峰识别中，都仅以所在信号段曲率大于或等于曲率阈值τ₀的采样点作为目标采样点加以识别，忽略对波形平缓部分的采样点进行计算和识别，大大简化了识别过程的数据计算量，并采用卡方统计检验作为识别的匹配手段，利用了卡方统计检验具有很强鲁棒性、准确度高的优点，来提高本发明方法整体的鲁棒性能和识别准确度。本发明方法实现了计算机对颅内压信号的特征峰识别，不仅大大降低了颅内压临床医师的工作量，还克服了人工手工识别的人为误差，提高了颅内压信号特征峰识别的效率及准确性。将本发明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，具有广阔的应用前景。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

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：

${\stackrel{\&OverBar;}{P}}_i\left(k\right)=\frac{\underset{d=-D}{\overset{D}{\mathrm{\&Sigma;}}}{P}_{i+d}\left(k\right)}{2D+1};$

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，P_i+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。

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，所述步骤a2）中，建立模板信号中已知特征峰所在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ξ_max、极角范围为(-π,π]的对数极坐标域，并且其对数极径半径ξ_max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M×N个分布区间；

（2）将已知特征峰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分别与其所在节拍信号中其它K-1个采样点的差向量，记为Δa(k₀→k)：

Δa(k₀→k)=(x₀-x_k,y₀-y_k)；

其中，k₀表示已知特征峰所在采样点在其所在节拍信号中的采样点序号，(x₀,y₀)表示已知特征峰所在采样点在直角坐标系中的向量坐标，(x_k,y_k)表示已知特征峰所在节拍信号中第k个采样点在直角坐标系中的向量坐标；

由此得到已知特征峰所在采样点分别与其所在节拍信号中其它K-1个采样点的差向量集，记为ΔA(k₀→k)={Δa(k₀→k)|k=1,2,...,K}；

（3）对差向量集ΔA(k₀→k)中的差向量进行对数极坐标转换，得到对应于已知特征峰所在采样点的对数极坐标集ΔB(k₀→k)={Δb(k₀→k)|k=1,2,...,K}；Δb(k₀→k)表示差向量Δa(k₀→k)对应的对数极坐标，即：

$\mathrm{\&Delta;b}(k_0\&RightArrow;k)=({\mathrm{\&xi;}}_{k_0\&RightArrow;k},{\mathrm{\&psi;}}_{k_0\&RightArrow;k});$ 其中，

${\mathrm{\&xi;}}_{k_0\&RightArrow;k}=\log \sqrt{{(x_0-x_k)}^2+{(y_0-y_k)}^2};$

（4）计算对应于已知特征峰所在采样点的对数极坐标集ΔB(k₀→k)中对数极坐标在模型分布域中各个分布区间的分布数量，得到已知特征峰所在采样点的对数极坐标分布模型，记为F：

F={f(m,n)|m=1,2,...,M;n=1,2,...,N}；

其中，f(m,n)表示对应于已知特征峰所在采样点的对数极坐标集ΔB(k₀→k)中分布在模型分布域第m个极径区间和第n个极角区间所构成的分布区间以内的对数极坐标的数量。

5.根据权利要求4中任一项所述的颅内压信号特征峰识别方法，其特征在于，所述步骤<b23>中，建立第i个待测节拍信号的均值信号中一个目标采样点Sei的对数极坐标分布模型的具体步骤如下：

（b231）建立模型分布域，所述模型分布域是预设定对数极径半径ξ_max、极角范围为(-π,π]的对数极坐标域，并且其对数极径半径ξ_max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M×N个分布区间；

（b232）将目标采样点Sei所在的均值信号映射到直角坐标系中，按下式求取目标采样点Sei分别与其所在均值信号中其它K-1个采样点的差向量，记为Δa_Sei(k₀→k)：

Δa_Sei(k₀→k)=(x₀-x_k,y₀-y_k)；

其中，k₀表示目标采样点Sei在其所在均值信号中的采样点序号，(x₀,y₀)表示目标采样点Sei在直角坐标系中的向量坐标，(x_k,y_k)表示目标采样点Sei所在均值信号中第k个采样点在直角坐标系中的向量坐标；

由此得到目标采样点Sei分别与其所在节拍信号中其它K-1个采样点的差向量集，记为ΔA_Sei(k₀→k)={Δa_Sei(k₀→k)|k=1,2,...,K}；

（b233）对差向量集ΔA_Sei(k₀→k)中的差向量进行对数极坐标转换，得到对应于目标采样点Sei的对数极坐标集ΔB_Sei(k₀→k)={Δb_Sei(k₀→k)|k=1,2,...,K}；Δb_Sei(k₀→k)表示差向量Δa_Sei(k₀→k)对应的对数极坐标，即：

$\mathrm{\&Delta;}{b}_{\mathrm{Sei}}(k_0\&RightArrow;k)=({\mathrm{\&xi;}}_{k_0\&RightArrow;k},{\mathrm{\&psi;}}_{k_0\&RightArrow;k});$ 其中，

${\mathrm{\&xi;}}_{k_0\&RightArrow;k}=\log \sqrt{{(x_0-x_k)}^2+{(y_0-y_k)}^2};$

（b234）计算对应于目标采样点Sei的对数极坐标集ΔB_Sei(k₀→k)中对数极坐标在模型分布域中各个分布区间的分布数量，得到目标采样点Sei的对数极坐标分布模型，记为F_Sei：

F_Sei={f_Sei(m,n)|m=1,2,...,M;n=1,2,...,N}；

其中，f_Sei(m,n)表示对应于第i个待测节拍信号的均值信号中目标采样点Sei的对数极坐标集ΔB_Sei(k₀→k)中分布在模型分布域第m个极径区间和第n个极角区间所构成的分布区间以内的对数极坐标的数量。

6.根据权利要求5所述的颅内压信号特征峰识别方法，其特征在于，所述步骤<b23>中，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的具体步骤如下：

[1]计算第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分别与模板数据库中各个第一特征峰、各个第二特征峰以及各个第三特征峰所在采样点的对数极坐标分布模型的卡方统计检验值；其中，第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第一特征峰所在采样点的对数极坐标分布模型F_R1的卡方统计检验值C[F_R1,F_Sei]计算公式为：

$C[F_{R1},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R1,\mathrm{Sei}},$

第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第二特征峰所在采样点的对数极坐标分布模型F_R2的卡方统计检验值C[F_R2,F_Sei]计算公式为：

$C[F_{R2},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R2,\mathrm{Sei}},$

第i个待测节拍信号的均值信号中一个目标采样点的对数极坐标分布模型F_Sei与模板数据库中任一个第三特征峰所在采样点的对数极坐标分布模型F_R3的卡方统计检验值C[F_R3,F_Sei]计算公式为：

$C[F_{R3},F_{\mathrm{Sei}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R3,\mathrm{Sei}},$

其中，f_Sei(m,n)∈F_Sei，f_R1(m,n)∈F_R1，f_R2(m,n)∈F_R2，f_R3(m,n)∈F_R3；

[2]统计步骤[1]中计算的各个卡方统计检验值C[F_R1,F_Sei]、C[F_R2,F_Sei]和C[F_R3,F_Sei]，以各个卡方统计检验值C[F_R1,F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第一特征峰，以各个卡方统计检验值C[F_R2,F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第二特征峰，以各个卡方统计检验值C[F_R3,F_Sei]中最小值所对应的目标采样点作为第i个待测节拍信号的均值信号中的第三特征峰。

7.根据权利要求4所述的颅内压信号特征峰识别方法，其特征在于，所述步骤<b25>中，建立第i个待测节拍信号中一个目标采样点Si的对数极坐标分布模型的具体步骤如下：

（b251）建立模型分布域，所述模型分布域是预设定对数极径半径ξ_max、极角范围为(-π,π]的对数极坐标域，并且其对数极径半径ξ_max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M×N个分布区间；

（b252）将目标采样点Si所在的节拍信号映射到直角坐标系中，按下式求取目标采样点Si分别与其所在节拍信号中其它K-1个采样点的差向量，记为Δa_Si(k₀→k)：

Δa_Si(k₀→k)=(x₀-x_k,y₀-y_k)；

其中，k₀表示目标采样点Si在其所在节拍信号中的采样点序号，(x₀,y₀)表示目标采样点Si在直角坐标系中的向量坐标，(x_k,y_k)表示目标采样点Si所在节拍信号中第k个采样点在直角坐标系中的向量坐标；

由此得到目标采样点Si分别与其所在节拍信号中其它K-1个采样点的差向量集，记为ΔA_Si(k₀→k)={Δa_Si(k₀→k)|k=1,2,...,K}；

（b253）对差向量集ΔA_Si(k₀→k)中的差向量进行对数极坐标转换，得到对应于目标采样点Si的对数极坐标集ΔB_Si(k₀→k)={Δb_Si(k₀→k)|k=1,2,...,K}；Δb_Si(k₀→k)表示差向量Δa_Si(k₀→k)对应的对数极坐标，即：

$\mathrm{\&Delta;}{b}_{\mathrm{Si}}(k_0\&RightArrow;k)=({\mathrm{\&xi;}}_{k_0\&RightArrow;k},{\mathrm{\&psi;}}_{k_0\&RightArrow;k});$ 其中，

${\mathrm{\&xi;}}_{k_0\&RightArrow;k}=\log \sqrt{{(x_0-x_k)}^2+{(y_0-y_k)}^2};$

（b254）计算对应于目标采样点Si的对数极坐标集ΔB_Si(k₀→k)中对数极坐标在模型分布域中各个分布区间的分布数量，得到目标采样点Si的对数极坐标分布模型，记为F_Si：

F_Si={f_Si(m,n)|m=1,2,...,M;n=1,2,...,N}；

其中，f_Si(m,n)表示对应于第i个待测节拍信号中目标采样点Si的对数极坐标集ΔB_Si(k₀→k)中分布在模型分布域第m个极径区间和第n个极角区间所构成的分布区间以内的对数极坐标的数量。

8.根据权利要求7所述的颅内压信号特征峰识别方法，其特征在于，所述步骤<b25>中，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的具体步骤如下：

[i]计算第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分别与模板数据库中各个第一特征峰、各个第二特征峰以及各个第三特征峰所在采样点的对数极坐标分布模型的卡方统计检验值；其中，第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第一特征峰所在采样点的对数极坐标分布模型F_R1的卡方统计检验值C[F_R1,F_Si]计算公式为：

$C[F_{R1},F_{\mathrm{Si}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R1,\mathrm{Si}},$

第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第二特征峰所在采样点的对数极坐标分布模型F_R2的卡方统计检验值C[F_R2,F_Si]计算公式为：

$C[F_{R2},F_S]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R2,\mathrm{Si}},$

第i个待测节拍信号中一个目标采样点的对数极坐标分布模型F_Si与模板数据库中任一个第三特征峰所在采样点的对数极坐标分布模型F_R3的卡方统计检验值C[F_R3,F_Si]计算公式为：

$C[F_{R3},F_{\mathrm{Si}}]=\frac{1}{2}\underset{m=1}{\overset{m=M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{n=N}{\mathrm{\&Sigma;}}}{g}_{R3,\mathrm{Si}},$

其中，f_Si(m,n)∈F_Si，f_R1(m,n)∈F_R1，f_R2(m,n)∈F_R2，f_R3(m,n)∈F_R3；

[ii]统计步骤[i]中计算的各个卡方统计检验值C[F_R1,F_Si]、C[F_R2,F_Si]和C[F_R3,F_Si]，以各个卡方统计检验值C[F_R1,F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第一特征峰，以各个卡方统计检验值C[F_R2,F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第二特征峰，以各个卡方统计检验值C[F_R3,F_Si]中最小值所对应的目标采样点作为第i个待测节拍信号中的第三特征峰。

Images