CN103431855B - 起搏心电信号的非平衡深度压缩方法 - Google Patents
起搏心电信号的非平衡深度压缩方法 Download PDFInfo
- Publication number
- CN103431855B CN103431855B CN201310388356.2A CN201310388356A CN103431855B CN 103431855 B CN103431855 B CN 103431855B CN 201310388356 A CN201310388356 A CN 201310388356A CN 103431855 B CN103431855 B CN 103431855B
- Authority
- CN
- China
- Prior art keywords
- waveform
- data
- pace
- time window
- sign
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
起搏心电信号的非平衡深度压缩方法,包括起搏心电信号的快速内容感知、表征波形与非表征波形的非平衡协同数据压缩与重构。本发明主要针对起搏心电信号中起搏脉冲与其它心电波形频率分布差异较大、表征波形与非表征波形在临床诊断中的权重差异性,在不满足奈奎斯特采样定理的前提下,有针对性地对表征波形与非表征波形采用不同压缩与重构策略。本发明以起搏脉冲信号固有频率的1/2进行采样,在同一时间窗内对表征波形采用压缩感知与Huffman编码处理,对非表征波形进行非失真下采样及Huffman编码。在保证临床诊断信息不失真的前提下,提高了数据的压缩比与重构精度,保证了起搏器无线监测终端的可靠运行。
Description
所属技术领域
本发明涉及高采样频率的起搏心电数据的深度压缩,适用于在嵌入式计算机环境下(嵌入式终端、手机、无线传感节点等),对起搏心电信号进行内容感知、压缩感知以及压缩与重构。可用于个人计算机、服务器、云计算平台对起搏心电信号等高速信号进行的压缩与重构,也可用于无线传感节点的高速数据采集、无线传感节点的低能耗设计。
背景技术
随着心脏起搏器与无线通信装置电磁兼容性的安全距离的推出,以及心脏起搏器自身抗电磁干扰技术的不断提高,基于无线传感和移动通信网络的远程心电监护平台为起搏器佩戴者的随时、随地监测提供了参考解决方案。但是,由于起搏器的刺激脉冲持续时间较短(≤0.5s),按照Shannon/Nyquist定理,其采样频率可高达4000Hz。如采用3通道采集、模数转换器(ADC)为12位,则无线传感节点、汇聚节点、移动监护终端的数据传输率至少为3×4000×16(12位需占用两个存储字节,计16bit)=192Kbps。事实上,临床要求监护导联的信号通道数目已越来越多(12导联),所采集的起搏心电数据量会更大。这势必会对无线传感节点的带宽与功耗、移动通信终端的上传带宽与能耗带来挑战,同时也会增加各个嵌入式节点与终端的存储、处理和传输负担,这就使得必须对高采样率的大数据量起搏心电信号必须进行有效的压缩与处理,才能保证起搏器监测终端的可靠运行。
目前国内外对于普通心电数据的压缩研究较多,采用的常见算法有:基于数据统计特性的编码方法(也被称为熵编码,包括Huffman编码、算术编码、游程编码等)、基于字典原理的编码方法(如LZ算法族,包括基本的Ziv-Lempel算法以及由此演变、改进而来的其他算法)等。有损压缩算法在压缩比指标上优势明显,在充分利用有损压缩算法高压缩比优势的前提下,应尽量减少算法对数据诊断失真的影响。对于嵌入式环境下心电数据处理,由于嵌入式系统计算能力的有限,目前大多采用简单的Huffman编码或LZ算法对常规的心电信号进行压缩处理。随着各种嵌入式终端处理能力的增强,也开始探索嵌入式环境下心电数据的有损或近无损压缩方法。但是,这些压缩方法都是针对采样频率小于500Hz的普通心电信号而言的。对于采样率高达4000Hz的起搏心电信号,直接在嵌入式系统环境下进行采样,容易导致起搏脉冲信号无法完全记录,从而无法判断起搏脉冲的电压高低,进而无法反映起搏器的电池电压。因此,对按照传统的采样方法,起搏心电信号的采样率≥4000Hz,这样高采样频率所带来的大数据量将会给嵌入式系统带来严峻的技术挑战。对于嵌入式环境下的起搏心电数据压缩,从国内外调研结果和文献检索来看,目前还未见报道,是急需解决的问题。
近几年发展起来的压缩感知(Compressed Sensing,简称CS)理论可以在不满足香农定理的条件下对信号进行压缩与重构,为高速信号处理与压缩提供了新的思路。但是,对于某种信号进行压缩感知时究竟采用什么频率才适当,如何降低压缩感知前的数据量,如何设计不同信号的稀疏分解基函数和测量矩阵等等都没有定论。而且,现有的压缩感知理论还认为:压缩感知理论与信号本身的特征无关。所以,在压缩感知过程中,信号稀疏分解的基函数与测量矩阵的优化都是不依赖信号本身特性的。正因为如此,现有的压缩感知理论对于信号变化也是统一进行处理,不会根据信号时段、区域的重要性或者固有特征进行处理。这就使得在利用压缩感知理论对信号处理时必须要考虑变换过程中的计算量,以及稀疏分解基函数和测量矩阵的优化设计。否则,也会由于原始数据本身的规模太大或者稀疏分解和测量矩阵的因素导致压缩感知过程的计算复杂性较高。
针对上述问题,本发明的目的在于提供一种基于内容感知与压缩感知的起搏心电数据处理方法,解决心脏起搏器在远程无线监测中由于传统高采样率带来的数据采集、处理、存储和无线传输困难,降低采集终端的功耗,同时又能保证与疾病相关的重要信息不失真的起搏心电信号非平衡协同深度压缩与重构方法。
发明内容
本发明的技术方案是这样实现的,起搏心电信号的非平衡深度压缩方法,包括起搏心电信号的快速内容感知、表征波形与非表征波形的非平衡协同数据压缩和表征波形与非表征波形压缩数据的非平衡协同重构;其特征在于,对起搏心电信号按固有频率采样的1/2进行采样,以1-2秒为时间窗对起搏心电信号进行连续记录,在起搏心电信号的快速内容感知过程中按照一定的分类规则,将起搏心电信号分为表征波形与非表征波形两类,再以同一时间窗为单位对表征波形和非表征波形分别采用不同的方法进行非平衡协同数据压缩与重构。
上述起搏心电信号的快速内容感知,是指:对于每一时间窗内的起搏心电信号进行5倍下采样,利用差分阈值法对该时间窗内信号进行快速波形检测,检测出起搏脉冲、起搏波形、自主心律QRS波形;将起搏脉冲、起搏波形、自主心律QRS波形的波群标记为表征波形,该时间窗内的其它波形则标记为非表征波形;再根据原始信号与下采样信号的5倍频率关系,在原始波形中对相应的表征波形进行时段和类别标识,实现起搏心电信号的内容感知。
表征波形与非表征波形的非平衡协同数据压缩,是指在时间窗内对于表征波形进行稀疏分解和测量矩阵观测投影后,再进行Huffman编码;在同一时间窗内对非表征波形(B)进行5倍下采样后,再进行Huffman编码。其中表征波形稀疏分解用Daubechies小波的db6构成初始基函数;用随机高斯矩阵构成起搏心电信号表征波形压缩感知的测量矩阵初始值,同时以非相干性、等距约束性为基本准则设计相应的测量矩阵,再根据重构精度对测量矩阵进行优化设计。
而非表征波形的压缩是以时间窗为单位进行下采样后,将该时间窗内所有表征波形的幅度置0后,非表征波形连同该时间窗内幅度置0的表征波形整体进行下一步的Huffman编码压缩。
所述的表征波形与非表征波形压缩数据的非平衡协同重构,是指:非表征波形和表征波形的压缩数据先分别按照各自的重构方法进行非平衡重构,即对压缩后的非表征波形数据首先进行Huffman解码,再利用三次样条插值进行5倍上采样,实现非表征波形的采样频率重构;对压缩后的表征波形数据进行Huffman解码后,利用测量矩阵Φ和稀疏分解矩阵Ψ,通过求解最小l1范数来实现表征波形压缩数据的重构;然后,以同一时间窗为单位,将非表征波形数据重构后该时间窗内表征波形时间段内的信号幅度置零;同时,根据表征波形的时间标识和类别标识,再将该时间窗内表征波形重构数据对应填补在相应的时间段,实现同一数据包、相同时间窗内的不同压缩策略数据的协同重构。
起搏心电信号的非平衡深度压缩方法的进一步特征在于,起搏心电信号的非平衡深度压缩方法处理流程为:
第一,起搏心电信号的快速内容感知:以起搏脉冲波形频率的1/2进行信号采样,以1-2秒为时间窗对起搏心电信号进行连续记录与处理;设该时间窗信号为f,对时间窗内的起搏心电信号进行5倍下采样,记为T;由于起搏器类型、起搏波形的类别、自主心律QRS波形的各种波形都是可预知的,利用差分阈值法对波形信号T进行快速检测,找到起搏脉冲、相应的起搏波形以及自主心律QRS波形,记为表征波形;时间窗内的其它自主心律波形则视为非表征波形;再回溯到原始波形中对相应的表征波形进行时间和类别标识,实现起搏心电信号的内容感知;
第二,对下采样的非表征波形数据,采用Haffman编码方法进行数据压缩:在下采样时间窗内,将表征波形的时间段内信号置为0,然后在整个时间窗内,对非表征波形B和连同幅度置0的表征波形数据段,利用Haffman无损编码方法进行数据压缩,从而实现非表征波形在整个时间窗的数据压缩;
第三,将同一时间窗内原始信号的表征波形A进行稀疏分解和测量矩阵观测投影,以实现表征波形的压缩感知以及进一步深度压缩。鉴于Daubechies的db6小波对于动态心电信号具有良好的对称性和正交性,本发明对于稀疏分解基函数的选择采用Daubechies小波的db6构成初始基函数;由于表征波形A经过压缩感知后的测量值获得与基函数和测量矩阵都密切相关,因此在考虑基函数的设计过程中,还要考虑测量矩阵的优化设计;本发明设计以随机高斯分布函数为测量矩阵的初始系数,再根据稀疏分解的程度、重构的精度以及表征波形的个性化时延来进一步优化设计适合每个用户稀疏分解基函数和测量矩阵,实现表征波形的稀疏压缩;
在建立好个性化的起搏稀疏分解基函数和测量矩阵后,考虑嵌入式系统的运行,须将基函数系数、测量矩阵进行整数化或者整数化趋同处理,以降低嵌入式计算复杂度;上述运算过程为:
X=Ψα,其中X为x(n)的矩阵表示;Ψ为x(n)的稀疏分解小波基函数维;α为X在Ψ上的投影,为K稀疏的;再将稀疏分解的值再在测量矩阵进行投影观测,测量矩阵Φ为m×n维,其中K<m<<n,则测量值Y=Φα=ΦΨTX即为x(n)经过压缩感知后的数据,记为y(m);为保证表征波形具有足够的压缩比,再将y(m)进行一次Huffman压缩编码;
第四,以时间窗为单位,将该时间窗内的表征波形和非表征波形按照时间标记、类别标记进行数据封包,实现同一时间窗内不同压缩变换域下的非平衡协同数据压缩;数据包组成顺序从左至右为:数据包开始标识、时间窗标识、非表征波形压缩数据、表征波形类别标识、表征波形时间标识、表征波形压缩数据、数据包结束标识。
第五,表征波形和非表征波形压缩数据的非平衡协同重构:对非表征波形压缩数据在整个时间窗内进行Huffman解码,然后采用三次样条插值对时间窗内信号进行5倍的上采样,再将该时间窗内表征波形A的信号幅度置零;同时,将同一时间窗内的表征波形的压缩数据先进行Huffman解码,再利用稀疏分解基函数、测量矩阵和观测值,进行表征波形的l1范数重构;再以同一时间窗为数据协同重构的基本单位,根据表征波形的时间标识和类别标识,将其重构信号填补在对应的非表征波形上采样插值信号置零段,即实现不同压缩策略数据的协同重构。
上述流程中,起搏心电数据协同压缩封包,具体为:数据包以时间窗为基本单位,其组成顺序从左至右为:数据包开始标识、时间窗标识、非表征波形压缩数据、表征波形类别标识、表征波形时间标识、表征波形压缩数据、数据包结束标识。
本发明主要针对起搏心电信号中起搏脉冲与其它心电波形频率分布差异较大、表征波形与非表征波形在临床诊断中的权重差异性特征,在不满足奈奎斯特采样定理的前提下,根据信号的不同波形及其时段属性,有针对性地采用不同压缩与重构策略,重点利用起搏心电信号的内容感知后,对表征波形的压缩感知与l1范数重构、非表征波形的下采样Huffman编码与解码后三次样条插值上采样重构,在保证临床诊断信息不失真的前提下,以尽可能提高数据的压缩比与重构精度。
本发明的起搏心电信号的非平衡深度压缩方法,适用于嵌入式起搏心电信号处理,主要针对实时数据压缩,也可用于非实时数据压缩处理。该方法运用压缩感知理论,以信号固有频率的一半采样,与香浓采样定理相比,在保证起搏脉冲信号的同时,降低了数据量;其次,该方法根据起搏信号的特征,将信号分为表征波形和非表征波形,仅对表征波形采用CS处理,降低了起搏心电信号压缩感知过程中的初始数据量,解决了起搏心电信号采集与嵌入式系统的处理、存储及无线传输之间的技术瓶颈,保证了起搏器监测终端的可靠运行,为高速医学信息的嵌入式采集、处理与无线传输提供了新的理论和方法。同时,这种嵌入式数据压缩减少了数据采集、存储与无线数据传输的绝对数据量,能够降低嵌入式终端、无线传感节点的能耗。
附图说明:
图1为典型起搏心电数据中的各个波形示意图;
图2为时间窗内表征波形与非表征波形的时间和类别标识;
图3为起搏心电数据非平衡协同压缩流程;
图4为起搏心电信号非平衡协同压缩后的数据封包;
图5为起搏心电信号非平衡协同重构流程;
图6不同类别信号重构后的协同数据生成。
图中:a--起搏脉冲,b--起搏波形(室性起搏),c--自主心律QRS波;A--表征波形A,B--非表征波形。
具体实施方式
实施例,下面结合附图和具体实施例对本发明作进一步说明,但本发明并不仅局限于此。
起搏心电信号的非平衡深度压缩方法,包括起搏心电信号的快速内容感知、表征波形A与非表征波形B的非平衡协同数据压缩,以及表征波形A与非表征波形B压缩数据的非平衡协同重构;本发明针对起搏心电信号中不同波形的差异性特征(如附图1所示),在不采用奈奎斯特采样定理的前提下,根据信号的不同波形及其时段属性,有针对性地采用不同的压缩重构策略,同时兼顾同一时间窗内数据压缩与重构的协同性,在不影响临床诊断的前提下,尽可能提高数据的压缩比与重构精度;其特征在于,对起搏心电信号按照起搏脉冲a固有频率的一半进行采样,以1-2秒为时间窗对起搏心电信号进行连续记录,在起搏心电信号的快速内容感知过程中按照一定的分类规则,将起搏心电信号分为表征波形A与非表征波形B两类;再以同一时间窗为单位对表征波形A和非表征波形B进行非平衡协同数据压缩与重构。
对于每一时间窗内的起搏心电信号进行5倍下采样,利用差分阈值法对该时间窗内信号进行快速波形检测,将检测出起搏心电信号分为四类:起搏脉冲a、起搏波形b、自主心律QRS波形c与其它波自主心律波形;由于起搏脉冲a、起搏波形b、自主心律QRS波形c在具有重要临床诊断意义,将这些波群标记为表征波形A;该时间窗内的其它自主心律波形则标记为非表征波形B;其中起搏脉冲a的固有频率一般不低于2000Hz,而起搏波形b、自主心律QRS波形c和其它自主心律波形频率小于100Hz。
对于信号时间窗设置为2秒进行数据采样(如附图2所示)。在原始波形中对相应的波形进行时段和类别标识:T2+T4表征波形A的时间与类别标识;T1+T3+T5非表征波形B的时间和类别标识;T1+T2+T3+T4+T5为整个信号时间窗。
起搏心电信号的实时压缩过程如附图3所示,详细阐述以下:
[步骤301]起搏心电信号的数据采样频率采用起搏脉冲a频率的一半,作为优选例,本发明采用1000Hz采集原始室性起搏心电信号,记录时间为2秒,设该时间窗信号为f;
[步骤302]将时间窗内的原始信号f进行5倍下采样,记为T;对T按照差分阈值进行波形检测,然后根据起搏脉冲a与起搏波形b的固有时延关系,检测出起搏脉冲a、起搏波形b、自主心律QRS波形c,如附图2所示;其中T2+T4表征波形A的时间与类别标识;T1+T3+T5非表征波形B的时间和类别标识;T1+T2+T3+T4+T5为信号时间窗;
[步骤303]根据T与f之间的倍频关系,在原始波形对应的时段中标记出表征波形A的起搏脉冲a、起搏波形b和自主心律QRS波形c的时间段,记为x(n);如果在该时间窗内无表征信息A,将x(n)标识为NON;并直接进入步骤305,否则进入步骤304;
[步骤304]由压缩感知理论可知:如果信号通过某种变换后,是可稀疏表示或可压缩的,则可设计一个与变换基不相关的测量矩阵测量信号,得到的测量值通过求解优化问题,可实现信号的精确或近似重构。设计稀疏分解的基函数和测量矩阵是表征信号能够成功进行低频率采样、高压缩比率以及高精度重构的关键,首先对信号x(n)进行稀疏分解,即将该时间窗内原始信号的表征波形A进行以Daubechies小波的db6为基函数的稀疏分解,采用随机高斯矩阵构成测量矩阵初始值,同时以非相干性和等距约束性为基本准则设计相应的测量矩阵,并根据不同类型起搏心电信号的重构误差和以及与基函数的维数关系,进行基函数适度调节与测量矩阵优化设计。
在建立好个性化的起搏稀疏分解基函数和测量矩阵后,将基函数系数、测量矩阵进行整数化或者整数化趋同处理,以降低嵌入式计算复杂度;上述运算过程为:X=Ψα,其中X为x(n)的矩阵表示;Ψ为x(n)的稀疏分解小波基函数维;α为X在Ψ上的投影,为K稀疏的;测量矩阵Φ为m×n维,其中K<m<<n,则测量值Y=Φα=ΦΨTX即为x(n)经过压缩感知后的数据,记为y(m);
[步骤305]将步骤302中检测的其它自主心律QRS波形标识为非表征波形B,进入步骤306;如无其它自主心律QRS波形,则将该时间窗内非表征信息B标为NON;并直接进入步骤307;
[步骤306]将步骤302中检测的表征波形A时间段内波形幅值置0,再将整个时间窗内信号记为T1(m1),然后采用对T1(m1)进行Haffman压缩编码,实现非表征信息B的下采样后压缩,记为T2(m2),m2≤m1;
[步骤307]将步骤304经过稀疏分解以及测量矩阵观测投影后的数据进行Haffman编码,记其压缩后的数据为y1(l),l≤m;在y1(l)前增加该数据的类别、时间窗标识以及该表征波形A在原始信号的起始时间,进行表征数据封包;再将已经压缩后的非表征波形B与该时间窗内的表征波形A进行统一数据封包(如图4所示),实现起搏心电数据的不同压缩域数据的协同封包。该数据包即可通过无线或有线方式发送至重构端,重构端可以是云端、服务器、工作站或者PC;
将发送至重构端的数据解包后,以时间窗为单位,分别进行表征波形A与非表征波形B的重构与协同数据组合,如附图5所示。详细步骤阐述如下:
[步骤501]以时间窗为单位,按照图4所示的格式对数据包解包;数据包组成顺序从左至右为:数据包开始标识、时间窗标识、非表征波形压缩数据、表征波形类别标识、表征波形时间标识、表征波形压缩数据、数据包结束标识;数据包解包后,提取出压缩后的T2(m2),如该数据包标识不为NON,则进行步骤502;否则,直接进入步骤504,在这种情形下,原时间窗内的信号全都标记为表征波形A;
[步骤502]对压缩后的T2(m2)进行Huffman解码,实现非表征波形B的下采样频率重构。
[步骤503]对经过步骤502处理的非表征波形B的Huffman解码数据,采用三次样条插值进行5倍上采样,实现时间窗内非表征波形B的原始信号频率重构。
[步骤504]以时间窗为单位,按照图4所示的格式对数据包解包后,提取出表征波形A压缩后的数据信息y1(l),如该数据包标识不为NON,则进入步骤505;否则,直接进入步骤507,在这种情形下,时间窗内的信号全都标记为非表征波形B;
[步骤505]对解包后的压缩数据信息y1(l)进行Huffman解码,实现y(m)的重构;
[步骤506]对经过Huffman解码的测量矩阵观测数据y(m)进行压缩感知的重构,从而实现起表征波形A的重构具体描述为:已知y(m)、Ψ、Φ,如何重构x(n)。鉴于m<<n,而x(n)又是K稀疏的,因此可以通过下式求解最小l1范数来实现表征波形的高精度重构:min||X||1s.t||ΦΨTX-Y||2≤ε。经过重构的稀疏表征波形为x'(n)。
[步骤507]以时间窗为单位,对非表征波形B和表征波形A进行协同重构。作为优选例,当该时间窗内都存在非表征波形B和表征波形A时,协同重构流程如附图6所示:在时间窗内,将503重构的信息中表征波形A时间段内的数据幅值置0;将该时间窗内的表征波形经过CS重构后,按照其时间标识与类别标识,将其填入非表征信息B重构后时间窗置零的对应位置,从而实现该时间窗内的起搏心电信号表征波形与非表征波形的协同完整重构。
其它说明如下:如果压缩数据包解包后表征波形A标识为NON,则经过503步骤处理后的数据就是该时间窗最后重构的数据;如果压缩数据包解包后非表征波形B标识为NON,则经过506步骤重构的数据就是该时间窗整个信号重构的数据。
Claims (7)
1.起搏心电信号的非平衡深度压缩方法,包括起搏心电信号的快速内容感知、表征波形(A) 与非表征波形(B) 的非平衡协同数据压缩、表征波形(A) 与非表征波形(B) 压缩数据的非平衡协同重构;其特征在于,按照起搏脉冲(a) 固有频率的1/2 对信号采样,以1-2秒为时间窗对起搏心电信号进行连续记录,在起搏心电信号的快速内容感知过程中按照一定的分类规则,将起搏心电信号分为表征波形(A) 与非表征波形(B) 两类,再以时间窗为单位对表征波形(A) 和非表征波形(B) 进行非平衡协同数据压缩与重构;
其中,起搏心电信号的非平衡协同数据压缩包括以下流程:
步骤一,起搏心电信号的快速内容感知:设时间窗内原始起搏心电信号为f,对该时间窗内的信号整体进行5 倍下采样,记为T ;利用差分阈值法对下采样信号T 进行快速波形检测,检测出起搏脉冲(a)、起搏波形(b)、自主心律QRS 波形(c) ;在下采样信号T 中,将起搏脉冲(a)、起搏波形(b)、自主心律QRS 波形(c) 的波群标记为表征波形(A),时间窗内的其它波形则视为非表征波形(B),实现起搏心电信号的内容感知;其中表征波形(A) 的时间与类别标识记为T2+T4 ;非表征波形(B) 的时间和类别标识记为T1+T3+T5 ;整个信号时间窗记为T1+T2+T3+T4+T5 ;
步骤二,根据下采样信号T 与f 之间的倍频关系,在原始波形对应的时段中标记出表征波形(A) 起搏脉冲(a)、起搏波形(b) 和自主心律QRS 波形(c) 的时间段,记为x(n);n为数据的长度;如果在该时间窗内无表征波形(A),将x(n) 标识为NON ;只执行步骤三、步骤六;
步骤三,非表征波形(B) 数据压缩编码:以时间窗为单位,将步骤一中检测的非表征波形(B),连同该时间窗内的下采样信号幅度置0 的表征波形(A),记为T1(m1),利用Huffman编码方法对T1(m1) 进行压缩编码,记为T2(m2),其中m1是压缩前的一段信号长度,m2是压缩后的一段信号长度,m2 ≤ m1 ;如该时间窗无其它自主心律波形,则将该时间窗内非表征波形(B) 标为NON ;
步骤四,对表征波形(A) 进行压缩感知,即进行稀疏分解和测量矩阵观测投影;其中,稀疏分解基函数的选择采用Daubechies 小波的db6 构成初始基函数;以随机高斯分布函数为测量矩阵的初始系数,再根据稀疏分解的程度、重构的精度以及表征波形(A) 的个性化时延,即起搏波形(b) 时延、自主心律QRS 波(c) 时延来进一步确定适合每个用户的个性化起搏表征信号的稀疏分解基函数和测量矩阵,实现表征波形(A) 的稀疏压缩;在建立好个性化的起搏稀疏分解基函数和测量矩阵后,再将基函数系数、测量矩阵进行整数化或者整数化趋同处理,其运算过程为: X=Ψα,其中X 为x(n) 的矩阵表示;Ψ 为x(n) 的稀疏分解小波基函数维;α 为X 在Ψ 上的投影,为K 稀疏的;将稀疏分解的值再在测量矩阵上进行投影观测;测量矩阵Φ 为m×n 维,其中K<m<<n,测量值Y=Φα=ΦΨTX 即为x(n) 经过压缩感知后的观测数据,记为y(m),m为压缩感知后的观测数据长度 ;
步骤五,将测量矩阵投影观测值y(m) 再进行Huffman 编码,记其压缩后的数据为y1(l),数据长度l,l ≤ m ;在y1(l) 前增加表征波形(A) 的类别、时间段标识T2+T4 ;
步骤六,以同一时间窗为单位,将该时间内的表征波形(A) 和非表征波形(B) 的压缩数据按照时间标记、类别标记进行数据封包,实现同一时间窗内不同压缩变换域下数据的非平衡协同压缩与封包;该经协同压缩与封包后的数据包能通过无线或有线方式发送至数据重构端,重构端可以是云计算平台、服务器、工作站或者个人计算机;
起搏心电信号压缩数据的非平衡协同重构流程为:
步骤一:将数据包解包后,以相同的时间窗为单位,提取出压缩后的非表征波形(B) 数据T2(m2);T2(m2)为上述起搏心电信号的非平衡协同数据压缩流程步骤三中经Huffman编码压缩后的数据;如数据T2(m2)标识不为NON,则进行步骤二;否则,直接进入步骤四,在这种情形下,原时间窗内的信号全都标记为表征波形(A) ;
步骤二:对压缩后的T2(m2) 进行Huffman 解码,进行非表征波形(B) 的下采样频率重构;
步骤三:对经过步骤二处理的非表征波形(B) 的Huffman 解码数据,采用三次样条插值进行5 倍上采样,实现时间窗内非表征波形(B) 的原始信号采样频率数据重构;
步骤四:以时间窗为单位,将数据包解包后,提取出表征波形(A) 的压缩数据y1(l),如该数据标识不为NON,则进入步骤五;否则,直接进入步骤七,在这种情形下,时间窗内的信号全都标记为非表征波形(B) ;
步骤五:对解包后的表征波形(A) 的压缩数据y1(l) 进行Huffman 解码,实现表征波形(A) 的压缩数据y(m) 的无损重构;其中y1(l)为测量矩阵投影观测值y(m) 进行Huffman 压缩后的数据;
步骤六:对y(m) 再进行压缩感知反变换,实现表征波形(A) 的重构;根据同一时间窗表征波形(A) 进行压缩感知的基函数和测量矩阵投影观值,利用最小l1 范数求解表征波形(A) 的重构;具体过程为:已知y(m)、Φ,重构x(n) ;鉴于m<<n,而x(n) 又是K 稀疏的,因此可以通过求解下式来实现表征波形(A) 信号的近似重构:min||X||1s.t||ΦΨTX-Y||2 ≤ ε ;经过重构的表征波形数据为x'(n) ;其中X=Ψα,X 为x(n) 的矩阵表示;Ψ 为x(n) 的稀疏分解小波基函数维;α 为X 在Ψ 上的投影,为K 稀疏的;测量矩阵Φ 为m×n 维,测量值Y=Φα=ΦΨTX 即为x(n) 经过压缩感知后的观测数据;
步骤七:以相同时间窗为基本单位,对非表征波形(B) 和表征波形(A) 进行协同重构:在该时间窗内,将步骤三重构的数据中表征波形(A) 时间段内的数据幅值置0 ;将该时间窗内的经过重构的表征波形x'(n),按照其时间标识与类别标识,填入非表征波形(B) 重构后幅度置0 的对应时间段位置,实现该时间窗内的起搏心电信号表征波形(A) 与非表征波形(B) 的协同完整重构;
如果压缩数据包内无表征波形(A),则经过步骤三的数据就是该时间窗最后重构的数据;如果压缩数据包内无非表征波形(B),则经过步骤六的重构数据就是该时间窗最终重构的数据。
2.如权利要求1 所述的起搏心电信号的非平衡深度压缩方法,其特征在于:起搏心电信号的快速内容感知,是指:对于每一时间窗内的起搏心电信号进行5 倍下采样,利用差分阈值法对该时间窗内信号进行快速波形检测,检测出起搏脉冲(a)、起搏波形(b)、自主心律QRS 波形(c) ;将起搏脉冲(a)、起搏波形(b)、自主心律QRS 波形(c) 的波群标记为表征波形(A),该时间窗内的其它波形则标记为非表征波形(B) ;再根据原始信号与下采样信号的5 倍频率关系,在原始波形中对相应的表征波形(A) 进行时段和类别标识,实现起搏心电信号的内容感知。
3.如权利要求1 所述的起搏心电信号的非平衡深度压缩方法,其特征在于:表征波形(A) 与非表征波形(B) 的非平衡协同数据压缩,是指在时间窗内对于表征波形(A) 进行稀疏分解和测量矩阵观测投影后,再进行Huffman 编码;在同一时间窗内对非表征波形(B) 进行5 倍下采样后,再进行Huffman 编码。
4.如权利要求3 所述的起搏心电信号的非平衡深度压缩方法,其特征在于:表征波形(A) 稀疏分解用Daubechies 小波的db6 构成初始基函数;用随机高斯矩阵构成起搏心电信号表征波形(A) 压缩感知的测量矩阵初始值,同时以非相干性、等距约束性为基本准则设计相应的测量矩阵,再根据重构精度对测量矩阵进行优化设计。
5.如权利要求3 所述的起搏心电信号的非平衡深度压缩方法,其特征在于:非表征波形(B) 的压缩是以时间窗为单位进行下采样后,将该时间窗内所有表征波形(A) 的幅度置0 后,非表征波形(B) 连同该时间窗内幅度置0 的表征波形(A) 整体进行下一步的Huffman编码压缩。
6.如权利要求1 所述的起搏心电信号的非平衡深度压缩方法,其特征在于:起搏心电数据协同压缩封包,具体为:数据包以时间窗为基本单位,其组成顺序从左至右为:数据包开始标识、时间窗标识、非表征波形压缩数据、表征波形类别标识、表征波形时间标识、表征波形压缩数据、数据包结束标识。
7.如权利要求1 所述的起搏心电信号的非平衡深度压缩方法,其特征在于:表征波形(A) 与非表征波形(B) 压缩数据的非平衡协同重构,是指:非表征波形(B) 和表征波形(A)的压缩数据先分别按照各自的重构方法进行非平衡重构,即对压缩后的非表征波形(B) 数据首先进行Huffman 解码,再利用三次样条插值进行5 倍上采样,实现非表征波形(B) 的采样频率重构;对压缩后的表征波形(A) 数据进行Huffman 解码后,利用测量矩阵Φ 和稀疏分解矩阵Ψ,通过求解最小l1 范数来实现表征波形(A) 压缩数据的重构;然后,以同一时间窗为单位,将非表征波形(B) 数据重构后该时间窗内表征波形(A) 时间段内的信号幅度置零;同时,根据表征波形(A) 的时间标识和类别标识,再将该时间窗内表征波形(A) 重构数据对应填补在相应的时间段,实现同一数据包、相同时间窗内的不同压缩策略数据的协同重构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310388356.2A CN103431855B (zh) | 2013-08-30 | 2013-08-30 | 起搏心电信号的非平衡深度压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310388356.2A CN103431855B (zh) | 2013-08-30 | 2013-08-30 | 起搏心电信号的非平衡深度压缩方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103431855A CN103431855A (zh) | 2013-12-11 |
CN103431855B true CN103431855B (zh) | 2015-07-22 |
Family
ID=49685650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310388356.2A Expired - Fee Related CN103431855B (zh) | 2013-08-30 | 2013-08-30 | 起搏心电信号的非平衡深度压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103431855B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103815895A (zh) * | 2014-01-05 | 2014-05-28 | 深圳市中瑞奇电子科技有限公司 | 一种心电信号数据压缩和解码的方法 |
CN107847174B (zh) * | 2015-10-08 | 2022-06-24 | 深圳迈瑞生物医疗电子股份有限公司 | 起搏信号处理方法、系统和心电监护仪 |
KR101930337B1 (ko) * | 2015-12-07 | 2018-12-19 | 삼성전자 주식회사 | 전자기기 및 그 제어방법 |
CN106788885B (zh) * | 2016-12-07 | 2021-01-01 | 上海交通大学 | 一种心电信号压缩率自适应调节无线传输系统和传输方法 |
CN107689798B (zh) * | 2017-09-18 | 2022-11-18 | 山东正心医疗科技有限公司 | 一种适用于低功耗系统的快速实时心电数据压缩算法 |
CN107582046B (zh) * | 2017-09-18 | 2022-03-01 | 山东正心医疗科技有限公司 | 心电实时监护方法 |
CN107749758A (zh) * | 2017-10-30 | 2018-03-02 | 成都心吉康科技有限公司 | 实时生理数据无损压缩、解压缩的方法、装置和系统 |
CN108852340B (zh) * | 2018-05-17 | 2021-09-03 | 广东工业大学 | 一种心电采集系统、装置及计算机可读存储介质 |
CN109171701B (zh) * | 2018-07-05 | 2023-02-03 | 北京谷山丰生物医学技术有限公司 | 提高心电采集系统频率响应的方法及装置 |
CN109259756B (zh) * | 2018-09-04 | 2020-12-18 | 周军 | 基于非平衡训练的二级神经网络的ecg信号处理方法 |
CN109199374A (zh) * | 2018-10-15 | 2019-01-15 | 烟台羿中医疗科技有限公司 | 一种多导联心电数据记录装置及方法 |
CN109480826B (zh) * | 2018-12-14 | 2021-07-13 | 东软集团股份有限公司 | 一种心电信号处理方法、装置及设备 |
CN113855040B (zh) * | 2021-11-09 | 2023-04-14 | 郑州大学第一附属医院 | 一种嵌入式儿童心电监护设备及系统 |
CN115670418B (zh) * | 2023-01-03 | 2023-03-21 | 深圳市研强物联技术有限公司 | 一种基于智能手表用户信息的数据存储方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6339720B1 (en) * | 1999-09-20 | 2002-01-15 | Fernando Anzellini | Early warning apparatus for acute Myocardial Infarction in the first six hours of pain |
CN101243972A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 用于心电信号qrs波检测的对数域模拟小波变换电路 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10148076A1 (de) * | 2000-10-06 | 2002-07-04 | Ge Med Sys Information Tech | Physiologiedaten-Interpretationssystem |
AU2003281207A1 (en) * | 2002-07-04 | 2004-01-23 | Dainippon Pharmaceutical Co., Ltd. | Electrocardiogram analysis device and method thereof |
-
2013
- 2013-08-30 CN CN201310388356.2A patent/CN103431855B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6339720B1 (en) * | 1999-09-20 | 2002-01-15 | Fernando Anzellini | Early warning apparatus for acute Myocardial Infarction in the first six hours of pain |
CN101243972A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 用于心电信号qrs波检测的对数域模拟小波变换电路 |
Non-Patent Citations (2)
Title |
---|
《基于小波变换和矢量量化的二维ECG数据压缩算法》;王兴元,孟娟;《中国生物医学工程学报》;20070630;第26卷(第3期);336-341 * |
《移动心电监护系统ECG信号的智能检测与分析方法研究》;朱凌云;《重庆大学博士学位论文》;20040405;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103431855A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103431855B (zh) | 起搏心电信号的非平衡深度压缩方法 | |
CN102165698B (zh) | 用于光电容积描记器(ppg)数据的欠采样获取和传输及在接收机处的全频带ppg数据的重建的方法和装置 | |
KR101528541B1 (ko) | 신호들의 저 복잡도 압축을 위한 방법 및 장치 | |
Wu et al. | Data compression by temporal and spatial correlations in a body-area sensor network: A case study in pilates motion recognition | |
US20130317377A1 (en) | Generative Model-Driven Resource-Efficient Monitoring in Body Sensor Networks | |
CN109962742A (zh) | 便携式遥测数据监测平台及监测方法 | |
CN105476624A (zh) | 心电信号压缩传输方法及其心电监护系统 | |
Azar et al. | On the performance of resource-aware compression techniques for vital signs data in wireless body sensor networks | |
Gupta et al. | Wireless electrocardiogram transmission in ISM band: an approach towards telecardiology | |
Abo-Zahhad et al. | Compression of ECG signals based on DWT and exploiting the correlation between ECG signal samples | |
CN104159108B (zh) | 基于自适应预测和改进变长编码的心电信号实时无损压缩方法及装置 | |
CN103815895A (zh) | 一种心电信号数据压缩和解码的方法 | |
Raju et al. | Compression of wearable body sensor network data using improved two-threshold-two-divisor data chunking algorithms | |
CN116170027A (zh) | 一种毒检设备数据管理系统及处理方法 | |
Zou et al. | Multi-physiological parameters integrated medical system for home healthcare application | |
CN104579361A (zh) | 一种低功耗无线体域网的多源生理信号混合压缩方法 | |
US20220061771A1 (en) | Method and apparatus for processing physiological signals and non-transitory computer-readable medium | |
Al-Busaidi et al. | Real-time DWT-based compression for wearable Electrocardiogram monitoring system | |
Qiao et al. | JSM-2 based joint ECG compressed sensing with partially known support establishment | |
CN104739509B (zh) | 一种生理信号压缩方法、系统及医疗设备 | |
CN205215203U (zh) | 一种运用于医疗监护的便捷式无线医疗检测系统 | |
Roy et al. | Smart healthcare model with fog-cloud network architecture | |
Srivastava et al. | Design and analysis of digital compressed ecg sensing encoder for iot health monitoring devices | |
Ota et al. | Real-time and memory-efficient arrhythmia detection in ECG monitors using antidictionary coding | |
Patwari et al. | Analysis of ECG signal compression technique using discrete wavelet transform for different wavelets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150722 Termination date: 20180830 |
|
CF01 | Termination of patent right due to non-payment of annual fee |