CN105520737A - 基于体震信号的呼吸率实时提取方法 - Google Patents

Abstract

本发明提供一种基于体震信号的呼吸率实时提取方法，包括步骤：1）通过低通滤波器去掉体震信号的高频的心冲击信号及噪声干扰，降低抽样频率，提取呼吸波；2）使用K均值分类将呼吸波转换成数据链；3）对数据链进行局部匹配以确认周期特性；4）根据周期特性对偶尔出现的无效呼吸波进行补偿算法，获得呼吸率。本发明所述的提取方法不受体震信号的一个周期内出现多个波峰点或缺少波峰点的影响，可用于对保持坐姿、躺姿的受试者采集其躯体的微变信号，实时而可靠地计算出受试者的呼吸波。

Description

基于体震信号的呼吸率实时提取方法

技术领域

本发明属于呼吸测量技术领域，涉及一种呼吸波提取方法，特别是涉及一种基于体震信号的呼吸率实时提取方法。

背景技术

呼吸波(respiratorywave，简称RW)是生命体征的重要评定方式之一，也是睡眠监测的重要内容,目前获取呼吸波的方法主要有热敏传感器和胸阻抗检测法等,操作繁琐，检测不便。

体震信号含有心冲击力传导至体表的振动成分、呼吸通过胸腔容积变化产生的振动作用、人体本身的活动以及外界环境所产生的影响。微动传感器当被测人有呼吸运动时就可以感知到并转化为电信号，这种体震信号微弱且易受干扰，但可以在脊椎轴上通过一些敏感的力传感器测量出来。

使用微动传感器采集人体的体震信号，可以直接接触人体，也可以不接触，通过与人体接触的硬质固体来采集，比如传感器安置在椅子腿下，或者床脚下，在不干扰人体的情况下进行采集。该种信号的选取方式虽然最方便于被测人的生活。提取体震信号中所含的呼吸波，大大降低仪器成本，增加检测舒适度。

体震信号滤波得到的呼吸波。当体动发生、幅度大幅度变异甚至饱和时，呼吸波不可避免地会受到影响，表现为形状明显变化以及幅度超常。这时呼吸波的明显变化并不一定对应睡眠呼吸事件的发生。尤其是当显著体动发生时，它对呼吸波产生的影响对于判别呼吸事件而言没有意义，甚至产生很多误判的情况。因此，将此时的呼吸波定义为无效呼吸波。

因此，提供一种可以有效提取有效呼吸波的方法实属必要。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于体震信号的呼吸率实时提取方法，用于解决现有技术中体震信号的一个周期内出现多个波峰点或缺少波峰点导致呼吸波提取误差大的问题。

为实现上述目的及其他相关目的，本发明提供一种基于体震信号的呼吸率实时提取方法，包括步骤：

1)通过低通滤波器去掉体震信号的高频的心冲击信号及噪声干扰，降低抽样频率，提取呼吸波；

2)使用K均值分类将呼吸波转换成数据链；

3)对数据链进行局部匹配以确认周期特性；

4)根据周期特性对偶尔出现的无效呼吸波进行补偿算法，获得呼吸率。

作为本发明的基于体震信号的呼吸率实时提取方法的一种优选方案，所述低通滤波器包括通过频率为0.1～1Hz的带通滤波器。

作为本发明的基于体震信号的呼吸率实时提取方法的一种优选方案，步骤3)中，根据数据链特性找出各个极大值，再根据模极大值为依据来进行数据链的局部匹配，以模糊模式识别的方式以确认周期特性。

作为本发明的基于体震信号的呼吸率实时提取方法的一种优选方案，所述模糊模式识别的方式为无监督分类的模糊模式识别的方式。

作为本发明的基于体震信号的呼吸率实时提取方法的一种优选方案，步骤4)中，采用动态匹配算法对波形周期进行识别，并根据所得的周期获得呼吸率。

如上所述，本发明提供一种基于体震信号的呼吸率实时提取方法，包括步骤：1)通过低通滤波器去掉体震信号的高频的心冲击信号及噪声干扰，降低抽样频率，提取呼吸波；2)使用K均值分类将呼吸波转换成数据链；3)对数据链进行局部匹配以确认周期特性；4)根据周期特性对偶尔出现的无效呼吸波进行补偿算法，获得呼吸率。本发明所述的提取方法不受体震信号的一个周期内出现多个波峰点或缺少波峰点的影响，可用于对保持坐姿、躺姿的受试者采集其躯体的微变信号，实时而可靠地计算出受试者的呼吸波。

附图说明

图1显示为本发明的基于体震信号的呼吸率实时提取方法的步骤流程示意图。

图2显示为普通情况下的体震信号的经过多重算法处理后的呼吸波形示意图。

图3显示为有异动情况下的体震信号的经过多重算法处理后，并做了补偿的呼吸波形示意图。

元件标号说明

S11～S14步骤1)～步骤4)

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1～图3。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本实施例提供一种基于体震信号的呼吸率实时提取方法，包括步骤：

步骤1)S11，通过低通滤波器去掉体震信号的高频的心冲击信号及噪声干扰，降低抽样频率，提取呼吸波；

步骤2)S12，使用K均值分类将呼吸波转换成数据链；

步骤3)S13，对数据链进行局部匹配以确认周期特性；

步骤4)S14，根据周期特性对偶尔出现的无效呼吸波进行补偿算法，获得呼吸率。

作为示例，所述低通滤波器包括通过频率为0.1～1Hz的带通滤波器。

作为示例，步骤3)中，根据数据链特性找出各个极大值，再根据模极大值为依据来进行数据链的局部匹配，以模糊模式识别的方式以确认周期特性。进一步地，所述模糊模式识别的方式为无监督分类的模糊模式识别的方式。

作为示例，步骤4)中，采用动态匹配算法对波形周期进行识别，并根据所得的周期获得呼吸率。

本实施例的基于体震信号的呼吸率实时提取方法的具体实现过程如下：

原始数据经过0.1～1Hz带通滤波器进行滤波，降低抽样频率，提取呼吸波后，先通过K均值分类将一维数组演化成数据链，然后根据数据链特性找出各个极大值，再根据模极大值为依据来进行数据链的局部匹配，以模糊模式识别的方式确认周期特性。一般来说，模糊模式识别分为有监督分类和无监督分类两种，差别在于实验样本所属的类别是否预先已知，故而，本实施例采用的是无监督分类。具体步骤如下：

1)计算滤波后一位数组的向后差分，设数组为z(n)，按下式计算：

Δ(t)＝z(t)-z(t-1)(1)

2)用K均值聚类算法把所有的向后差分按其绝对值分类，在精度要求不高的情况下，只需少数基元，在本实施例中，基元的使用数量为7个，其中一个聚类中心规定为0。凡是属于这个聚类的所有Δ(t)，不论其为正负，都用同一基元表示。属于替他类的Δ(t)，根据其数值是正还是负，分别用两个基元表示。因此当基元数c＝2时，就有三个基元组成的链表示原始的向后差分序列。在给定原始信号z(0)的数值后，可以从这个标识中计算相应的波形值：

z(1)＝z(0)+g(1)

……

z(t)＝z(t-1)+g(t)(2)

其中，式中g(t)是考虑正负号后t点基元所对应的聚类中心值，然后进行如下操作：

a)找出z(n)所有过零点位置；

b)对链表示中的某些基元进行调整以保持原始波形过零点位置不变。

由于波形的过零点位置提供了重要信息，而中用几个带正负号的聚类中心值代替原来各不相同的Δ(t)，显然会改变原来的过零点位置。因此要适当调整表示Δ(t)的原来的基元符号，以保持原有过零点位置不变。这就要是相继两个原始波形过零点间，对应同一聚类中心值但正负符号不同的基元数相等，可以用下述方法调整。

假定有五个基元a、b、c、d和h，且g(a)＝-g(b)，g(c)＝-g(d)，g(h)＝0

设g(a)＞g(c)。若在相继两个原始波形过零点i₁和i₂间，基元a的数量N_a大于基元b的数量N_b，则对每个基元(t_i)＝a，i₁＜i＜i₂，计算

|Δ(t₁)-g(c)|

和对每个基元(t₁)＝d，i₁＜j＜i₂，计算

|Δ(t₁)-g(b)|

若 $\underset{i}{\min }|\mathrm{\&Delta;}\left(t_i\right)-g\left(c\right)|<\underset{j}{\min }|\mathrm{\&Delta;}\left(t_j\right)-g\left(b\right)|,$

则把有最小|Δ(t₁)-g(c)|值的t_i的基元从a调整为c；反之，则把有最小|Δ(t₁)-g(b)|的t_i的基元从d调整为b。经过这样的调整后，N_a和N_b的差就减少了。重复上述过程，直到i₁和i₂间的a和b的基元数相等，然后用类似方法处理基元c和基元d。设此时c的基元数多于d的基元数。根据误差最小原则，可以把某个t_i的基元从c调整为h，或者把原来Δ(t₁)为负的某个h基元调整为d。重复这个过程，直到c基元数和d基元数相等。容易看到这样的调整后，当用(2)式计算波形后，其过零点位置和原来是一样的。这也就是为什么我们在聚类时把一个聚类中心值固定为0，切基元数总是奇数的原因。在对所有相机两个原始波形过零点间的基元进行调整后，就得到保持过零点位置不变的链表示。此外由于这种调试不会发生在正负符号的基元间，所以峰值位置最多只肯能从一个点扩展到一个小范围。由于基元所对应的聚类中心值是原来Δ(t)的某种程度的平均，所以在期望的意义上，峰点的数值误差是不大的。

用少数基元组成链来表示数字波形，降低了数据运算量和存储量，同时保留了原始波形的大部分信息，不以波形的完全恢复为主要目的，而是在保持大部分频率信息一级局部峰点位置和峰值信息条件下，用尽可能少的基元组成的链对离散时间信号进行描述，从而在统计的意义上能够方便的估计导出某类链表示的产生规律的代换概率，以实现最大似然分类。

在得到链表示以后，还可以用动态匹配算法对波形周期进行识别，并将所得的周期折合成每分钟个数即呼吸率。

请参阅图2及图3，其中，图2显示为普通情况下的体震信号的经过实施例的多重算法处理后的呼吸波形示意图；图3显示为有异动情况下的体震信号的经过本实施例的多重算法处理后，并做了补偿的呼吸波形示意图。由图2及图3可以看出，本发明所述的提取方法不受体震信号的一个周期内出现多个波峰点或缺少波峰点的影响，可用于对保持坐姿、躺姿的受试者采集其躯体的微变信号，实时而可靠地计算出受试者的呼吸波。

如上所述，本发明提供一种基于体震信号的呼吸率实时提取方法，包括步骤：1)通过低通滤波器去掉体震信号的高频的心冲击信号及噪声干扰，降低抽样频率，提取呼吸波；2)使用K均值分类将呼吸波转换成数据链；3)对数据链进行局部匹配以确认周期特性；4)根据周期特性对偶尔出现的无效呼吸波进行补偿算法，获得呼吸率。本发明所述的提取方法不受体震信号的一个周期内出现多个波峰点或缺少波峰点的影响，可用于对保持坐姿、躺姿的受试者采集其躯体的微变信号，实时而可靠地计算出受试者的呼吸波。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种基于体震信号的呼吸率实时提取方法，其特征在于，包括步骤：

1)通过低通滤波器去掉体震信号的高频的心冲击信号及噪声干扰，降低抽样频率，提取呼吸波；

2)使用K均值分类将呼吸波转换成数据链；

3)对数据链进行局部匹配以确认周期特性；

4)根据周期特性对偶尔出现的无效呼吸波进行补偿算法，获得呼吸率。

2.根据权利要求1所述的基于体震信号的呼吸率实时提取方法，其特征在于：所述低通滤波器包括通过频率为0.1～1Hz的带通滤波器。

3.根据权利要求1所述的基于体震信号的呼吸率实时提取方法，其特征在于：步骤3)中，根据数据链特性找出各个极大值，再根据模极大值为依据来进行数据链的局部匹配，以模糊模式识别的方式以确认周期特性。

4.根据权利要求3所述的基于体震信号的呼吸率实时提取方法，其特征在于：所述模糊模式识别的方式为无监督分类的模糊模式识别的方式。

5.根据权利要求1所述的基于体震信号的呼吸率实时提取方法，其特征在于：步骤4)中，采用动态匹配算法对波形周期进行识别，并根据所得的周期获得呼吸率。