CN106388825A - 一种呼吸率提取方法及装置 - Google Patents
一种呼吸率提取方法及装置 Download PDFInfo
- Publication number
- CN106388825A CN106388825A CN201610899934.2A CN201610899934A CN106388825A CN 106388825 A CN106388825 A CN 106388825A CN 201610899934 A CN201610899934 A CN 201610899934A CN 106388825 A CN106388825 A CN 106388825A
- Authority
- CN
- China
- Prior art keywords
- breathing rate
- weight factor
- breath signal
- electrocardiosignal
- principal component
- 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.)
- Granted
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 158
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 53
- 239000000470 constituent Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000000241 respiratory effect Effects 0.000 abstract description 9
- 230000036387 respiratory rate Effects 0.000 abstract 2
- 238000001514 detection method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000004218 nerve net Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000718 qrs complex Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000004202 respiratory function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001034 respiratory center Anatomy 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种呼吸率提取方法，所述方法包括：获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。本发明还公开了一种呼吸率提取装置，能够快速有效地从心电信号中提取呼吸信号，从而计算得到准确稳定的呼吸率。
Description
技术领域
本发明涉及呼吸检测领域，尤其涉及一种呼吸率提取方法及装置。
背景技术
呼吸是人体重要的生理过程，对人体呼吸的监护检测也是现代医学监护技术的一个重要组成部分。患者不论是呼吸系统本身的病变或是其他重要脏器的病变发展到一定程度都会影响呼吸中枢。多脏器系统功能衰竭往往累及呼吸功能的衰竭，呼吸功能的衰竭又导致其他脏器功能的衰竭，互为因果。
现有技术对呼吸运动主要使用下列方法检测：阻抗容积法：用高频恒流源测量胸部阻抗的变化来提取呼吸信息；传感器法：使用温度、压力、湿度和气流传感器作为鼻孔传感器；电容法：当呼吸时导致电容值产生相应的变化；呼吸音法：通过拾取呼吸音识别呼吸；超声法：利用超声波产生多谱勒现象，检测出呼吸频率。使用这些方法不但需要增加信号采集部件，而且受到运动和环境的影晌，不适合用于日常监护。
大量临床资料显示，呼吸运动会引起心电图的变化。通过心电图，我们可以观察到在呼吸周期内由胸部运动和心脏位置变化所引起的心电波形峰峰值的改变。这是由于呼吸周期内,描述心脏电波主要传播方向的心脏电轴旋转造成QRS波群形态发生了变化。QRS波是指正常心电图中幅度最大的波群，反映心室除极的全过程。正常心室除极始于室间隔中部，自左向右方向除极，故QRS波群先呈现一个小向下的q波。正常胸导联QRS波群形态较恒定。从心电信号中提取呼吸信号(ECG-DerivedRespiration,EDR)是一种呼吸信号检测技术，这种技术不需要专用传感器和硬件模块检测呼吸信号，只需要用心电监护仪获取心电信号，避免了上述两种检测方法对人体的束缚，使动态呼吸检测成为可能。
但现有从心电信号中提取呼吸信号的技术，在计算时主要采用波形法，该方法通过一段时间内波形的平均值(即基线值)，来判定当前呼吸波处于上升或下降趋势，用极值的方法求得波形的波峰、波谷。根据一定的阈值条件来判定有效的波峰或波谷，再根据有效波峰或波谷的周期计算波形周期，从而得到呼吸率。这种算法虽然具有比较直观、运算量小的优点，但在实际过程中获取的呼吸波形或多或少会受到心电活动的影响，当波形出现基线漂移时，计算的基线值无法很快更新，会导致波形漏检致使呼吸率值偏低，其结果会有较大偏差。
人工神经网络(Artifical Neural Network,ANN)是由大量简单的处理单元(神经元)相互连接而构成的网络系统，是一个高度复杂的非线性动力学系统。人工神经网络具有自学习、自适应及鲁棒性强的特点，近年来在信号检测研究中得到广泛地关注。
利用神经网络模型进行信号检测和提取前先需根据输入样本及目标样本进行训练。对于心电信号，可将多导联心电信号作为输入样本，但是标准的多导联心电信号为12导联，在分别计算每个导联的RR间期和R峰幅值后，需要输入到神经网络的特征值达到24个，且各导联之间互相关联，因此输入样本的维度较大且含有线性相关的输入项，导致神经网络模型的训练效率和训练效果不佳，进而影响信号提取的准确度及检测的呼吸率的精确度。
发明内容
针对上述问题，本发明的目的在于提供一种呼吸率提取方法及装置，可提高神经网络的训练效率及训练效果，从而提高信号提取的速度和准确度，以保证计算得到的呼吸率具有较高的精确度。
本发明提供了一种呼吸率提取方法，包括：
获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；
通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。
优选地，在所述通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率之前，还包括：
接收多导联心电信号，分别计算每个导联心电信号的RR间期和R峰幅值，得到输入样本空间，其中，所述输入样本空间的维度为2p，p为多导联心电信号的导联数；
基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行降维处理，得到主成分得分矩阵；
以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练，获得神经网络模型。
优选地，所述基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行降维处理，得到主成分得分矩阵，具体包括：
对所述输入样本空间进行数据标准化处理；
根据数据标准化处理后的所述输入样本空间得到协方差矩阵；
计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为2p个，且所述的2p个特征根按照大小排序；
获取所述的2p个特征根中，贡献率之和大于预定阈值的前m个特征根；其中，每个特征根的贡献率等于所述特征根的值除以全部的2p个特征根的值之和；
根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。
优选地，还包括：
通过构建好的自回归模型对所述待处理心电信号进行提取，得到第二呼吸信号，并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率；
基于信号质量指数，对所述第一呼吸信号和所述第二呼吸信号进行分析，得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子；
根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率。
优选地，所述根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率具体为：
当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时，将所述第一呼吸率设置为当前时刻的呼吸率；
当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时，将所述第二呼吸率设置为当前时刻的呼吸率；
当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和，计算得到当前时刻的呼吸率。
本发明还提供一种呼吸率提取装置，包括:
工频陷波单元，用于获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；
神经网络提取单元，用于通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。
优选地，还包括：
输入样本空间获取单元，用于接收多导联心电信号，分别计算每个导联心电信号的RR间期和R峰幅值，得到输入样本空间，其中，所述输入样本空间的维度为2p，p为多导联心电信号的导联数；
主成分分析单元，用于基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行降维处理，得到主成分得分矩阵；
神经网络训练单元，用于以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练，获得神经网络模型。
优选地，所述主成分分析单元具体包括：
标准化处理模块，用于对所述输入样本空间数据标准化处理；
协方差矩阵计算模块，用于根据数据标准化处理后的所述输入样本空间得到协方差矩阵；
特征计算模块，用于计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为2p个，且所述的2p个特征根按照大小排序；
筛选模块，用于获取所述的2p个特征根中，贡献率之和大于预定阈值的前m个特征根；其中，每个特征根的贡献率等于所述特征根的值除以全部的2p个特征根的值之和；
得分矩阵获取模块，用于根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。
优选地，还包括：
自回归提取单元，用于通过构建好的自回归模型对所述待处理心电信号进行提取，得到第二呼吸信号，并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率；
信号质量分析单元，用于基于信号质量指数，对所述第一呼吸信号和所述第二呼吸信号进行分析，得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子；
呼吸率计算单元，用于根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率。
优选地，所述呼吸率计算单元具体包括：
第一判断模块，用于当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时，将所述第一呼吸率设置为当前时刻的呼吸率；
第二判断模块，用于当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时，将所述第二呼吸率设置为当前时刻的呼吸率；
第三判断模块，用于当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和，计算得到当前时刻的呼吸率。
本发明提供的呼吸率提取方法及装置，利用主成分分析法对采集的多导联心电信号进行降维和去相关处理，得到用于训练的输入样本，并以此输入样本进行训练，得到用于信号提取的神经网络模型，并以此神经网络模型对心电信号中的呼吸信号进行提取，保证信号提取的速度及准确度，进而保证计算得到的呼吸率的精度。此外，由于神经网络的非线性，极大得提高映射与实际值的逼近程度，使得测量结果更准确可靠。
附图说明
图1是本发明实施例提供的一种呼吸率提取方法的流程图；
图2是本发明实施例提供的原始心电信号的波形图；
图3是本发明实施例提供的工频陷波后的待处理心电信号的波形图；
图4是本发明实施例提供的通过神经网络模型提取得到的第一呼吸信号的波形图；
图5是本发明实施例提供的通过自回归模型提取得到的第二呼吸信号的波形图。
图6是本发明实施例提供的呼吸率提取装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种呼吸率提取方法，用于从心电信号中提取出呼吸信息，由于呼吸作用引起的心电图中的基线漂移，把呼吸信息看作是心电信号的低频成分，通过去除呼吸频率以外的信号，从而得到所需提取的呼吸信息。
参见图1，为本发明实施例提供的一种呼吸率提取方法，包括如下步骤：
S1，获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号。
参见图2，为根据本发明实施例的原始心电信号的波形图。所述原始心电信号包含大量的工频干扰，需要进行50Hz工频陷波，以滤除工频干扰，参见图3，为根据本发明实施例的工频陷波后心电信号图。
S2，通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。
在本发明实施例中，在利用神经网络模型对所述待处理心电信号进行呼吸信号提取时，需先通过训练得到可以用于提取呼吸信号的神经网络模型。
具体地，在本发明实施例中，可通过如下方法来进行神经网络模型的计算：
S3，接收多导联心电信号，分别计算每个导联心电信号的RR间期和R峰幅值，得到输入样本空间，其中，所述输入样本空间的维度为p，p/2为多导联心电信号的导联数。
在本发明实施例中，输入样本空间X＝[x1，x2，...，xn]表示m*n维向量，其中x1表示长度为m的列向量，通过计算1导联的RR间期，得到x1，计算1导联的R峰幅值，得到x2，计算2导联的RR间期，得到x3；计算2导联的R峰幅值，得到x4；...以此类推得到。
S4，基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理，得到主成分得分矩阵。
在本发明实施例中，考虑到标准的多导联心电信号为12导联，分别计算每个导联的RR间期和R峰幅值后，需要输入到神经网络的特征值达到24个，且各导联之间互相关联，导致输入样本的维度较大且含有线性相关的输入项，不利于计算分析，为此需要利用主成分分析法对其进行降维。
具体地，步骤S4可包括：
S41，对所述输入样本空间进行数据标准化处理。
具体地，
其中：
其中，X’ij是标准化后的新数据；Mj、Sj分别表示原始数据某一列的算术平均值和标准(偏)差。
S42，根据数据标准化处理后的所述输入样本空间得到协方差矩阵。
其中，协方差矩阵D＝XTX，即：
其中：
S43，计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为p个，且所述的p个特征根按照大小排序。
其中，DP＝Pλ (6)
当只考虑第j个特征值时，有DPj＝Pjλj，即求解|D-λjI|＝0。依次解出各个λ，并使其按大小顺序排列，即λ1≥λ2≥…,≥λp≥0；然后可求出各特征值对应的特征向量P，进而特征方程求解完成。
S44，获取所述的p个特征根中，贡献率之和大于预定阈值的前m个特征根；其中，每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和。
首先，计算单个主成分的贡献率并进行累计，根据累计贡献率确定主成分的个数m，从而确定所需要选取的主成分。贡献率的计算公式如公式(7)所述。累计贡献率即前m个贡献率的累积和，如公式(8)所示。所述阈值Dmax一般取在85％～95％之间。根据上一步骤中的特征根排序可知，λ1≥λ2≥…,≥λp≥0，从前往后(也是从大到小)依次对特征根进行累加，当累计贡献率大于Dmax时，停止计算，此时累计计算的特征根λ的数目为m，则只需要选取前m个主成分即可。
S45，根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。
其中，所述主成分得分矩阵
需要说明的是，在本发明实施例中，还可计算主成分的载荷，其中，所述主成分载荷主要反映主成分得分与原变量xj的关联程度，计算公式为
得到各主成分的载荷以后，就可以知道选取的每一个主成分分别对应的原始特征，如有需要，可以根据原始特征的量纲转换回去。
S5，以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练，获得神经网络模型。
在本发明实施例中，在得到主成分得分矩阵T和通过阻抗法同步采集得到的目标呼吸信号Y，就可以进行神经网络的训练，具体地：
神经网络模型由输入层(特征)、隐层、输出层组成。其中，每层都对应一个相应的函数。在训练时，将所述主成分特征矩阵T输入到输入层，将通过阻抗法同步采集得到的目标呼吸信号输入到输出层(如输出层采用softmax函数)，即可用得到隐含层的参数(如sigmod函数的参数)。其中，神经网络模型的参数，包括权重，偏置等。
在本发明实施例中，神经网络模型的隐层可为1个(可取其他值，当前情况下，1个已能够满足要求)，隐层节点数为K个，学习速率为μ，通常将学习速率选在0.02～0.2之间。为了获得最佳的网络训练效果，可采用试凑法确定网络学习速率。
在本发明实施例中，神经网络的学习算法可选取Levenberg-Marquart算法，也可采用其他学习算法，本发明不做具体限定。
在本发明实施例中，在获得训练好的神经网络模型后，只需将所述待处理心电信号作为输入输入到所述神经网络模型的输入层，即可以在输出层得到从所述心电信号中提取得到如图4所示的第一呼吸信号，此后，即可根据所述第一呼吸信号计算得到第一呼吸率。
具体地，可通过求极值法在所述第一呼吸信号的波形图中寻找第一呼吸信号的波峰(或者波谷)，参见图4中的点标记；
通过提取最近生成的两个波峰之间的时间间隔，以得到当前时刻的周期T。
对所述周期进行采样率换算即可得到当前时刻的第一呼吸率R1。
例如，R1＝60/T1。
在本发明实施例中，利用主成分分析法对采集的多导联心电信号进行降维和去相关处理，得到用于训练的输入样本，并以此输入样本进行训练，得到用于信号提取的神经网络模型，并以此神经网络模型对心电信号中的呼吸信号进行提取，保证信号提取的速度及准确度，进而保证计算得到的呼吸率的精度。此外，由于神经网络的非线性，极大得提高映射与实际值的逼近程度，使得测量结果更准确可靠。
为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。
优选地，在步骤S2之后，还包括：
S6，通过构建好的自回归模型对所述待处理心电信号进行提取，得到第二呼吸信号，并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率。
在本优选实施例中，利用所述自回归模型对所述待处理心电信号进行提取时，需先构建自回归模型，其构建过程如下：
对于自回归模型AR(p)，可表示为：
φ(B)yt＝at (10)
其中，B为延迟算子，Byt＝yt-1；p为模型的阶数，表示自回归项数，yt为时间序列的当前值；at为随机干扰。满足平稳性条件。在AR模型中，当前时刻的观测yt由过去p个历史时刻的观测值和一个当前时刻的随机干扰来表示。
在本优选实施例中，为了降噪，尤其是白噪声，还可利用滑动平均法来优化自回归模型，假设滑动平均法的阶数为q，则θ(B)＝1-θ1-...-θqBq，滑动平均模型MA(q)如公式11所示，当前时刻的观测yt由过去q个历史时刻的观测值和一个当前时刻的随机干扰来表示，yt为时间序列的当前值；at为随机干扰。利用该模型对自回归模型进行优化，则可得到自回归-滑动平均模型ARMA(p，q)，其中，p、q为模型阶数(p为自回归项数，q为滑动平均项数)，如公式12所示。
yt＝θ(B)·at (11)
φ(B)yt＝θ(B)·at (12)
在本优选实施例中，在获得所述自回归-滑动平均模型后，即可进行呼吸信号的提取。具体地，自回归-滑动平均模型是一种盲源分离的信号提取方法。首先，通过估计模型中的加权参数，计算ECG混合信号(即所述待处理心电信号，其中包括了呼吸信号)的ARMA(p，q)模型的系数矩阵，作为呼吸信号的特征；其次，结合估计得到的呼吸信号的特征，采用自相关分离算法，对所述待处理心电信号进行抽取，达到纯净ECG信号和呼吸信号分离的目的提取得到呼吸信号。
参见图5，为根据本发明实施的自回归模型提取得到的第二呼吸信号的波形图。
在本发明实施例二中，在获得所述第二呼吸信号后，即可计算第二呼吸率R2，具体为：
通过求极值法在所述第二呼吸信号的波形图中寻找第二呼吸信号的波峰(或者波谷)，参见图5中的点标记；
通过提取最近生成的两个波峰之间的时间间隔，以得到周期T2。
根据采样率换算即可得到实时的第二呼吸率R2。
S7，基于信号质量指数，对所述第一呼吸信号和所述第二呼吸信号进行分析，得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子。
具体为：
对所述第一呼吸信号和所述第二呼吸信号进行功率谱分析(或峰值谱分析)，分析所述第一呼吸信号和所述第二呼吸信号的谱分布，得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子。
S8，根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率。
在一个优选实施例中，可通过对所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子进行加权平均来得到当前时刻的呼吸率，即：
R＝μ1*R1+μ2*R2 (13)
需要说明的是，在进行加权平均之前，需先对μ1和μ2进行归一化处理，具体地，假设μ1+μ2＝a，则需要分别对μ1和μ2乘以归一化系数1/a进行归一化，保证归一化后的μ1+μ2＝1。
在另一个实施例中，计算得到当前时刻的呼吸率具体包括：
当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时，将所述第一呼吸率设置为当前时刻的呼吸率。
当所述第二权重因子小于所述基准值时，可以认为第二呼吸信号的信号质量较差，此时，直接将所述第一呼吸率R1设置为当前时刻的呼吸率R。
当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时，将所述第二呼吸率设置为当前时刻的呼吸率。
当所述第一权重因子小于所述基准值时，可以认为第一呼吸信号的信号质量较差，此时，直接将所述第一呼吸率R1设置为当前时刻的呼吸率R。
当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和，计算得到当前时刻的呼吸率。
即：R＝μ1*R1+μ2*R2。
如果权重因子较小，则说明对应的呼吸信号质量较差，则直接去掉与质量较差呼吸信号对应的呼吸率，保证计算结果的准确和稳定。
本优选实施例中，通过利用经主成分分析优化后的神经网络模型与自回归时间序列技术相结合的方式处理心电信号得到第一呼吸率及第二呼吸率，并根据与所述第一呼吸率对应的第一权重因子和与所述第二呼吸率对应的第二权重因子得到当前时刻的呼吸率，计算结果更准确可靠，并可减轻由于外界或环境的干扰而引起的测量波动或误差，从而能够得到更为准确稳定的测量结果。
参阅图6，本发明实施例还提供一种呼吸率提取装置100，包括：
工频陷波单元10，用于获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号。
神经网络提取单元20，用于通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。
在本发明实施例中，利用主成分分析法对采集的多导联心电信号进行降维和去相关处理，得到用于训练的输入样本，并以此输入样本进行训练，得到用于信号提取的神经网络模型，并以此神经网络模型对心电信号中的呼吸信号进行提取，保证信号提取的速度及准确度，进而保证计算得到的呼吸率的精度。此外，由于神经网络的非线性，极大得提高映射与实际值的逼近程度，使得测量结果更准确可靠。
其中，优选地，所述呼吸率提取装置100还包括：
输入样本空间获取单元30，用于接收多导联心电信号，分别计算每个导联心电信号的RR间期和R峰幅值，得到输入样本空间，其中，所述输入样本空间的维度为p，p/2为多导联心电信号的导联数；
主成分分析单元40，用于基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行降维处理，得到主成分得分矩阵；
神经网络训练单元50，用于以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练，获得神经网络模型。
其中，优选地，
所述主成分分析单元40具体包括：
标准化处理模块41，用于对所述输入样本空间数据标准化处理；
协方差矩阵计算模块42，用于根据数据标准化处理后的所述输入样本空间得到协方差矩阵；
特征计算模块43，用于计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为p个，且所述的p个特征根按照大小排序；
筛选模块44，用于获取所述的p个特征根中，贡献率之和大于预定阈值的前m个特征根；其中，每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和；
得分矩阵获取模块45，用于根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。
其中，优选地，所述呼吸率提取装置100还包括：
自回归提取单元60，用于通过构建好的自回归模型对所述待处理心电信号进行提取，得到第二呼吸信号，并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率；
信号质量分析单元70，用于基于信号质量指数，对所述第一呼吸信号和所述第二呼吸信号进行分析，得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子；
呼吸率计算单元80，用于根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率。
其中，所述呼吸率计算单元80具体包括：
第一判断模块81，用于当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时，将所述第一呼吸率设置为当前时刻的呼吸率；
第二判断模块82，用于当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时，将所述第二呼吸率设置为当前时刻的呼吸率；
第三判断模块83，用于当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和，计算得到当前时刻的呼吸率。
本优选实施例中，通过利用经主成分分析优化后的神经网络模型与自回归时间序列技术相结合的方式处理心电信号得到第一呼吸率及第二呼吸率，并根据与所述第一呼吸率对应的第一权重因子和与所述第二呼吸率对应的第二权重因子得到当前时刻的呼吸率，计算结果更准确可靠，并可减轻由于外界或环境的干扰而引起的测量波动或误差，从而能够得到更为准确稳定的测量结果。
以上所揭露的仅为本发明两种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (10)
1.一种呼吸率提取方法，其特征在于，包括：
获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；
通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。
2.根据权利要求1所述的呼吸率提取方法，其特征在于，在所述通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率之前，还包括：
接收多导联心电信号，分别计算每个导联心电信号的RR间期和R峰幅值，得到输入样本空间，其中，所述输入样本空间的维度为p，p/2为多导联心电信号的导联数目；
基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理，得到主成分得分矩阵；
以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行训练，获得神经网络模型。
3.根据权利要求2所述的呼吸率提取方法，其特征在于，
所述基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理，得到主成分得分矩阵，具体包括：
对所述输入样本空间进行数据标准化处理；
根据数据标准化处理后的所述输入样本空间得到协方差矩阵；
计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为p个，且所述的p个特征根按照大小排序；
获取所述的p个特征根中，贡献率之和大于预定阈值的前m个特征根；其中，每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和；
根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。
4.根据权利要求1至3任意一项所述的呼吸率提取方法，其特征在于，还包括：
通过构建好的自回归模型对所述待处理心电信号进行提取，得到第二呼吸信号，并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率；
基于信号质量指数，对所述第一呼吸信号和所述第二呼吸信号进行分析，得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子；
根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率。
5.根据权利要求4所述的呼吸率提取方法，其特征在于，所述根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率具体为：
当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时，将所述第一呼吸率设置为当前时刻的呼吸率；
当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时，将所述第二呼吸率设置为当前时刻的呼吸率；
当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和，计算得到当前时刻的呼吸率。
6.一种呼吸率提取装置，其特征在于，包括:
工频陷波单元，用于获取原始心电信号，并对所述原始心电信号进行工频陷波后得到待处理心电信号；
神经网络提取单元，用于通过预先训练好的神经网络模型对所述待处理心电信号进行提取，得到第一呼吸信号，并根据所述第一呼吸信号计算得到当前时刻的第一呼吸率；其中，通过主成分分析法对采集的多导联心电信号的每个导联的RR间期和R峰幅值构成的输入样本空间进行处理获得主成分得分矩阵，并根据所述主成分得分矩阵和目标呼吸信号进行训练获得所述神经网络模型。
7.根据权利要求6所述的呼吸率提取装置，其特征在于，还包括：
输入样本空间获取单元，用于接收多导联心电信号，分别计算每个导联心电信号的RR间期和R峰幅值，得到输入样本空间，其中，所述输入样本空间的维度为p，p/2为多导联心电信号的导联数；
主成分分析单元，用于基于主成本分析法对根据所述输入样本空间形成的协方差矩阵进行处理，得到主成分得分矩阵；
神经网络训练单元，用于以所述主成分得分矩阵和通过阻抗法同步采集得到的目标呼吸信号为训练样本对进行神经网络训练，获得神经网络模型。
8.根据权利要求7所述的呼吸率提取装置，其特征在于，所述主成分分析单元具体包括：
标准化处理模块，用于对所述输入样本空间数据标准化处理；
协方差矩阵计算模块，用于根据数据标准化处理后的所述输入样本空间得到协方差矩阵；
特征计算模块，用于计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为p个，且所述的p个特征根按照大小排序；
筛选模块，用于获取所述的p个特征根中，贡献率之和大于预定阈值的前m个特征根；其中，每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和；
得分矩阵获取模块，用于根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。
9.根据权利要求6至8任意一项所述的呼吸率提取装置，其特征在于，还包括：
自回归提取单元，用于通过构建好的自回归模型对所述待处理心电信号进行提取，得到第二呼吸信号，并根据所述第二呼吸信号计算得到当前时刻的第二呼吸率；
信号质量分析单元，用于基于信号质量指数，对所述第一呼吸信号和所述第二呼吸信号进行分析，得到与所述第一呼吸信号对应的第一权重因子和与所述第二呼吸信号对应的第二权重因子；
呼吸率计算单元，用于根据所述第一呼吸率、第一权重因子、第二呼吸率及第二权重因子，计算得到当前时刻的呼吸率。
10.根据权利要求9所述的呼吸率提取装置，其特征在于，所述呼吸率计算单元具体包括：
第一判断模块，用于当判断所述第一权重因子大于预设的基准值且所述第二权重因子小于所述基准值时，将所述第一呼吸率设置为当前时刻的呼吸率；
第二判断模块，用于当判断所述第一权重因子小于预设的基准值且所述第二权重因子大于所述基准值时，将所述第二呼吸率设置为当前时刻的呼吸率；
第三判断模块，用于当判断所述第一权重因子计所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一呼吸率和第二呼吸率进行加权求和，计算得到当前时刻的呼吸率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610899934.2A CN106388825B (zh) | 2016-10-14 | 2016-10-14 | 一种呼吸率提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610899934.2A CN106388825B (zh) | 2016-10-14 | 2016-10-14 | 一种呼吸率提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106388825A true CN106388825A (zh) | 2017-02-15 |
| CN106388825B CN106388825B (zh) | 2019-04-16 |
Family
ID=58011628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610899934.2A Active CN106388825B (zh) | 2016-10-14 | 2016-10-14 | 一种呼吸率提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106388825B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106901694A (zh) * | 2017-02-20 | 2017-06-30 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
| CN109190667A (zh) * | 2018-07-31 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种基于电子侦察信号的目标威胁评估方法、模型及模型构建方法 |
| CN110070013A (zh) * | 2019-04-11 | 2019-07-30 | 杭州电子科技大学 | 一种ecg信号噪声污染程度与类别智能评估方法 |
| CN110123304A (zh) * | 2019-01-22 | 2019-08-16 | 东南大学 | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 |
| CN110236527A (zh) * | 2019-07-05 | 2019-09-17 | 北京理工大学 | 一种获取呼吸信息的方法及装置 |
| CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
| CN115804585A (zh) * | 2023-02-08 | 2023-03-17 | 浙江大学 | 一种基于机械通气波形检测气道高阻力的方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101385645A (zh) * | 2008-10-14 | 2009-03-18 | 中国民航大学 | 基于量子简单递归神经网络心电图智能检测法 |
| CN105769122A (zh) * | 2016-03-16 | 2016-07-20 | 中国科学院电子学研究所 | 一种睡眠呼吸暂停低通气指数的测量方法 |
-
2016
- 2016-10-14 CN CN201610899934.2A patent/CN106388825B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101385645A (zh) * | 2008-10-14 | 2009-03-18 | 中国民航大学 | 基于量子简单递归神经网络心电图智能检测法 |
| CN105769122A (zh) * | 2016-03-16 | 2016-07-20 | 中国科学院电子学研究所 | 一种睡眠呼吸暂停低通气指数的测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张金宝 等: "由心电信号提取呼吸信息的算法及其仿真实现", 《南通大学学报（自然科学版）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106901694A (zh) * | 2017-02-20 | 2017-06-30 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
| WO2018149147A1 (zh) * | 2017-02-20 | 2018-08-23 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
| CN109190667A (zh) * | 2018-07-31 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种基于电子侦察信号的目标威胁评估方法、模型及模型构建方法 |
| CN110123304A (zh) * | 2019-01-22 | 2019-08-16 | 东南大学 | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 |
| CN110123304B (zh) * | 2019-01-22 | 2021-08-27 | 东南大学 | 基于多模板匹配和相关系数矩阵的动态心电噪声滤除方法 |
| CN110070013A (zh) * | 2019-04-11 | 2019-07-30 | 杭州电子科技大学 | 一种ecg信号噪声污染程度与类别智能评估方法 |
| CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
| CN110236527A (zh) * | 2019-07-05 | 2019-09-17 | 北京理工大学 | 一种获取呼吸信息的方法及装置 |
| CN115804585A (zh) * | 2023-02-08 | 2023-03-17 | 浙江大学 | 一种基于机械通气波形检测气道高阻力的方法及系统 |
| CN115804585B (zh) * | 2023-02-08 | 2023-06-13 | 浙江大学 | 一种基于机械通气波形检测气道高阻力的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106388825B (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106388825B (zh) | 一种呼吸率提取方法及装置 | |
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| US11523778B2 (en) | Systems and methods for detecting worsening heart failure | |
| US12023179B2 (en) | Readmission risk assessment based on chronobiological rhythms | |
| CN101801263B (zh) | 监测生理状况和检测异常 | |
| CN109152529B (zh) | 多疾病患者管理 | |
| CN104244814B (zh) | 心输出量的监测 | |
| CN102245102B (zh) | 用于心冲击图信号的分析的方法和设备 | |
| US20150126878A1 (en) | Heart failure event detection and risk stratification using heart sound | |
| US20100324436A1 (en) | System, Method and Computer Program Product for Detection of Changes in Health Status and Risk of Imminent Illness | |
| CN107137071A (zh) | 一种分析心冲击信号用来计算短期心率值的方法 | |
| CN106073784B (zh) | 一种呼吸率提取方法及装置 | |
| CN106901694A (zh) | 一种呼吸率提取方法及装置 | |
| CN113160921A (zh) | 一种基于血流动力学的数字人体心血管系统的构建方法和应用 | |
| CN106388824B (zh) | 一种呼吸率提取方法及装置 | |
| WO2009127799A1 (en) | Method and apparatus for measuring breathing rate | |
| CN106955101A (zh) | 从心电信号中提取呼吸信号的方法及装置 | |
| CN106725487A (zh) | 一种呼吸率提取方法及装置 | |
| CN116982952A (zh) | 一种基于分数阶导数的无创血压测量方法及系统 | |
| CN115024716A (zh) | 基于心率标签生成的心冲击图信号重建方法 | |
| Das | Electrocardiogram signal analysis for heartbeat pattern classification | |
| Kuisma | SCALING PROPERTIES OF HEART RATE VARIABILITY IN ASSESSMENT OF ATHLETIC PERFORMANCE | |
| Venton et al. | Sensitivity Analysis of Electrocardiogram Features to Computational Model Input Parameters | |
| Štula | Evaluation of heart rate variability from ECG signal | |
| Rajabi et al. | Microvolt T-wave alternans analysis using Lyapunov exponents |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |