CN106580324B - 一种呼吸信号提取方法及装置 - Google Patents

一种呼吸信号提取方法及装置 Download PDF

Info

Publication number
CN106580324B
CN106580324B CN201610976380.1A CN201610976380A CN106580324B CN 106580324 B CN106580324 B CN 106580324B CN 201610976380 A CN201610976380 A CN 201610976380A CN 106580324 B CN106580324 B CN 106580324B
Authority
CN
China
Prior art keywords
signal
electrocardiosignal
neural network
parameter signal
parameter
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.)
Active
Application number
CN201610976380.1A
Other languages
English (en)
Other versions
CN106580324A (zh
Inventor
胡静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201610976380.1A priority Critical patent/CN106580324B/zh
Publication of CN106580324A publication Critical patent/CN106580324A/zh
Application granted granted Critical
Publication of CN106580324B publication Critical patent/CN106580324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种呼吸信号提取方法和装置，该方法包括步骤：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；将所述参数信号进行降维，得到主成分心电信号，并以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。本发明通过构建神经网络训练模型从心电信号中准确、高效地获取呼吸信号，适合用于日常实时监测受试者的呼吸状态。

Description

一种呼吸信号提取方法及装置
技术领域
本发明涉及信号处理技术领域，特别是涉及一种呼吸信号提取方法及装置。
背景技术
目前用于计算呼吸率的方法主要有：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。从心电信号中提取呼吸信号(ECG－DerivedRespiration，EDR)的方法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。
然而现有技术中，从心电信号提取呼吸信号的技术并不成熟，提取的呼吸信号不准确、效率低。而且通过心电信号提取呼吸信号的过程中由于心电、呼吸信号的非线性、随机性和非平稳等特性，造成呼吸信号的丢失和交叉干扰的问题，且系统的鲁棒性差。
发明内容
鉴于上述状况，有必要针对现有技术中呼吸率信号提取不准确、效率低的问题，提供一种基于心电信号计算呼吸率的方法和装置。
本发明实施例提供的一种呼吸信号提取方法，包括步骤：
获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；
将所述参数信号进行降维，得到主成分心电信号，并以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；
将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。
上述方法，其中，所述将所述参数信号进行降维的步骤包括：
将所述参数信号进行显著性检验得到显著性特征信号；
通过主成分分析对所述显著性特征信号进行降维，得到主成分心电信号。
上述方法，其中，所述将所述参数信号进行显著性检验得到显著性特征信号的步骤包括：
将所述参数信号进行标准化处理，得到标准心电信号；
将所述标准心电信号进行方差分析和F检验，得到显著性特征信号。
上述方法，其中，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：
w(k+1)＝w(k)+Δw(k+1)
其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。
上述方法，其中，所述获取心电信号并进行预处理，从所述心电信号中提取参数信号的步骤包括：
获取心电信号并进行工频滤波，得到滤波信号；
通过阈值法提取所述滤波信号中的RR间期序列信号和RW幅值序列信号。
上述方法，其中，所述神经网络通过试凑法确定隐层节点数的个数，所述试凑法包括步骤：
先将隐节点数目设置在1+i/2附近，逐渐增加隐节点数至2*i+1，形成误差性能曲线；
通过分析误差性能曲线来确定隐节点的数量，其中i是输入层节点数目。
本发明实施例还提供了一种呼吸信号提取装置，包括：
心电信号获取单元，用于获取心电信号；
心电信号处理单元，用于对心电信号进行预处理得到参数信号，所述参数信号包括训练用参数信号和测试用参数信号；
降维处理单元，用于将所述参数信号进行降维，得到主成分心电信号；
训练单元，用于以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标训练所述神经网络；
呼吸信号获取单元，用于将所述测试用参数信号对应的主成分心电信号输入到训练后的所述神经网络中，获取最终的呼吸信号。
上述装置，其中，所述降维处理单元包括：
显著性检验单元，用于对所述参数信号进行显著性检验，并输出显著性特征信号；
主成分分析单元，用于对所述显著性特征信号进行降维，得到主成分心电信号。
上述装置，其中，所述显著性检验单元包括：
标准化处理单元，用于对所述参数信号进行标准化处理，得到标准心电信号；
显著性特征信号提取单元，用于将所述标准心电信号进行方差分析和F检验，提取显著性特征信号。
上述装置，其中，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：
w(k+1)＝w(k)+Δw(k+1)
其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。
本实施例将预处理后的心电信号进行降维，并作为神经网络的输入样本；以阻抗法同步得到的参考呼吸信号作为神经网络训练的目标，也就是神经网络训练时的输出，构成神经网络的训练样本对，以样本对训练神经网络，得到神经网络训练模型。通过神经网络训练模型从心电信号中准确、高效地获取呼吸信号。构建好的神经网络训练模型，不需要专用的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的心电信号，避免了对人体的束缚，适合用于日常监护，可实时监测受试者的呼吸状态。
附图说明
图1为本发明第一实施例提供的一种呼吸信号提取的方法流程图；
图2为原始的心电信号图；
图3为工频滤波后的心电信号图；
图4为本发明第二实施例提供的一种呼吸信号提取的方法流程图；
图5为本发明第三实施例提供的一种呼吸信号提取装置的结构框体；
图6为本发明第四实施例提供的一种呼吸信号提取装置的结构框体；
图7为图6中显著性检验单元的结构框体。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1，为本发明第一实施例提供了一种呼吸信号提取方法，包括步骤S11～S14。
步骤S11，获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号。本发明通过加压单极肢体导联获得原始的心电信号，如图2所示，为原始的心电信号图，由于原始心电信号包含大量的工频干扰，需要进行50Hz工频陷波，滤除工频干扰，陷波后的心电信号如图3所示。提取工频滤波后的心电信号的RR间期序列信号和RW幅值序列信号，即为参数信号。本实施例中，所述RR间期序列信号和RW幅值序列信号通过阈值法提取。对于获取的心电信号预处理后一部分用于训练神经网络，另一部分用于输入到训练后的神经网络中提取最终的呼吸信号。
步骤S12，将所述参数信号进行降维，得到主成分心电信号。
步骤S13，以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标训练所述神经网络，得到神经网络训练模型。该步骤中，阻抗法获取的参考呼吸信号，是指通过高频恒流源测量胸部阻抗的变化来获取的呼吸信息。
步骤S14，将所述测试用参数信号对应的主成分心电信号输入到神经网络训练模型中，获取最终的呼吸信号。
由于标准多导心电信号为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，因此可将参数信号进行降维处理，减少神经网络的提取效率。
虽然阻抗法可以得到精确的呼吸信号，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。本实施例将预处理后的心电信号进行降维，并作为神经网络的输入样本空间；以阻抗法同步得到的参考呼吸信号作为神经网络训练的目标，也就是神经网络训练时的输出，构成神经网络的训练样本对，以样本对训练神经网络，得到神经网络训练模型。通过神经网络训练模型从心电信号中准确、高效地获取呼吸信号。构建好的神经网络训练模型，不需要专用的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的心电信号，避免了对人体的束缚，适合用于日常监护，可实时监测受试者的呼吸状态。
请参阅图4，为本发明第二实施例提供的一种呼吸信号提取方法。如图4所示，所述方法包括步骤S21～S26。
步骤S21，获取的心电信号，并进行工频滤波，提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号。该参数信号为从心电信号中提取的RR间期序列信号和RW幅值序列信号。
步骤S22，将所述参数信号进行显著性检验得到显著性特征信号。
在本发明的另一实施例中，所述对所述参数信号进行显著性检验得到显著性特征信号的步骤包括：
步骤S221，对所述参数信号进行标准化处理，得到标准心电信号。避免不同量纲数据的差异，标准化后采用统一量纲，更有利于分析。
标准化处理公式为：
其中，X’ij是标准化后的新数据；Mj、Sj分别表示原始数据j列的算术平均值和标准(偏)差，n为样本数量。
步骤S222，将所述标准心电信号进行方差分析(Analysis of variance，简称ANOVA)和F检验(方差齐性检验)，得到显著性特征信号。
假设呼吸信号Y与输入的各个心电信号X满足Y＝Xβ+ε，基于此假设对X与Y做线性回归回归分析，可以得到方差表，如表1所示。
表1方差分析结果表
其中，SSR是拟合值与期望的平方和，SSE是原值与拟合值的平方和，SSTO是原值与期望的平方和。根据方差分析的结果，可以计算得到显著性指标F＝MSR/MSE。设定显著性指标F的阈值Fmin。选取输入特征X中F>Fmin的n维指标，即显著性特征信号，作为主成分分析的输入。
步骤S23，通过主成分分析对所述显著性特征信号进行降维，得到主成分心电信号。
步骤S24，构建神经网络。该神经网络的隐层设置1个，隐层的节点数根据试凑法确定。先将隐节点数目设置在1+i/2附近，逐渐增加隐节点数至2*i+1，并继续增加直至不收敛，得到误差性能曲线，通过分析误差性能曲线来确定最合适的隐节点数，其中i是输入层节点数目，输入层节点数也为特征样本的维数，即有几个特征就有几个输入节点。该神经网络的学习速率通过试凑法确定为0.02～0.2。
本实施例中，神经网络的学习算法采样列文伯格-马夸尔特(Levenberg-Marquart，LM)算法，该算法在权值较少时收敛速度快，而且便于用MatLab(matrix&laboratory，矩阵实验室)编程实现。由于本发明通过ANOVA和F检验以及主成分分析对心电信号进行降维，权值较少，更适用于该学习算法。
在本发明的其他实施例中，神经网络的学习算法也可以采用动量BP算法，即，通过动量因子进行权值调整，动量BP算法权值调整的计算公式为：
w(k+1)＝w(k)+Δw(k+1) (2)
其中，α表示网络的学习率，η表示动量因子η∈(0,1)，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。
该算法中下一次的权值调整幅度取决于上一次权值的调整效果，调整量一般沿同一偏微分方向减少或增加。当上一次的调整幅度太大时，则前后两式反号；当上一次调整量较小时，前后两式(1)，(2)符号相同。动量BP算法较一般的BP算法收敛效果好，收敛时间短，提取效果更好。
步骤S25，以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为神经网络的训练目标训练神经网络，得到神经网络训练模型。
步骤S26，将所述测试用参数信号对应的主成分心电信号输入到神经网络训练模型中，获取最终的呼吸信号。
本发明中的参数信号为心电信号的RR间期序列信号和RW幅值序列信号，以该参数信号作为神经网络的输入样本空间。标准多导心电信号为12导联，分别计算每个导联的RR间期序列信号和RW幅值序列信号后，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，因此本发明采用显著性检验得到贡献率高、显著性高的显著性特征信号，然后采用主成分分析法对显著性特征信号进行降维，得到主成分心电信号。主成分分析和显著性分析相结合，可以有效地实现降维去噪，提高神经网络的收敛精度和提取效果。
以训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的呼吸信号作为神经网络的训练目标，训练神经网络，得到训练后的神经网络。将测试用参数信号对应的主成分心电信号输入到训练后的神经网络中，即可获取呼吸信号。该方法能够准确地从心电信号提取呼吸信号，而且大大提高了呼吸信号的提取效率。
请参阅图5，为本发明第三实施例提供的种呼吸信号提取装置，包括心电信号获取单元、心电信号处理单元、降维处理单元、训练单元和呼吸信号获取单元。
心电信号获取单元用于获取心电信号，本发明通过加压单极肢体导联获得原始的心电信号。
心电信号处理单元用于对心电信号进行预处理得到参数信号，所述参数信号包括训练用参数信号和测试用参数信号。由于原始心电信号包含大量的工频干扰，需要进行50Hz工频陷波，滤除工频干扰，通过阈值法提取工频滤波后的心电信号的RR间期序列信号和RW幅值序列信号，即为参数信号。
降维处理单元用于将所述参数信号进行降维，得到主成分心电信号。
训练单元用于以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，训练所述神经网络。所述神经网络通过试凑法确定隐层节点数的个数，所述试凑法包括步骤：先将隐节点数目设置在1+i/2附近，逐渐增加隐节点数至2*i+1，形成误差性能曲线；通过分析误差性能曲线来确定隐节点的数量，其中i是输入层节点数目。
呼吸信号获取单元用于将所述测试用参数信号对应的主成分心电信号输入到所述训练后的神经网络中，获取最终的呼吸信号。
本实施例将预处理后的心电信号进行降维，并作为神经网络的输入样本空间；以阻抗法同步得到的参考呼吸信号作为神经网络训练的目标，也就是神经网络训练时的输出，构成神经网络的训练样本对，训练神经网络，构建神经网络训练模型，通过神经网络训练模型从心电信号中获取呼吸信号。该方法不需要专用的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的心电信号，避免了对人体的束缚，适合用于日常监护，可实时监测受试者的呼吸状态。
请参阅图6和图7，为本发明第四实施例提供了一种呼吸信号提取装置。如图6所示，本实施例与第三实施例提供的呼吸信号提取装置大抵相同，不同之处在于：所述降维处理单元包括显著性检验单元和主成分分析单元。
所述显著性检验单元用于对所述RR间期序列信号和RW幅值序列信号进行显著性检验，并输出显著性特征信号。如图7所示，本实施例中，所述显著性检验单元具体包括标准化处理单元和显著性特征信号提取单元。
所述标准化处理单元用于对所述RR间期序列信号和RW幅值序列信号进行标准化处理，得到标准心电信号。避免不同量纲数据的差异，标准化后采用统一量纲，更有利于分析。
标准化处理公式为：
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。
所述显著性特征信号提取单元用于将所述标准心电信号进行方差分析和F检验，提取显著性特征信号，并作为主成分分析的输入。
所述主成分分析单元用于对所述显著性特征信号进行降维，得到主成分心电信号。
本发明采用显著性检验得到贡献率高、显著性高的显著性特征信号，然后采用主成分分析法对显著性特征信号进行降维，得到主成分心电信号。通过主成分分析和显著性分析相结合的方法，可以有效地实现降维去噪，提高神经网络的收敛精度和提取效果。以训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的呼吸信号作为神经网络的训练目标，训练神经网络，构建神经网络训练模型。将测试用参数信号对应的主成分心电信号输入到神经网络训练模型中，即可获取呼吸信号。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种呼吸信号提取方法，其特征在于，包括步骤：
获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；
将所述参数信号进行降维，得到主成分心电信号，并以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；
将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。
2.如权利要求1所述的方法，其特征在于，所述将所述参数信号进行降维的步骤包括：
将所述参数信号进行显著性检验得到显著性特征信号；
通过主成分分析对所述显著性特征信号进行降维，得到主成分心电信号。
3.如权利要求2所述的方法，其特征在于，所述将所述参数信号进行显著性检验得到显著性特征信号的步骤包括：
将所述参数信号进行标准化处理，得到标准心电信号；
将所述标准心电信号进行方差分析和F检验，得到显著性特征信号。
4.如权利要求1所述的方法，其特征在于，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：
w(k+1)＝w(k)+Δw(k+1)
其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。
5.如权利要求1所述的方法，其特征在于，所述获取心电信号并进行预处理，从所述心电信号中提取参数信号的步骤包括：
获取心电信号并进行工频滤波，得到滤波信号；
通过阈值法提取所述滤波信号中的RR间期序列信号和RW幅值序列信号。
6.如权利要求1所述的方法，其特征在于，所述神经网络通过试凑法确定隐层节点数的个数，所述试凑法包括步骤：
先将隐节点数目设置在1+i/2附近，逐渐增加隐节点数至2*i+1，形成误差性能曲线；
通过分析误差性能曲线来确定隐节点的数量，其中i是输入层节点数目。
7.一种呼吸信号提取装置，其特征在于，包括：
心电信号获取单元，用于获取心电信号；
心电信号处理单元，用于对心电信号进行预处理得到参数信号，所述参数信号包括训练用参数信号和测试用参数信号；
降维处理单元，用于将所述参数信号进行降维，得到主成分心电信号；
训练单元，用于以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标训练所述神经网络；
呼吸信号获取单元，用于将所述测试用参数信号对应的主成分心电信号输入到训练后的所述神经网络中，获取最终的呼吸信号。
8.如权利要求7所述的装置，其特征在于，所述降维处理单元包括：
显著性检验单元，用于对所述参数信号进行显著性检验，并输出显著性特征信号；
主成分分析单元，用于对所述显著性特征信号进行降维，得到主成分心电信号。
9.如权利要求8所述的装置，其特征在于，所述显著性检验单元包括：
标准化处理单元，用于对所述参数信号进行标准化处理，得到标准心电信号；
显著性特征信号提取单元，用于将所述标准心电信号进行方差分析和F检验，提取显著性特征信号。
10.如权利要求7所述的装置，其特征在于，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：
w(k+1)＝w(k)+Δw(k+1)
其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。
CN201610976380.1A 2016-11-07 2016-11-07 一种呼吸信号提取方法及装置 Active CN106580324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610976380.1A CN106580324B (zh) 2016-11-07 2016-11-07 一种呼吸信号提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610976380.1A CN106580324B (zh) 2016-11-07 2016-11-07 一种呼吸信号提取方法及装置

Publications (2)

Publication Number Publication Date
CN106580324A CN106580324A (zh) 2017-04-26
CN106580324B true CN106580324B (zh) 2019-07-16

Family

ID=58590072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610976380.1A Active CN106580324B (zh) 2016-11-07 2016-11-07 一种呼吸信号提取方法及装置

Country Status (1)

Country Link
CN (1) CN106580324B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3545820A1 (en) * 2018-03-26 2019-10-02 Nokia Technologies Oy Respiratory volume measurement
CN109464147A (zh) * 2019-01-09 2019-03-15 浙江强脑科技有限公司 呼吸信号检测方法、装置及计算机可读存储介质
CN110009604B (zh) * 2019-03-20 2021-05-14 北京理工大学 造影图像序列的呼吸信号提取方法及装置
CN113704201A (zh) * 2021-09-02 2021-11-26 国家电网有限公司信息通信分公司 一种日志异常检测方法、装置及服务器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009043087A1 (en) * 2007-10-02 2009-04-09 Compumedics Medical Innovation Pty Ltd Electrocardiogram derived apnoea/hypopnea index
CN104398252A (zh) * 2014-11-05 2015-03-11 深圳先进技术研究院 一种心电信号处理方法及装置
CN104545844A (zh) * 2014-12-25 2015-04-29 中国科学院苏州生物医学工程技术研究所 一种基于4g移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法
CN105852850A (zh) * 2016-04-28 2016-08-17 深圳竹信科技有限公司 一种从心电信号中提取呼吸信号的方法及相关装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742534A (zh) * 2010-03-15 2018-02-27 新加坡保健服务集团有限公司 患者存活性预测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009043087A1 (en) * 2007-10-02 2009-04-09 Compumedics Medical Innovation Pty Ltd Electrocardiogram derived apnoea/hypopnea index
CN104398252A (zh) * 2014-11-05 2015-03-11 深圳先进技术研究院 一种心电信号处理方法及装置
CN104545844A (zh) * 2014-12-25 2015-04-29 中国科学院苏州生物医学工程技术研究所 一种基于4g移动通讯技术的多参数睡眠监测与智能诊断系统及其使用方法
CN105852850A (zh) * 2016-04-28 2016-08-17 深圳竹信科技有限公司 一种从心电信号中提取呼吸信号的方法及相关装置

Also Published As

Publication number Publication date
CN106580324A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106108889B (zh) 基于深度学习算法的心电图分类方法
CN106580324B (zh) 一种呼吸信号提取方法及装置
İçer et al. Classification and analysis of non-stationary characteristics of crackle and rhonchus lung adventitious sounds
Yin et al. ECG monitoring system integrated with IR-UWB radar based on CNN
CN109961017A (zh) 一种基于卷积循环神经网络的心音信号分类方法
CN108498089A (zh) 一种基于深度神经网络的无创连续血压测量方法
Leung et al. Classification of heart sounds using time-frequency method and artificial neural networks
CN107736894A (zh) 一种基于深度学习的心电信号情绪识别方法
CN106388825B (zh) 一种呼吸率提取方法及装置
CN107693044A (zh) 冠心病监测诊断设备
CN108416367A (zh) 基于多传感器数据决策级融合的睡眠分期方法
CN111887858B (zh) 基于跨模态映射的心冲击图信号心率估计方法
CN109864714A (zh) 一种基于深度学习的心电信号分析方法
Sun et al. An improved morphological approach to background normalization of ECG signals
Tang et al. Classification of normal/abnormal heart sound recordings based on multi-domain features and back propagation neural network
CN111870235A (zh) 一种基于ippg的吸毒人员筛查方法
Kucharski et al. A deep learning approach for valve defect recognition in heart acoustic signal
Dey et al. Wavelet based normal and abnormal heart sound identification using spectrogram analysis
CN109893113A (zh) 基于bcg和hrv技术的信息处理方法
CN106388824B (zh) 一种呼吸率提取方法及装置
CN106539586B (zh) 一种呼吸率计算方法及装置
CN106725487A (zh) 一种呼吸率提取方法及装置
Shanthakumari et al. Spectrogram-based detection of crackles from lung sounds
Sá et al. Heart disease detection architecture for lead I off-the-person ECG monitoring devices
CN115024716A (zh) 基于心率标签生成的心冲击图信号重建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant