CN106686029B - 一种生理信号压缩传输、重建方法及装置 - Google Patents

Abstract

本发明提供一种生理信号压缩传输、重建方法及装置，其中方法包括：接收对N个待传输数据进行减采样后的M个采样数据，对M个采样数据分别设置置信度，其中N＞M，且当前采样数据的置信度随当前采样数据与M个采样数据的均值μ_T的偏离程度的增大而减小；根据各个采样数据的置信度分别对各个采样数据进行修正，得到修正后的采样数据，其中，当前修正后的采样数据的数值与当前置信度正相关；根据预定的插值算法，对修正后的采样数据进行插值重建，重新获取N个采样数据。可以有效减少数据的传输时间，同时提高了信号重建的准确性，解决现有技术中特定信号压缩传输时方法复杂、普适性弱以及重建信号过程中引入异常点，为信号分析引入干扰的问题。

Description

一种生理信号压缩传输、重建方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种生理信号压缩传输、重建方法及装置。

背景技术

在移动健康的应用中，往往需要通过传感器端采集长时间的生理信号，并通过低功耗蓝牙(BLE)发送至手机客户端。例如通过心率监测睡眠的健康应用，采集一晚约8小时的心率数据使用BLE的notification模式传输，需要150秒时间。这与用户的最佳体验还有明显的差距。因此，压缩数据，提高这些生理数据的传输速率，对于增强整个系统的用户体验十分重要。其中notification模式传输是低功耗蓝牙用在传感器与上位机通信的常见传输数据方式。在这种方式下，当传感器捕获到参数发生变化时，会自动触发数据的传输。

为了减少传输过程中的数据量，一些研究着眼于特定信号的数据压缩传输方法。针对心电信号进行压缩传输时：对心电信号进行小波变换，以得到第一波形数据，第一波形数据包括心电信号各波形的时域数据，波形包括特征波；将第一波形数据转换为第二波形数据，第二波形数据包括记录顺序的特征波的幅度数据，在保证心电信号解压缩后的保真度的情况下，提高心电信号的压缩率，以使压缩后的心电信号更利于传输和存储。

另一些研究着眼于信号局部差异化特性的数据压缩方法。例如针对生理信号进行压缩时：获取生理信号；对获取到的生理信号进行自适应分割，以得到相应的均匀段；对得到的均匀段进行压缩。通过利用生理信号的局部物理特性的一致性与不同部分之间的差异性自适应选择相应的数据压缩方法对生理信号进行数据压缩，能够较大程度的实现数据压缩，并完整的保真了生理信号。

在更普遍的情况下，对于长时间采集分析到的大量生理信号，很多实际应用是通过将信号减采样，降低数据量进行传输，为了还原信号的颗粒度以进行进一步分析，再对收到的信号进行插值恢复。如图1所示。

在信号的采样-传输-插值过程中，插值使用的方法大多是通用的方法，例如最邻近插值、线性插值等。这些方法都是利用信号点之间的相关性进行信号的重建。这些通用的方法没有考虑到生理信号长时间采集时，不可避免的异常点的干扰。

如图2是采集的一晚的的心电NN间隙(心率)信号。在长时间的信号采集过程中，会出现一些异常点。这些异常点是由电极松动、身体活动等各种因素导致的，难以完全避免。如果在信号恢复插值的过程中，使用了这些异常点的信息，就恢复出更多的异常点，为下一步信号分析引入更多噪声。

综上所述，现有的生理信号压缩传输方法没有利用信号的统计特征，而是针对特定生理信号，或者特定局部物理特性进行考虑，方法较为复杂，普适性相对较弱。

发明内容

本发明的目的在于提供一种生理信号压缩传输、重建方法及装置，旨在解决现有技术中特定信号压缩传输时方法复杂、普适性弱以及重建信号过程中引入异常点，为信号分析引入干扰的问题。

本发明实施例提供一种生理信号压缩传输、重建方法，包括：

接收对N个待传输数据进行减采样后的M个采样数据，对M个所述采样数据分别设置置信度，其中N＞M，且当前采样数据的置信度随当前采样数据与M个所述采样数据的均值μ_T的偏离程度的增大而减小；

根据各个所述采样数据的置信度分别对各个所述采样数据进行修正，得到修正后的采样数据，其中，当前所述修正后的采样数据的数值与当前置信度正相关；

根据预定的插值算法，对所述修正后的采样数据进行插值重建，重新获取N个采样数据。

其中，所述接收对N个待传输数据进行减采样后的M个采样数据之前，所述方法还包括：

对N个待传输数据进行减采样处理，获取M个所述采样数据进行传输。

其中，所述对M个所述采样数据分别设置置信度，包括：

计算M个所述采样数据的均值μ_T和方差σ_T；

根据当前采样数据的数值x_i、计算得到的M个所述采样数据的均值μ_T和方差σ_T，确定第一函数，其中所述第一函数随当前采样数据的数值x_i与所述均值μ_T的偏离程度的增大而减小，随所述方差σ_T的增大而增大；

根据所述方差T_T和一常数的乘积确定第二函数，其中所述第二函数随所述方差σ_T的增大而减小；

根据所述第一函数和所述第二函数确定一计算公式，分别计算M个所述采样数据的置信度。

其中，所述根据各个所述采样数据的置信度分别对各个所述采样数据进行修正，得到修正后的采样数据，包括：

根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K个采样数据进行修正，得到修正后的第K个采样数据的权重Y_k，其中Y_k与K个采样数据的数值X_k乘积为修正后的第K个采样数据的数值，且第K个采样数据的置信度P_k越高，Y_k越大；

根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K+1个采样数据进行修正，得到修正后的第K+1个采样数据的权重Y_k+1，其中Y_k+1与K+1个采样数据的数值X_k+1乘积为修正后的第K+1个采样数据的数值，且第K+1个采样数据的置信度P_k+1越高，Y_k+1越大；

其中：

其中，所述预定的插值算法至少包括：最邻近插值算法和线性插值算法。

本发明实施例还提供一种生理信号压缩传输、重建装置，所述装置包括：

接收设置模块，用于接收对N个待传输数据进行减采样后的M个采样数据，对M个所述采样数据分别设置置信度，其中N＞M，且当前采样数据的置信度随当前采样数据与M个所述采样数据的均值μ_T的偏离程度的增大而减小；

修正模块，用于根据各个所述采样数据的置信度分别对各个所述采样数据进行修正，得到修正后的采样数据，其中，当前所述修正后的采样数据的数值与当前置信度正相关；

重建获取模块，用于根据预定的插值算法，对所述修正后的采样数据进行插值重建，重新获取N个采样数据。

其中，所述装置还包括：

采样获取模块，用于在所述接收设置模块接收对N个待传输数据进行减采样后的M个采样数据之前，对N个待传输数据进行减采样处理，获取M个所述采样数据进行传输。

其中，所述接收设置模块包括：

计算子模块，用于计算M个所述采样数据的均值μ_T和方差σ_T；

第一确定子模块，用于根据当前采样数据的数值x_i、计算得到的M个所述采样数据的均值μ_T和方差σ_T，确定第一函数，其中所述第一函数随当前采样数据的数值x_i与所述均值μ_T的偏离程度的增大而减小，随所述方差σ_T的增大而增大；

第二确定子模块，用于根据所述方差σ_T和一常数的乘积确定第二函数，其中所述第二函数随所述方差σ_T的增大而减小；

处理子模块，用于根据所述第一函数和所述第二函数确定一计算公式，分别计算M个所述采样数据的置信度。

其中，所述修正模块包括：

第一子模块，用于根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K个采样数据进行修正，得到修正后的第K个采样数据的权重Y_k，其中Y_k与K个采样数据的数值X_k乘积为修正后的第K个采样数据的数值，且第K个采样数据的置信度P_k越高，Y_k越大；

第二子模块，用于根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K+1个采样数据进行修正，得到修正后的第K+1个采样数据的权重Y_k+1，其中Y_k+1与K+1个采样数据的数值X_k+1乘积为修正后的第K+1个采样数据的数值，且第K+1个采样数据的置信度P_k+1越高，Y_k+1越大；

其中：

其中，所述重建获取模块中的预定的插值算法至少包括：最邻近插值算法、和线性插值算法。

本发明实施例上述技术方案至少包括如下有益效果：

通过对待传输数据进行压缩传输，获取压缩传输后的采样数据，对采样数据设置置信度，根据设置的置信度对采样数据进行修正，得到修正后的采样数据，根据预定的插值算法，对修正后的采样数据进行插值重建，获取待传输的全部数据，可以有效减少数据的传输时间，同时提高了信号重建的准确性，解决现有技术中特定信号压缩传输时方法复杂、普适性弱以及重建信号过程中引入异常点，为信号分析引入干扰的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为减采样-传输-插值流程示意图；

图2为采集的心电NN间隙信号及出现的异常点示意图；

图3为本发明实施例生理信号压缩传输、重建方法流程示意图一；

图4为本发明实施例生理信号压缩传输、重建方法流程示意图二；

图5为采集的心电NN间隙分布的统计分布及高斯拟合结果示意图；

图6为本发明实施例生理信号压缩传输、重建方法流程示意图三；

图7为采用最临近插值算法进行插值示意图；

图8为采用线性插值算法进行插值示意图；

图9本发明实施例生理信号压缩传输、重建装置示意图一；

图10本发明实施例生理信号压缩传输、重建装置示意图二。

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作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。

本发明实施例针对的是长时间采集变化平稳的生理信号并要求在较短时间内将采集到的信号传输出去的场景。长时间采集，即数据量较大，如果传输全部数据，则传输时间超过预期时间。变化平稳，即在一段时期内，采样值的波动是不大的，正常情况下，信号幅值不存在短时大幅度地变化。这样的场景在居家健康监测时较常见，例如睡眠时期的心率信号、血氧信号的采集传输。

针对上述场景，本发明实施例在常规的方法步骤上，巧妙通过信号的统计特征，转化成采样点的置信度加以利用，在插值恢复的过程中消除采样异常点带来的干扰，提高了信号的准确性。

如图3所示，本发明实施例提供一种生理信号压缩传输、重建方法，包括：

S101、接收对N个待传输数据进行减采样后的M个采样数据，对M个采样数据分别设置置信度，其中N＞M，且当前采样数据的置信度随当前采样数据与M个采样数据的均值μ_T的偏离程度的增大而减小；

S102、根据各个采样数据的置信度分别对各个采样数据进行修正，得到修正后的采样数据，其中，当前修正后的采样数据的数值与当前置信度正相关；

S103、根据预定的插值算法，对修正后的采样数据进行插值重建，重新获取N个采样数据。

通过上述步骤，可以在有效减少数据的传输时间的基础上，同时提高信号重建的准确性。

具体的，首先需要对待传输的N个数据进行减采样处理，获取M个采样数据进行传输，N＞M，可以有效减少数据的传输时间。减采样的本质为：通过对原连续时间信号的过采样，可以得到一组采样值，从该组采样值再进行适当的采样也不会引起混叠失真，而这里的第二次采样得到新的一组采样值的过程就叫做减采样。

减采样的方式一般可以采用倍数方式进行采样，即待传输的N个数据与减采样后的M个采样数据具有一定的倍数关系，例如N＝2M或者N＝3M，目的在于使得采样均匀。

获取经过减采样后的M个采样数据，然后分别设置M个采样数据的置信度，其中采样数据的置信度与采样数据的数值与采样数据的均值μ_T的偏离程度有关，当当前采样数据的数值与采样数据的均值μ_T的偏离越大，则当前采样数据的置信度越小，当当前采样数据的数值与采样数据的均值μ_T的偏离越小，则当前采样数据的置信度越大。

在确定M个采样数据的置信度后，然后需要根据各个采样数据的置信度对各个采样数据进行修正，得到修正后的采样数据，且当前修正后的采样数据的数值与当前置信度有关，当当前置信度越大，则当前修正后的采样数据的数值越大；当当前置信度越小，则当前修正后的采样数据的数值越小。

在得到修正后的采样数据之后，采用预先设定的插值算法对修正后的数据进行插值重建，恢复原有数目的采样数据。通过减采样处理，可以减少生理信号的传输时间，通过引入置信度，利用置信度对采样数据进行修正，可以避免引入异常信号，利用修正后的采样数据进行插值重建，可以提高信号重建的准确性。

下面以一实际场景解释说明减采样以及插值重建的过程：

例如：在居家睡眠远程监护中，用户通过佩戴传感器节点采集睡眠8小时的心率信号，早晨起床将节点上的数据上传至手机app进行分析。通过BLE的notification模式全部传输，需要大约2分钟，如果要将数据压缩至1/3，传输时间缩短至40s，大大提高用户的体验。

因此，我们通过减采样3倍的方式对原始数据进行压缩传输，即每3个信号采样点中，抽取一个采样点，均匀减采样。这样，传输的数据大小就是原始信号数据量的1/3。在插值过程中，可以选择最邻近值插值法，通过前后两个采样点对中间的两个点进行插值，重建信号。获取传感器采集的全部数据。

本发明实施例通过对待传输数据进行压缩传输，获取压缩传输后的采样数据，对采样数据设置置信度，根据设置的置信度对采样数据进行修正，得到修正后的采样数据，根据预定的插值算法，对修正后的采样数据进行插值重建，获取待传输的全部数据，可以有效减少数据的传输时间，同时提高了信号重建的准确性，解决现有技术中特定信号压缩传输时方法复杂、普适性弱以及重建信号过程中引入异常点，为信号分析引入干扰的问题。

在本发明上述实施例中，如图4所示，步骤S101中对M个采样数据分别设置置信度，包括：

S1011、计算M个采样数据的均值μ_T和方差σ_T；

S1012、根据当前采样数据的数值x_i、计算得到的M个采样数据的均值μ_T和方差σ_T，确定第一函数，其中第一函数随当前采样数据的数值x_i与均值μ_T的偏离程度的增大而减小，随方差σ_T的增大而增大；

S1013、根据方差σ_T和一常数的乘积确定第二函数，其中第二函数随方差σ_T的增大而减小；

S1014、根据第一函数和第二函数确定一计算公式，分别计算M个采样数据的置信度。

具体的，首先计算得出M个采样数据的均值μ_T和方差σ_T，根据当前采样数据的数值x_i、计算得到的M个采样数据的均值μ_T和方差σ_T，确定第一函数，如公式一所示：

公式一

其中，M个采样数据的均值μ_T和方差σ_T为定值，当当前采样数据的数值x_i与均值μ_T的偏离程度越大时，则公式一的值越小，当当前采样数据的数值x_i与均值μ_T的偏离程度越小时，则公式一的值越大。

需要说明的是，根据均值μ_T、方差σ_T和当前采样数据的数值x_i所确定的第一函数，并不局限于本实施例列举的公式，本领域技术人员可以根据均值μ_T、方差σ_T和当前采样数据的数值x_i与置信度的关系，确定其他公式。

然后根据方差σ_T和一常数的乘积确定第二函数，其中第二函数随方差σ_T的增大而减小，如公式二所示：

公式二

需要说明的是，由于M个采样数据的均值μ_T和方差σ_T为定值，所以公式二在此情况下为一定值。

根据第一函数和第二函数的乘积确定一计算公式，如公式三所示，分别计算M个采样数据的置信度。

公式三

需要说明的是，生理信号在一段时期变化平稳，都具有稳定的统计特征。当M的数据较大时，可以获取短时时间窗口T，例如T＝10分钟，其中短时时间窗口T可以看作一睡眠周期。统计窗口内的采样点，计算均值和方差。此种情况下可获得一睡眠周期内采样数据的置信度。

需要说明的是，置信度的计算公式并不局限于公式三的指数函数公式，可以利用多项式的计算方式对置信度进行计算。

当采用多项式的计算方式时，首先根据当前采样数据的数值x_i、M个采样数据的均值μ_T和方差σ_T，确定第一函数，如公式四所示：

公式四

其中，M个采样数据的均值μ_T和方差σ_T为定值，当当前采样数据的数值x_i与均值μ_T的偏离程度越大时，则公式四的值越小，当当前采样数据的数值x_i与均值μ_T的偏离程度越小时，则公式四的值越大。

然后将公式四与公式二进行组合，得到公式五：

公式五

其中，公式五为多项式计算置信度的计算公式，且利用公式五计算置信度时，对当前采样数据的数值x_i有一范围要求，当x_i的数值在μ_T-3σ_T与μ_T+3σ_T之间时，计算置信度，当x_i的数值不在μ_T-3σ_T与μ_T+3σ_T之间时，则置信度的值为零。需要说明的是，公式五可以保证越接近均值的采样点置信度越高，越远离均值的采样点置信度越低，小概率点(概率小于0.3％)的置信度为0。

下面以一具体的场景为例进行说明：

统计一段睡眠时间内逐beat的NN间隙分布(心率)，NN间隙在0.8s到0.9s的采样点数量最多，越小或越大的采样点越少。结果呈现近似的高斯分布。统计分布及拟合的结果如图5所示。因此，在一个短时窗口时间内，变化平稳的信号的分布是有规律的，越接近均值的采样点数量越大，越远离均值的采样点数量越少。本发明根据这样的统计分布规律变换得出每个采样点的置信度。一句话概括，就是一段时间内统计出的值为某个数的采样点越多，值为该数的采样点置信度就越高，反之亦然。根据图5，如果某个采样点A的值为0.8，采样点B的值为1.1，则我们认为，采样点A的置信度大于采样点B的置信度。

在本发明上述实施例中，如图6所示，S102根据各个采样数据的置信度分别对各个采样数据进行修正，得到修正后的采样数据，包括：

S1021、根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K个采样数据进行修正，得到修正后的第K个采样数据的权重Y_k，其中Y_k与K个采样数据的数值X_k乘积为修正后的第K个采样数据的数值，且第K个采样数据的置信度P_k越高，Y_k越大；

S1022、根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K+1个采样数据进行修正，得到修正后的第K+1个采样数据的权重Y_k+1，其中Y_k+1与K+1个采样数据的数值X_k+1乘积为修正后的第K+1个采样数据的数值，且第K+1个采样数据的置信度P_k+1越高，Y_k+1越大；

其中：

具体的，根据获得两个相邻的置信度的值对两个相邻的采样数据的值进行修正，根据修正后的采样数据进行插值重建。下面以一具体例子进行解释说明：

在信号插值时，采用置信度加权的采样值代替实际采样值进行插值。例如，当使用最邻近差值算法时，每隔两采样点插值两个点，在未引入置信度时，使用x₁和x₄插值x₂和x₃时，计算方法如下：

在引入置信度之后，如图7所示，使用x₁和x₄插值x₂和x₃时，P₁为x₁的置信度，P₄为x₄的置信度，算法如下：

其中，为x₁的权重，为x₄的权重，与x₁的乘积为修正后的x₁的数值，与x₄的乘积为修正后的x₄的数值。

在引入置信度后，如果x₄采样值偏离正常值，置信度较低，则最后信号插值后的点受到的影响较小。若未引入置信度，则对x₂和x₃的影响相对较大。通过引入置信度，可以弱化异常采样点的影响，提高信号重建的准确性。

也可以采用线性插值算法，线性插值是数学、计算机图形学等领域广泛使用的一种简单插值方法。

当使用线性插值算法时，假设已知坐标(x0，y0)与(x1，y1)，要得到[x0，x1]区间内某一位置x在直线上的y值。

根据图8中所示，假设直线AB上有一点(x，y)，可作出两个相似三角形，我们得到(y-y0)/(y1-y0)＝(x0-x)/(x0-x1)

假设方程两边的值为α，那么这个值就是插值系数—从x0到x的距离与从x0到x1距离的比值。由于x值已知，所以可以从公式得到α的值

α＝(x-x0)/(x1-x0)

同样，α＝(y-y0)/(y1-y0)

这样，在代数上就可以表示成为：

y＝(1-α)y0+αy1

或者，

y＝y0+α(y1-y0)

在引入置信度的概念以后，插值方法由原来的y＝(1-α)y0+αy1变化为y＝(1-α)Y0+αY1，或者由原来的y＝y0+α(y1-y0)变化为y＝Y0+α(Y1-Y0)，其中

其中为y0的权重，为y1的权重，

利用置信度对y0进行修正，得到Y₀；利用置信度对y1进行修正，得到Y₁，P₀为y0的置信度，P₁为y1的置信度，采用此方式进行插值重建，可以减少置信度小的异常点对插值造成的影响，通过弱化异常采样点的影响，提高信号重建的准确性。

需要说明的是，本发明插值重建的算法，并不局限于上述列举的几种，本领域技术人员可根据需要来选择插值重建的算法。

本发明实施例还提供一种生理信号压缩传输、重建装置，如图9所示，包括：

接收设置模块10，用于接收对N个待传输数据进行减采样后的M个采样数据，对M个所述采样数据分别设置置信度，其中N＞M，且当前采样数据的置信度随当前采样数据与M个所述采样数据的均值μ_T的偏离程度的增大而减小；

修正模块20，用于根据各个所述采样数据的置信度分别对各个所述采样数据进行修正，得到修正后的采样数据，其中，当前所述修正后的采样数据的数值与当前置信度正相关；

重建获取模块30，用于根据预定的插值算法，对所述修正后的采样数据进行插值重建，重新获取N个采样数据。

其中，如图10所示，该装置还包括：

采样获取模块40，用于在所述接收设置模块10接收对N个待传输数据进行减采样后的M个采样数据之前，对N个待传输数据进行减采样处理，获取M个所述采样数据进行传输。

其中接收设置模块10包括：

计算子模块11，用于计算M个所述采样数据的均值μ_T和方差σ_T；

第一确定子模块12，用于根据当前采样数据的数值x_i、计算得到的M个所述采样数据的均值μ_T和方差σ_T，确定第一函数，其中所述第一函数随当前采样数据的数值x_i与所述均值μ_T的偏离程度的增大而减小，随所述方差σ_T的增大而增大；

第二确定子模块13，用于根据所述方差σ_T和一常数的乘积确定第二函数，其中所述第二函数随所述方差σ_T的增大而减小；

处理子模块14，用于根据所述第一函数和所述第二函数确定一计算公式，分别计算M个所述采样数据的置信度。

其中，修正模块20包括：

第一子模块21，用于根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K个采样数据进行修正，得到修正后的第K个采样数据的权重Y_k，其中Y_k与K个采样数据的数值X_k乘积为修正后的第K个采样数据的数值，且第K个采样数据的置信度P_k越高，Y_k越大；

第二子模块22，用于根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K+1个采样数据进行修正，得到修正后的第K+1个采样数据的权重Y_k+1，其中Y_k+1与K+1个采样数据的数值X_k+1乘积为修正后的第K+1个采样数据的数值，且第K+1个采样数据的置信度P_k+1越高，Y_k+1越大；

其中：

其中，重建获取模块30中的预定的插值算法至少包括：最邻近插值算法和线性插值算法。

本发明实施例生理信号压缩传输、重建方法，通过对待传输数据进行压缩传输，获取压缩传输后的采样数据，对采样数据设置置信度，根据设置的置信度对采样数据进行修正，得到修正后的采样数据，根据预定的插值算法，对修正后的采样数据进行插值重建，获取待传输的全部数据，可以有效减少数据的传输时间，同时提高了信号重建的准确性，解决现有技术中特定信号压缩传输时方法复杂、普适性弱以及重建信号过程中引入异常点，为信号分析引入干扰的问题。

需要说明的是，本发明提供的生理信号压缩传输、重建装置是应用上述方法的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种生理信号压缩传输、重建方法，其特征在于，所述方法包括：

接收对N个待传输数据进行减采样后的M个采样数据，对M个所述采样数据分别设置置信度，其中N＞M，且当前采样数据的置信度随当前采样数据与M个所述采样数据的均值μ_T的偏离程度的增大而减小；

根据各个所述采样数据的置信度分别对各个所述采样数据进行修正，得到修正后的采样数据，其中，当前所述修正后的采样数据的数值与当前置信度正相关；

根据预定的插值算法，对所述修正后的采样数据进行插值重建，重新获取N个采样数据，所述预定的插值算法至少包括：最邻近插值算法和线性插值算法。

2.如权利要求1所述的方法，其特征在于，所述接收对N个待传输数据进行减采样后的M个采样数据之前，所述方法还包括：

对N个待传输数据进行减采样处理，获取M个所述采样数据进行传输。

3.如权利要求1所述的方法，其特征在于，所述对M个所述采样数据分别设置置信度，包括：

计算M个所述采样数据的均值μ_T和方差σ_T；

根据当前采样数据的数值x_i、计算得到的M个所述采样数据的均值μ_T和方差σ_T，确定第一函数，其中所述第一函数随当前采样数据的数值x_i与所述均值μ_T的偏离程度的增大而减小，随所述方差σ_T的增大而增大；

根据所述方差σ_T和一常数的乘积确定第二函数，其中所述第二函数随所述方差σ_T的增大而减小；

根据所述第一函数和所述第二函数确定一计算公式，分别计算M个所述采样数据的置信度，包括：

根据第一函数和第二函数的乘积确定一计算公式分别计算M个采样数据的置信度，其中，x_i是当前采样数据的数值，M个采样数据的均值μ_T和方差σ_T为定值。

4.如权利要求1所述的方法，其特征在于，所述根据各个所述采样数据的置信度分别对各个所述采样数据进行修正，得到修正后的采样数据，包括：

根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K个采样数据进行修正，得到修正后的第K个采样数据的权重Y_k，其中Y_k与K个采样数据的数值X_k乘积为修正后的第K个采样数据的数值，且第K个采样数据的置信度P_k越高，Y_k越大；

根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K+1个采样数据进行修正，得到修正后的第K+1个采样数据的权重Y_k+1，其中Y_k+1与K+1个采样数据的数值X_k+1乘积为修正后的第K+1个采样数据的数值，且第K+1个采样数据的置信度P_k+1越高，Y_k+1越大；

其中：

5.一种生理信号压缩传输、重建装置，其特征在于，所述装置包括：

接收设置模块，用于接收对N个待传输数据进行减采样后的M个采样数据，对M个所述采样数据分别设置置信度，其中N＞M，且当前采样数据的置信度随当前采样数据与M个所述采样数据的均值μ_T的偏离程度的增大而减小；

修正模块，用于根据各个所述采样数据的置信度分别对各个所述采样数据进行修正，得到修正后的采样数据，其中，当前所述修正后的采样数据的数值与当前置信度正相关；

重建获取模块，用于根据预定的插值算法，对所述修正后的采样数据进行插值重建，重新获取N个采样数据，所述预定的插值算法至少包括：最邻近插值算法和线性插值算法。

6.如权利要求5所述的装置，其特征在于，所述装置还包括：

采样获取模块，用于在所述接收设置模块接收对N个待传输数据进行减采样后的M个采样数据之前，对N个待传输数据进行减采样处理，获取M个所述采样数据进行传输。

7.如权利要求5所述的装置，其特征在于，所述接收设置模块包括：

计算子模块，用于计算M个所述采样数据的均值μ_T和方差σ_T；

第一确定子模块，用于根据当前采样数据的数值x_i、计算得到的M个所述采样数据的均值μ_T和方差σ_T，确定第一函数，其中所述第一函数随当前采样数据的数值x_i与所述均值μ_T的偏离程度的增大而减小，随所述方差σ_T的增大而增大；

第二确定子模块，用于根据所述方差σ_T和一常数的乘积确定第二函数，其中所述第二函数随所述方差σ_T的增大而减小；

处理子模块，用于根据所述第一函数和所述第二函数确定一计算公式，分别计算M个所述采样数据的置信度，包括：

根据第一函数和第二函数的乘积确定一计算公式分别计算M个采样数据的置信度，其中，x_i是当前采样数据的数值，M个采样数据的均值μ_T和方差σ_T为定值。

8.如权利要求5所述的装置，其特征在于，所述修正模块包括：

第一子模块，用于根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K个采样数据进行修正，得到修正后的第K个采样数据的权重Y_k，其中Y_k与K个采样数据的数值X_k乘积为修正后的第K个采样数据的数值，且第K个采样数据的置信度P_k越高，Y_k越大；

第二子模块，用于根据第K个采样数据的置信度P_k、第K+1个采样数据的置信度P_k+1，采用归一化处理对第K+1个采样数据进行修正，得到修正后的第K+1个采样数据的权重Y_k+1，其中Y_k+1与K+1个采样数据的数值X_k+1乘积为修正后的第K+1个采样数据的数值，且第K+1个采样数据的置信度P_k+1越高，Y_k+1越大；

其中：