CN110378031B - 实时呼吸信号监测方法、装置、呼吸监测器及存储介质 - Google Patents
实时呼吸信号监测方法、装置、呼吸监测器及存储介质 Download PDFInfo
- Publication number
- CN110378031B CN110378031B CN201910661976.6A CN201910661976A CN110378031B CN 110378031 B CN110378031 B CN 110378031B CN 201910661976 A CN201910661976 A CN 201910661976A CN 110378031 B CN110378031 B CN 110378031B
- Authority
- CN
- China
- Prior art keywords
- time
- preset
- model
- sum
- coefficient
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Acoustics & Sound (AREA)
- Pulmonology (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种实时呼吸信号监测方法、装置、呼吸监测器及存储介质,应用于智能设备技术领域,用于解决现有检测设备无法对呼吸道异常完成初步判断的问题。本发明提供的方法包括:通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数;以预设时间窗口计算所述各个模型系数的标准偏差;根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号。
Description
技术领域
本发明涉及智能设备技术领域,尤其涉及实时呼吸信号监测方法、装置、呼吸监测器及存储介质。
背景技术
呼吸道活动是每个人维持生命的必须活动途径,因此,在医疗诊断过程中,医生常常通过听诊器听取呼吸道活动的声音,据此来判断病人的健康状态,比如可以初步判断病人是否患有肺部或呼吸道感染等疾病。然而,随着城市化的快速发展,人们对医疗服务的需求越来越大,导致医生的工作量巨大,同时医疗队伍的服务也难以满足越来越庞大的需求。为此,通过智能设备代替部分医生的工作将是未来发展的必然要求和趋势。
目前市面上存在一些家用的实时监控人体健康的设备,但这些设备虽然可以采集目前人物的体征数据并上传至医院系统,但其本质上还是将这些体征数据提交给后台终端的医生进行查看和诊断,不具有代替医生完成初步判断的能力。
因此,寻找一种实时监控呼吸道活动声音状况并作出判断的方法成为本领域技术人员亟需解决的问题。
发明内容
本发明实施例提供一种实时呼吸信号监测方法、装置、计算机设备及存储介质,以解决现有检测设备无法对呼吸道异常完成初步判断的问题。
一种实时呼吸信号监测方法,包括:
通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;
将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;
根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数;
以预设时间窗口计算所述各个模型系数的标准偏差;
根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;
若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号。
优选地,所述根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数包括:
将数据规格化后的数字声音信号代入时变自回归公式,以最小化目标函数为目标,计算得到所述时变自回归公式中的各个公式系数作为所述各个模型系数;
其中,所述时变自回归公式表示为:
n表示时间轴上的时间点,SFN,n表示在时间点n上的数字声音信号,M为所述时变自回归模型的阶数,ak(n)为在时间点n上k阶时的相关系数,vn为独立常数;
所述目标函数表示为:
Y为所述目标函数的值,λ为遗忘因子,e(i)为相关系数的误差值。
优选地,所述根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变包括:
判断计算得到的标准偏差是否大于预设第一阈值;
若所述标准偏差大于预设第一阈值,则在每个所述预设时间窗口中,分别计算所述各个模型系数的一阶微分绝对值之和;
在每个所述预设时间窗口的一阶微分绝对值之和最大值处,计算所述各个模型系数各自一阶微分的绝对值之和;
若在每个所述预设时间窗口中,所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处发生正负转换,则确定所述各个模型系数在时间轴上发生突变。
优选地,在确定所述各个模型系数在时间轴上发生突变之后,还包括:
获取各个达标时间窗口中一阶微分绝对值之和最大值处的时间点,所述达标时间窗口是指计算得到的标准偏差大于所述预设第一阈值的预设时间窗口;
输出获取到的各个所述时间点。
一种实时呼吸信号监测装置,包括:
模拟信号采集模块,用于通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;
信号转换模块,用于将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;
模型系数计算模块,用于根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数;
标准偏差计算模块,用于以预设时间窗口计算所述各个模型系数的标准偏差;
系数突变判断模块,用于根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;
信号发送模块,用于若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号。
优选地,所述模型系数计算模块包括:
代入公式计算单元,用于将数据规格化后的数字声音信号代入时变自回归公式,以最小化目标函数为目标,计算得到所述时变自回归公式中的各个公式系数作为所述各个模型系数;
其中,所述时变自回归公式表示为:
n表示时间轴上的时间点,SFN,n表示在时间点n上的数字声音信号,M为所述时变自回归模型的阶数,ak(n)为在时间点n上k阶时的相关系数,vn为独立常数;
所述目标函数表示为:
Y为所述目标函数的值,λ为遗忘因子,e(i)为相关系数的误差值。
优选地,所述系数突变判断模块包括:
标准偏差判断单元,用于判断计算得到的标准偏差是否大于预设第一阈值;
微分和计算单元,用于若所述标准偏差大于预设第一阈值,则在每个所述预设时间窗口中,分别计算所述各个模型系数的一阶微分绝对值之和;
绝对值之和计算单元,用于在每个所述预设时间窗口的一阶微分绝对值之和最大值处,计算所述各个模型系数各自一阶微分的绝对值之和;
突变确认单元,用于若在每个所述预设时间窗口中,所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处发生正负转换,则确定所述各个模型系数在时间轴上发生突变。
优选地,所述实时呼吸信号监测装置还包括:
时间点获取模块,用于获取各个达标时间窗口中一阶微分绝对值之和最大值处的时间点,所述达标时间窗口是指计算得到的标准偏差大于所述预设第一阈值的预设时间窗口;
时间点输出模块,用于输出获取到的各个所述时间点。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实时呼吸信号监测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述实时呼吸信号监测方法的步骤。
上述实时呼吸信号监测方法、装置、计算机设备及存储介质,首先,通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;然后,将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;接着,根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数;再之,以预设时间窗口计算所述各个模型系数的标准偏差;最后,根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号。可见,本发明能够对目标人物的呼吸道进行实时声音检测,当目标人物的呼吸道存在异常时,可以及时作出判断并发出相关信息,一定程度上代替了医生完成初步判断,并辅助医生后续对目标人物进行更全面的诊断,间接提高了对呼吸道方面诊断的准确率和及时性,降低了社会医疗成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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是本发明一实施例中实时呼吸信号监测方法的一应用环境示意图;
图2是本发明一实施例中实时呼吸信号监测方法的一流程图;
图3是本发明一实施例中实时呼吸信号监测方法步骤105在一个应用场景下的流程示意图;
图4是本发明一实施例中实时呼吸信号监测方法在一个具体应用场景下的运算曲线示意图;
图5是本发明一实施例中实时呼吸信号监测装置在第一应用场景下的结构示意图;
图6是本发明一实施例中系数突变判断模块的结构示意图;
图7是本发明一实施例中实时呼吸信号监测装置在第二应用场景下的结构示意图;
图8是本发明一实施例中计算机设备的一示意图。
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。
本申请提供的实时呼吸信号监测方法,可应用在如图1的应用环境中,其中,呼吸监测器可以以有线或无线的方式与一个以上用于采集人体呼吸道体征信号的传感器连接,并且通过网络与云服务器通信连接。该呼吸监测器具体可以为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,通过在这些设备上嵌入软件程序实现本发明提供的实时呼吸信号监测方法来达到实时呼吸信号监测的效果。该云服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种实时呼吸信号监测方法,以该方法应用在图1中的呼吸监测器为例进行说明,包括如下步骤:
101、通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;
本实施例中,该呼吸监测器可以与一个或多个传感器相连,这些传感器主要用于采集目标人物呼吸道的体征信号,比如鼻腔发出的鼾声、喉部发出的咳嗽声、喘息声、肺部异响等。在实际使用中,这些传感器可以贴附与目标人物的鼻子、喉咙、肺部附近,以便于实时采集上述这些声音。
这些传感器采集目标人物呼吸道发出的模拟声音信号之后,会将这些模拟声音信号发送给该呼吸监测器,以便于呼吸监测器对这些模拟声音信号作进一步处理。
102、将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;
可以理解的是,为了便于信号的存储、处理和分析,该呼吸监测器可以将来自传感器的模拟声音信号进行模数转换处理,得到相应的数字声音信号,并对这些数字声音信号进行数据规格化处理。
这里所说的数据规格化(data normalization)是指对数据的规范化处理。有些情况下,为了能正确地真正反映实际情况,需要对原始数据(本实施例中即数字声音信号)进行加工处理,使之规范化。可知,数据规格化的具体方法存在多种,比如数据标准化、正规化、均值化、对数变换等等,本实施例对此不做具体限定。
103、根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数;
本实施例中,该呼吸监测器中预先设置了时变自回归模型,该时变自回归模型可以有效地估算模型系数在时间序列上的变化,从而便于后续寻找模型系数突变的时间点提供基础和便利。
具体地,该时变自回归模型由时变自回归公式和目标函数组成,根据实际情况的需要还可以添加模型的约束条件,此处不再展开约束条件。
在实际工作中,该呼吸监测器执行步骤103时,可以将数据规格化后的数字声音信号代入时变自回归公式,以最小化目标函数为目标,计算得到所述时变自回归公式中的各个公式系数作为所述各个模型系数;
其中,所述时变自回归公式表示为:
n表示时间轴上的时间点,SFN,n表示在时间点n上的数字声音信号,M为所述时变自回归模型的阶数,ak(n)为在时间点n上k阶时的相关系数,vn为独立常数;
所述目标函数表示为:
Y为所述目标函数的值,λ为遗忘因子,e(i)为相关系数的误差值,具体可以表示为e(i)=ak(i)-ak(i-1)。
需要说明的是,阶数M的取值决定了该时变自回归模型的运算速度,通常来说,M的值越大,则该时变自回归模型所需的运算时间越长,运算结果的精度越精确。在实际应用中,阶数M的优选取值可以为4,遗忘因子λ的优选取值为0.97。
104、以预设时间窗口计算所述各个模型系数的标准偏差;
在计算出所述各个模型系数之后,为了判断得知哪些时间点中出现了声音加入的情况,可以预先设置固定大小的时间窗口,比如4微妙的时间窗口,以时间窗口为单位分别计算这些模型系数的标准偏差。
需要说明的是,该预设时间窗口可以根据实际情况的需要进行调整,预设时间窗口越窄,对非正常声音的加入反应越敏感,但同时也会加大呼吸监测器的运算量。
105、根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变,若是,则执行步骤106,若否,则按照预设流程处理;
在计算出所述各个模型系数在不同预设时间窗口下的标准偏差之后,可以根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变,若发生了突变,则表明该目标人物的呼吸道中除了正常呼吸声音之外有其它声音加入了,也即呼吸道存在异常声音,因此可以执行下述步骤106,发出关于所述目标人物呼吸道存在异常的信号,以实现报警的功能;反之,若没有发生突变,则表明该目标人物的呼吸道中仅有正常呼吸声音,不存在呼吸道异响,因此可以按照预设流程处理。
需要说明的是,本实施例中所说的预设流程处理可以根据实际使用情况具体设定,比如可以将计算得到的标准偏差存储至存储介质中,或者可以输出所述各个模型系数在时间轴上的标准偏差曲线,以便用户查阅,等等。此处仅作举例说明,不作为对本实施例的具体限定。
为便于理解,下面将对该呼吸监测器如何判断各个模型系数是否发生突变进行详细描述。如图3所示,进一步地,所述根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变包括:
201、判断计算得到的标准偏差是否大于预设第一阈值,若是,则执行步骤202,若否,则无需理会;
202、在每个所述预设时间窗口中,分别计算所述各个模型系数的一阶微分绝对值之和;
203、在每个所述预设时间窗口的一阶微分绝对值之和最大值处,计算所述各个模型系数各自一阶微分的绝对值之和;
204、在每个所述预设时间窗口中,判断所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处是否发生正负转换,若是,则执行步骤205,若否,则按照预设流程处理;
205、确定所述各个模型系数在时间轴上发生突变。
对于上述步骤201,本发明实施例中,为了避免干扰信号的影响,可以设定一个预设第一阈值,当计算得到的标准偏差大于预设第一阈值时,再执行后续步骤判断是否有异常声音加入。其中,该预设第一阈值可以根据实际使用情况或具体应用场景设定,比如可以设定为0.0239。
对于上述步骤202,可以理解的是,本发明针对不同的预设时间窗口,分别计算该预设时间窗口中所述各个模型系数的一阶微分绝对值之和。
对于上述步骤203,根据步骤202的计算结果,可以确定出每个所述预设时间窗口的一阶微分绝对值之和最大值处,然后在该最大值处计算出所述各个模型系数各自一阶微分的绝对值之和。
对于上述步骤204,针对每个所述预设时间窗口,可以理解的是,当所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处发生正负转换时,在曲线图上的表现为:在最大处之前斜率为正值,绝对值之和快速增大,而在最大处之后斜率为负值,绝对值之和快速减少。从声音采集的角度可以,可以认为此处必然存在异常声音的加入,因此,通过判断所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处是否发生正负转换,若是,则可以执行步骤205,确定所述各个模型系数在时间轴上发生了突变;若否,则按照预设流程处理即可。
对于上述步骤205,如上所述,可知,针对每个预设时间窗口,当判断得知该预设时间窗口中所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处发生正负转换时,可以确定所述各个模型系数在时间轴上发生突变,也即确定此处存在异常声音加入。
106、发出关于所述目标人物呼吸道存在异常的信号。
本实施例中,当得知所述各个模型系数在时间轴上发生突变时,该呼吸监测器可以生成关于所述目标人物呼吸道存在异常的信号,比如报警信号,并将该信号发送出去。具体可以发生给该目标人物的预设监护人、陪护人或者医生等。
进一步地,本实施例中,该呼吸监测器在确定所述各个模型系数在时间轴上发生突变之后,还可以获取各个达标时间窗口中一阶微分绝对值之和最大值处的时间点,其中,所述达标时间窗口是指计算得到的标准偏差大于所述预设第一阈值的预设时间窗口;然后,输出获取到的各个所述时间点。可以理解的是,各个模型系数在时间轴上发生突变的时间点即为异常声音加入的时间点,该呼吸监测器输出该时间点给相关人员,比如该目标人物的预设监护人、陪护人或者医生等,可以有助于相关人员进一步了解目标人物的呼吸道状况,辅助医生进行后续诊疗工作。
为了便于对上述实施例的理解,下面将通过在一个应用场景下执行上述实时呼吸信号监测方法的过程举例进行描述。
参阅图4,在一个应用场景下,该呼吸监测器接收到模拟声音信号后,将其转换为数字声音信号并进行数据规格化处理,如图4中a)所示,其中,图4中的Amplitude是指幅度值,后续不再强调。然后,根据时变自回归模型对这些数字声音信号进行计算,得到各个模型系数,本应用场景选择该模型的阶数M为4,因此可以得到4条模型系数曲线,分别为a1(n)、a2(n)、a3(n)和a4(n),如图4中b)所示。接着,根据这四条模型系数曲线,可以计算出各个时间窗口中的一阶微分,如图4中c)所示,以及可以计算出各个模型系数的标准偏差,如图4中d)所示,其中,图4中std_Da1、std_Da2、std_Da3、std_Da4分别为a1(n)、a2(n)、a3(n)和a4(n)的标准偏差。最后,针对每个预设时间窗口,判断各个模型系数一阶微分的绝对值之和的斜率是否发生正负转换,从而判定这些模型系数是否在时间轴上发生突变,并进行确定是否存在异常声音加入,如图4中e)所示,其中,图4中abs_Da1、abs_Da2、abs_Da3、abs_Da4分别为a1(n)、a2(n)、a3(n)和a4(n)的一阶微分绝对值。
本发明实施例中,首先,通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;然后,将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;接着,根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数;再之,以预设时间窗口计算所述各个模型系数的标准偏差;最后,根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号。可见,本发明能够对目标人物的呼吸道进行实时声音检测,当目标人物的呼吸道存在异常时,可以及时作出判断并发出相关信息,一定程度上代替了医生完成初步判断,并辅助医生后续对目标人物进行更全面的诊断,间接提高了对呼吸道方面诊断的准确率和及时性,降低了社会医疗成本。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种实时呼吸信号监测装置,该实时呼吸信号监测装置与上述实施例中实时呼吸信号监测方法一一对应。如图5所示,该实时呼吸信号监测装置包括模拟信号采集模块301、信号转换模块302、模型系数计算模块303、标准偏差计算模块304、系数突变判断模块305和信号发送模块306。各功能模块详细说明如下:
模拟信号采集模块301,用于通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;
信号转换模块302,用于将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;
模型系数计算模块303,用于根据数据规格化后的数字声音信号和预设的时变自回归模型计算所述时变自回归模型的各个模型系数;
标准偏差计算模块304,用于以预设时间窗口计算所述各个模型系数的标准偏差;
系数突变判断模块305,用于根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;
信号发送模块306,用于若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号。
进一步地,所述模型系数计算模块303可以包括:
代入公式计算单元,用于将数据规格化后的数字声音信号代入时变自回归公式,以最小化目标函数为目标,计算得到所述时变自回归公式中的各个公式系数作为所述各个模型系数;
其中,所述时变自回归公式表示为:
n表示时间轴上的时间点,SFN,n表示在时间点n上的数字声音信号,M为所述时变自回归模型的阶数,ak(n)为在时间点n上k阶时的相关系数,vn为独立常数;
所述目标函数表示为:
Y为所述目标函数的值,λ为遗忘因子,e(i)为相关系数的误差值。
如图6所示,进一步地,所述系数突变判断模块305可以包括:
标准偏差判断单元3051,用于判断计算得到的标准偏差是否大于预设第一阈值;
微分和计算单元3052,用于若所述标准偏差大于预设第一阈值,则在每个所述预设时间窗口中,分别计算所述各个模型系数的一阶微分绝对值之和;
绝对值之和计算单元3053,用于在每个所述预设时间窗口的一阶微分绝对值之和最大值处,计算所述各个模型系数各自一阶微分的绝对值之和;
突变确认单元3054,用于若在每个所述预设时间窗口中,所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处发生正负转换,则确定所述各个模型系数在时间轴上发生突变。
如图7所示,进一步地,所述实时呼吸信号监测装置还可以包括:
时间点获取模块307,用于获取各个达标时间窗口中一阶微分绝对值之和最大值处的时间点,所述达标时间窗口是指计算得到的标准偏差大于所述预设第一阈值的预设时间窗口;
时间点输出模块308,用于输出获取到的各个所述时间点。
关于实时呼吸信号监测装置的具体限定可以参见上文中对于实时呼吸信号监测方法的限定,在此不再赘述。上述实时呼吸信号监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储实时呼吸信号监测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种实时呼吸信号监测方法。
在一个实施例中,提供了一种呼吸监测器,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中实时呼吸信号监测方法的步骤,例如图2所示的步骤101至步骤106。或者,处理器执行计算机程序时实现上述实施例中实时呼吸信号监测装置的各模块/单元的功能,例如图5所示模块301至模块306的功能。为避免重复,这里不再赘述。特别地,该呼吸监测器上还可以安装有用于采集人体呼吸道声音的若干个传感器,以及与云服务器通信的通讯接口。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中实时呼吸信号监测方法的步骤,例如图2所示的步骤101至步骤106。或者,计算机程序被处理器执行时实现上述实施例中实时呼吸信号监测装置的各模块/单元的功能,例如图5所示模块301至模块306的功能。为避免重复,这里不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种实时呼吸信号监测方法,其特征在于,包括:
通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;
将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;
将数据规格化后的数字声音信号代入时变自回归公式,以最小化目标函数为目标,计算得到所述时变自回归公式中的各个公式系数作为所述各个模型系数;
以预设时间窗口计算所述各个模型系数的标准偏差;
根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;
若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号;
所述根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变包括:
判断计算得到的标准偏差是否大于预设第一阈值;
若所述标准偏差大于预设第一阈值,则在每个所述预设时间窗口中,分别计算所述各个模型系数的一阶微分绝对值之和;
在每个所述预设时间窗口的一阶微分绝对值之和最大值处,计算所述各个模型系数各自一阶微分的绝对值之和;
若在每个所述预设时间窗口中,所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处发生正负转换,则确定所述各个模型系数在时间轴上发生突变。
3.根据权利要求1或2所述的实时呼吸信号监测方法,其特征在于,在确定所述各个模型系数在时间轴上发生突变之后,还包括:
获取各个达标时间窗口中一阶微分绝对值之和最大值处的时间点,所述达标时间窗口是指计算得到的标准偏差大于所述预设第一阈值的预设时间窗口;
输出获取到的各个所述时间点。
4.一种实时呼吸信号监测装置,其特征在于,包括:
模拟信号采集模块,用于通过预设传感器实时采集目标人物呼吸道发出的模拟声音信号;
信号转换模块,用于将所述模拟声音信号转换为数字声音信号,并进行数据规格化处理;
模型系数计算模块,用于将数据规格化后的数字声音信号代入时变自回归公式,以最小化目标函数为目标,计算得到所述时变自回归公式中的各个公式系数作为所述各个模型系数;
标准偏差计算模块,用于以预设时间窗口计算所述各个模型系数的标准偏差;
系数突变判断模块,用于根据计算得到的标准偏差判断所述各个模型系数在时间轴上是否发生突变;
信号发送模块,用于若所述各个模型系数在时间轴上发生突变,则发出关于所述目标人物呼吸道存在异常的信号;
所述系数突变判断模块包括:
标准偏差判断单元,用于判断计算得到的标准偏差是否大于预设第一阈值;
微分和计算单元,用于若所述标准偏差大于预设第一阈值,则在每个所述预设时间窗口中,分别计算所述各个模型系数的一阶微分绝对值之和;
绝对值之和计算单元,用于在每个所述预设时间窗口的一阶微分绝对值之和最大值处,计算所述各个模型系数各自一阶微分的绝对值之和;
突变确认单元,用于若在每个所述预设时间窗口中,所述绝对值之和的斜率在所述一阶微分绝对值之和最大值处发生正负转换,则确定所述各个模型系数在时间轴上发生突变。
6.根据权利要求4或5所述的实时呼吸信号监测装置,其特征在于,所述实时呼吸信号监测装置还包括:
时间点获取模块,用于获取各个达标时间窗口中一阶微分绝对值之和最大值处的时间点,所述达标时间窗口是指计算得到的标准偏差大于所述预设第一阈值的预设时间窗口;
时间点输出模块,用于输出获取到的各个所述时间点。
7.一种呼吸监测器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述实时呼吸信号监测方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述实时呼吸信号监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661976.6A CN110378031B (zh) | 2019-07-22 | 2019-07-22 | 实时呼吸信号监测方法、装置、呼吸监测器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661976.6A CN110378031B (zh) | 2019-07-22 | 2019-07-22 | 实时呼吸信号监测方法、装置、呼吸监测器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378031A CN110378031A (zh) | 2019-10-25 |
CN110378031B true CN110378031B (zh) | 2023-03-24 |
Family
ID=68254763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910661976.6A Active CN110378031B (zh) | 2019-07-22 | 2019-07-22 | 实时呼吸信号监测方法、装置、呼吸监测器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378031B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111880842B (zh) * | 2020-06-22 | 2023-08-22 | 东北大学 | 指令切换的方法及装置、电子设备和存储介质 |
CN114190916B (zh) * | 2021-12-07 | 2023-05-23 | 河南省儿童医院郑州儿童医院 | 一种基于织物传感器的儿童呼吸监控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6139505A (en) * | 1998-10-14 | 2000-10-31 | Murphy; Raymond L. H. | Method and apparatus for displaying lung sounds and performing diagnosis based on lung sound analysis |
JP2006243676A (ja) * | 2005-03-07 | 2006-09-14 | Nippon Telegr & Teleph Corp <Ntt> | 音響信号分析装置およびその方法、プログラム、記録媒体 |
CN105867353A (zh) * | 2016-05-25 | 2016-08-17 | 广东电网有限责任公司电力科学研究院 | 一种振荡监测方法及系统 |
CN108417225A (zh) * | 2018-02-11 | 2018-08-17 | 广州市碳码科技有限责任公司 | 一种呼吸音监测方法、装置、终端及计算机可读存储介质 |
EP3479758A1 (en) * | 2017-11-03 | 2019-05-08 | Tata Consultancy Services Limited | System and method for breathing pattern extraction from ppg signals |
-
2019
- 2019-07-22 CN CN201910661976.6A patent/CN110378031B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6139505A (en) * | 1998-10-14 | 2000-10-31 | Murphy; Raymond L. H. | Method and apparatus for displaying lung sounds and performing diagnosis based on lung sound analysis |
JP2006243676A (ja) * | 2005-03-07 | 2006-09-14 | Nippon Telegr & Teleph Corp <Ntt> | 音響信号分析装置およびその方法、プログラム、記録媒体 |
CN105867353A (zh) * | 2016-05-25 | 2016-08-17 | 广东电网有限责任公司电力科学研究院 | 一种振荡监测方法及系统 |
EP3479758A1 (en) * | 2017-11-03 | 2019-05-08 | Tata Consultancy Services Limited | System and method for breathing pattern extraction from ppg signals |
CN108417225A (zh) * | 2018-02-11 | 2018-08-17 | 广州市碳码科技有限责任公司 | 一种呼吸音监测方法、装置、终端及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
呼吸监测系统的研究;余庚;《长春大学学报》;20171030(第10期);全文 * |
基于声音采集方案的睡眠呼吸监测系统设计;刘邝朋等;《计算机测量与控制》;20180525(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378031A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292286B (zh) | 基于机器学习的呼吸音鉴别方法及系统 | |
CN110378031B (zh) | 实时呼吸信号监测方法、装置、呼吸监测器及存储介质 | |
US11948690B2 (en) | Pulmonary function estimation | |
US20130255681A1 (en) | Data collection system and method using parametric-based sampling rates | |
WO2018090304A1 (zh) | 一种精神压力评测方法和装置 | |
Song | Diagnosis of pneumonia from sounds collected using low cost cell phones | |
US20200121277A1 (en) | Systems and methods for detecting physiological information using a smart stethoscope | |
US11813109B2 (en) | Deriving insights into health through analysis of audio data generated by digital stethoscopes | |
EP3866687A1 (en) | A method and apparatus for diagnosis of maladies from patient sounds | |
Shah et al. | Personalized alerts for patients with COPD using pulse oximetry and symptom scores | |
CN110732068A (zh) | 一种基于云平台的呼吸状态预测方法 | |
JP6914525B2 (ja) | 嚥下機能解析システム及びプログラム | |
Doheny et al. | Estimation of respiratory rate and exhale duration using audio signals recorded by smartphone microphones | |
CN111789629A (zh) | 一种基于深度学习的呼吸音智能诊疗系统及方法 | |
Uwaoma et al. | Detection and classification of abnormal respiratory sounds on a resource-constraint mobile device | |
Chang et al. | Design of e-health system for heart rate and lung sound monitoring with AI-based analysis | |
WO2021030865A1 (en) | A method and apparatus for processing asthma patient cough sound for application of appropriate therapy | |
Jilbab et al. | Quantification system of Parkinson’s disease | |
WO2023168834A1 (zh) | 体征信号的质量评估方法、装置、电子设备和存储介质 | |
WO2023226369A1 (zh) | 预测机械通气脱机的方法、装置、设备及存储介质 | |
CN114881941A (zh) | 一种基于大数据的脊柱健康变化预测方法及系统 | |
US20230284998A1 (en) | Lung sound analysis system | |
US20240032885A1 (en) | Lung sound analysis system | |
JP2023527742A (ja) | 複数の生体信号を監視するためのシステム及び方法、並びそのシステムにおいて動作可能なゲートウェイ・デバイス | |
Christensen et al. | Breath sounds analysis for asthma monitoring: a method for automated detection of flow events from tracheal recordings |
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 |