CN112237422A - 基于心率阈值的胚蛋成活性分类方法 - Google Patents
基于心率阈值的胚蛋成活性分类方法 Download PDFInfo
- Publication number
- CN112237422A CN112237422A CN201910644839.1A CN201910644839A CN112237422A CN 112237422 A CN112237422 A CN 112237422A CN 201910644839 A CN201910644839 A CN 201910644839A CN 112237422 A CN112237422 A CN 112237422A
- Authority
- CN
- China
- Prior art keywords
- embryo
- value
- eggs
- detection
- signal
- 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.)
- Pending
Links
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000694 effects Effects 0.000 title claims abstract description 20
- 235000013601 eggs Nutrition 0.000 claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000004083 survival effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000035899 viability Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 208000002979 Influenza in Birds Diseases 0.000 description 3
- 206010064097 avian influenza Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229960003971 influenza vaccine Drugs 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 210000002257 embryonic structure Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开基于心率阈值的胚蛋成活性分类方法，包括以下步骤：(1)胚蛋成活性检测时域分析；(2)胚蛋成活性检测频域分析；(3)对胚蛋心跳信号进行分析和处理进而提取特征，依据得到特征和设定的阈值进行比较得出输入胚蛋所属类别，进而实现了胚蛋成活性检测。本发明对采集到胚蛋心跳信号数据进行分析和处理，充分利用胚胎心跳信号对胚蛋进行稳定、高精度的成活性检测。
Description
技术领域
本发明属于信号处理与信号分类技术领域，特别涉及基于心率阈值的胚蛋成活性分类方法。
背景技术
禽流感的预防主要通过接种疫苗的手段，目前禽流感疫苗的制备主要通过在鸡蛋胚胎中接种毒株然后增殖培养的方式进行，在毒株胚蛋培养过程中，未剔除的死亡胚蛋会导致毒株增殖培养失败，因此毒株胚蛋的成活性检测与分类对禽流感疫苗的制备具有重要意义。
心跳信号作为一项能直接反映动物体活性的重要特征，具有简单、真实和客观等优点。前人研究的胚胎心率检测方法在获取胚胎心跳信号的过程中容易引入环境噪声，稳定性差，且对鸡蛋胚胎造成物理损害，这些因素导致了无法使用胚胎心率技术进行自动化胚蛋成活性检测。
综上所述，目前迫切需要提出一种稳定、高精度的自动化成活性检测方案能对胚蛋进行成活性检测。
发明内容
本发明针对现有技术中存在的技术问题，提供基于心率阈值的胚蛋成活性分类方法，可对采集到胚蛋心跳信号数据进行分析和处理，充分利用胚胎心跳信号对胚蛋进行稳定、高精度的成活性检测。
为解决上述技术问题，本发明采用的技术方案是：基于心率阈值的胚蛋成活性分类方法，包括以下步骤：
(1)胚蛋成活性检测时域分析；
(2)胚蛋成活性检测频域分析；
(3)对胚蛋心跳信号进行分析和处理进而提取特征，依据得到特征和设定的阈值进行比较得出输入胚蛋所属类别，进而实现了胚蛋成活性检测。
作为优选，步骤(1)中，胚蛋成活性检测时域分析包括以下步骤：
第一步骤，输入心跳信号序列x(n)，序列长度为N；
第二步骤，利用设计的高通滤波器对x(n)进行预处理，然后平滑波形，得到处理后的序列z(m)，序列长度为M；
第三步骤，对z(m)计算出峰值集合F＝{(x1,y1),(x2,y2),...(xk,yk)}，其中xk表示峰值对应横坐标，yk为峰值纵坐标，集合F含有k个峰值坐标点；
第四步骤，对集合F的横坐标作差分，tl＝xl-xl-1,1≤l≤k,计算得到横坐标差分集合T作为初步周期集合T＝{t1,t2,...,tl}；
第五步骤，设定周期阈值范围AT剔除异常值，将集合T中的元素tl与AT值作比较，大于AT则记为1，否则记为0；
第六步骤，统计第五步骤中1的个数C并设定心跳周期个数阈值N，将C与N作比较，得出输入信号所属类别。
作为优选，步骤(2)中，胚蛋成活性检测频域分析，在对胚蛋心跳信号进行频域分析时，包括以下步骤：
步骤一：对信号进行滤波以去除噪声干扰，这样得到的频谱图能更直观有效地反映出信号的有效频率构成；
步骤二：对于滤波后的信号，使用汉宁窗对滤波信号进行处理，降低频谱泄露造成的测量误差；
步骤三：使用傅立叶变换将信号从时域转换到频域，得到信号的频率响应；
步骤四：在设定频率范围内中提取第一主峰点；
步骤五：将得到的第一主峰峰值F和设定峰值阈值T比较，得出信号所属类别。
与现有技术相比，本发明所具有的有益效果是：本发明对采集到胚蛋心跳信号数据进行分析和处理，充分利用胚胎心跳信号对胚蛋进行稳定、高精度的成活性检测。
附图说明
图1为按照本发明的基于心率阈值的胚蛋成活性检测分类方法的流程图；
图2为按照本发明的胚蛋心跳信号时域分析流程图；
图3为按照本发明的胚蛋心跳信号频域分析流程图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施例对本发明作详细说明。
本发明的实施例公开了基于心率阈值的胚蛋成活性分类方法，其包括以下步骤：
(1)胚蛋成活性检测时域分析；
(2)胚蛋成活性检测频域分析；
(3)对胚蛋心跳信号进行分析和处理进而提取特征，依据得到特征和设定的阈值进行比较得出输入胚蛋所属类别，进而实现了胚蛋成活性检测。
本实施例中，步骤(1)中，胚蛋成活性检测时域分析包括以下步骤：
第一步骤，输入心跳信号序列x(n)，序列长度为N；
第二步骤，利用设计的高通滤波器对x(n)进行预处理，然后平滑波形，得到处理后的序列z(m)，序列长度为M；
第三步骤，对z(m)计算出峰值集合F＝{(x1,y1),(x2,y2),...(xk,yk)}，其中xk表示峰值对应横坐标，yk为峰值纵坐标，集合F含有k个峰值坐标点；
第四步骤，对集合F的横坐标作差分，tl＝xl-xl-1,1≤l≤k,计算得到横坐标差分集合T作为初步周期集合T＝{t1,t2,...,tl}；
第五步骤，设定周期阈值范围AT剔除异常值，将集合T中的元素tl与AT值作比较，大于AT则记为1，否则记为0；
第六步骤，统计第五步骤中1的个数C并设定心跳周期个数阈值N，将C与N作比较，得出输入信号所属类别。
对于正常鸡蛋胚胎来说，其心跳频率为1～4Hz，当样本序列点数为350时，对应正常心跳信号一个周期序列间隔点数范围约为[15,63]，因此，实验中周期序列间隔点数下限D1取15，周期序列间隔点数上限D2取63。当样本序列长度为350时，由于数据采样率为62.5Hz，对应采样时间Ts为5.6s。Ts时间内对应正常胚蛋心跳周期个数范围为[5.6,22.4]，实验中周期个数上限T2取25，周期个数下限T1作为实际周期阈值。
实验中，首先，对输入胚蛋信号进行高通滤波去噪；其次，在时域中对滤波后信号求极大值点作为波峰点；再次，对相邻极大值点计算横坐标差分，得到周期间隔；接着，将得到的周期间隔和设定的周期间隔范围[D1,D2]比较，得到统计周期个数Tc；最后，将Tc与实际周期个数阈值范围[T1,T2]比较，合格则为1，否则为0。
本实施例中，步骤(2)中，胚蛋成活性检测频域分析，在对胚蛋心跳信号进行频域分析时，包括以下步骤：
步骤一：对信号进行滤波以去除噪声干扰，这样得到的频谱图能更直观有效地反映出信号的有效频率构成；
步骤二：对于滤波后的信号，使用汉宁窗对滤波信号进行处理，降低频谱泄露造成的测量误差；
步骤三：使用傅立叶变换将信号从时域转换到频域，得到信号的频率响应；
步骤四：在设定频率范围内中提取第一主峰点；
步骤五：将得到的第一主峰峰值F和设定峰值阈值T比较，得出信号所属类别。
正常鸡蛋胚胎的心跳信号频率为1～4Hz，故对该范围内频谱提取第一主峰，将主峰峰值与所设定频谱幅值阈值T进行比较，大于T则记为1(包含T)，否则为0。
时域
取不同心跳周期个数阈值T1时得到的准确率Accuracy、精确率P、召回率R和F1分数。由表4-1可以看出，随着心跳周期个数阈值T1变化，时域方法的准确率在不停的变动，当T1取4时，此时方法判断的误检数最少，准确率达到最高98.11％，F1分数也达到最高98.10％，此时的阈值T1为方法在当前数据集的最佳阈值；当T1取6时，此时方法预测正样本中实际正样本数最多，精确率达到99.82％；若倾向于选择实际正样本预测准确率，则阈值T1应当取3，此时召回率Recall达到98.28％，对正样本预测准确率高。
表1不同阈值T1下时域方法性能对比
频域
取不同频谱幅值阈值T范围下得到的准确率Accuracy、精确率P、召回率R和F1分数。由表4-2可知，当频率幅值T取70时准确率达到最高96.60％，此时综合性能指标F1分数也为最高，反映了频域方法最佳阈值；当要评估活胚占总正样本比例时，此时阈值T应当选择80，精度Precision为95.14％；若要关注方法实际预测活胚的性能，则阈值T应当选择60，此时Recall达到99.41％。
表2不同阈值T下频域方法性能
本申请提出的时域和频域分类方法在心跳序列数据集上表现较好，得到时域中最高分类准确率98.11％，频域中96.60％，高效地实现胚蛋成活性检测。
以上通过实施例对本发明进行了详细说明，但所述内容仅为本发明的示例性实施例，不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，在本发明的实质和保护范围内，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。应当注意，为了清楚的进行表述，本发明的说明中省略了部分与本发明的保护范围无直接明显的关联但本领域技术人员已知的部件和处理的表述。
Claims (3)
1.基于心率阈值的胚蛋成活性分类方法，其特征在于，包括以下步骤：
(1)胚蛋成活性检测时域分析；
(2)胚蛋成活性检测频域分析；
(3)对胚蛋心跳信号进行分析和处理进而提取特征，依据得到特征和设定的阈值进行比较得出输入胚蛋所属类别，进而实现了胚蛋成活性检测。
2.根据权利要求1所述的基于心率阈值的胚蛋成活性分类方法，其特征在于，步骤(1)中，胚蛋成活性检测时域分析包括以下步骤：
第一步骤，输入心跳信号序列x(n)，序列长度为N；
第二步骤，利用设计的高通滤波器对x(n)进行预处理，然后平滑波形，得到处理后的序列z(m)，序列长度为M；
第三步骤，对z(m)计算出峰值集合F＝{(x1,y1),(x2,y2),...(xk,yk)}，其中xk表示峰值对应横坐标，yk为峰值纵坐标，集合F含有k个峰值坐标点；
第四步骤，对集合F的横坐标作差分，tl＝xl-xl-1,1≤l≤k,计算得到横坐标差分集合T作为初步周期集合T＝{t1,t2,...,tl}；
第五步骤，设定周期阈值范围AT剔除异常值，将集合T中的元素tl与AT值作比较，大于AT则记为1，否则记为0；
第六步骤，统计第五步骤中1的个数C并设定心跳周期个数阈值N，将C与N作比较，得出输入信号所属类别。
3.根据权利要求1所述的基于心率阈值的胚蛋成活性分类方法，其特征在于，步骤(2)中，胚蛋成活性检测频域分析，在对胚蛋心跳信号进行频域分析时，包括以下步骤：
步骤一：对信号进行滤波以去除噪声干扰；
步骤二：对于滤波后的信号，使用汉宁窗对滤波信号进行处理，降低频谱泄露造成的测量误差；
步骤三：使用傅立叶变换将信号从时域转换到频域，得到信号的频率响应；
步骤四：在设定频率范围内中提取第一主峰点；
步骤五：将得到的第一主峰峰值F和设定峰值阈值T比较，得出信号所属类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910644839.1A CN112237422A (zh) | 2019-07-17 | 2019-07-17 | 基于心率阈值的胚蛋成活性分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910644839.1A CN112237422A (zh) | 2019-07-17 | 2019-07-17 | 基于心率阈值的胚蛋成活性分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112237422A true CN112237422A (zh) | 2021-01-19 |
Family
ID=74167089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910644839.1A Pending CN112237422A (zh) | 2019-07-17 | 2019-07-17 | 基于心率阈值的胚蛋成活性分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112237422A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS55163035A (en) * | 1979-03-30 | 1980-12-18 | Brattle Instr Corp | Device and method for monitoring heart rate of embryo for uniting heart motion signal drawn electrically and mechanically |
| KR20140086182A (ko) * | 2012-12-28 | 2014-07-08 | (주)모메드솔루션 | 임펄스 레이더를 이용한 심박수 측정 장치 |
| RU172072U1 (ru) * | 2016-04-18 | 2017-06-28 | Федеральное государственное бюджетное образовательное учреждение высшего образования "РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ ЗАОЧНЫЙ УНИВЕРСИТЕТ" | Устройство регистрации частоты сердечных сокращений эмбриона птиц без разрушения скорлупы |
-
2019
- 2019-07-17 CN CN201910644839.1A patent/CN112237422A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS55163035A (en) * | 1979-03-30 | 1980-12-18 | Brattle Instr Corp | Device and method for monitoring heart rate of embryo for uniting heart motion signal drawn electrically and mechanically |
| KR20140086182A (ko) * | 2012-12-28 | 2014-07-08 | (주)모메드솔루션 | 임펄스 레이더를 이용한 심박수 측정 장치 |
| RU172072U1 (ru) * | 2016-04-18 | 2017-06-28 | Федеральное государственное бюджетное образовательное учреждение высшего образования "РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ ЗАОЧНЫЙ УНИВЕРСИТЕТ" | Устройство регистрации частоты сердечных сокращений эмбриона птиц без разрушения скорлупы |
Non-Patent Citations (1)
| Title |
|---|
| 胡玉舟: "基于CNN与心跳信号的胚蛋成活性检测方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109243470A (zh) | 基于音频技术的肉鸡咳嗽监测方法 | |
| CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN108549875B (zh) | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 | |
| CN105411565A (zh) | 基于广义尺度小波熵的心率变异性特征分类方法 | |
| Liu et al. | A combination method of improved impulse rejection filter and template matching for identification of anomalous intervals in RR sequences | |
| CN110775758B (zh) | 一种基于轿厢加速度信号解析的电梯运行健康度评价方法 | |
| CN110568073B (zh) | 一种在噪声环境中拾取击打信号的方法 | |
| CN102885616A (zh) | 一种去除脉搏波信号基线漂移的方法 | |
| CN102670182B (zh) | 脉搏波采集质量实时分析装置 | |
| CN108470163B (zh) | 轨道道岔板离缝病害检测方法及终端设备 | |
| CN110236538B (zh) | 一种基于肌电信号的运动起始点自动实时检测方法 | |
| CN114587381A (zh) | 基于多通道脑电智能筛选与加权样本生成的棘波检测方法 | |
| CN107550484B (zh) | 一种心磁信号质量评价方法及系统 | |
| CN111053552A (zh) | 一种基于深度学习的qrs波检测方法 | |
| CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| Lin et al. | Approximate entropy as acoustic emission feature parametric data for crack detection | |
| CN112237422A (zh) | 基于心率阈值的胚蛋成活性分类方法 | |
| CN106772572A (zh) | 一种微地震监测初至的拾取方法 | |
| CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
| CN103099642B (zh) | 一种超声血流信号质量实时分析方法 | |
| CN117153168A (zh) | 鲸类回声定位信号的检测与提取方法、系统、设备及介质 | |
| CN110507299B (zh) | 一种心率信号检测装置及方法 | |
| Zhong et al. | A robust envelope extraction algorithm for cardiac sound signal segmentation | |
| Haibing et al. | A method of continuous wavelet transform for qrs wave detection in ecg signal | |
| Tao et al. | Broiler sound signal filtering method based on improved wavelet denoising and effective pulse extraction |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210119 |