CN113925495B - 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 - Google Patents
结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 Download PDFInfo
- Publication number
- CN113925495B CN113925495B CN202111219471.8A CN202111219471A CN113925495B CN 113925495 B CN113925495 B CN 113925495B CN 202111219471 A CN202111219471 A CN 202111219471A CN 113925495 B CN113925495 B CN 113925495B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- energy
- signal
- tremor
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提出一种结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法,采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱,利用归一化能量统计生成能量特征,通过分类器进行动静脉瘘异常震颤信号分类。具有精确的信号成份时频定位、独立重构、自适应、易用以及好的可理解性等优点,能够通过信号处理从震颤信号中获取有效信息。
Description
技术领域
本发明涉及人体信号处理、机器学习技术领域,尤其涉及一种基于结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法。
背景技术
震颤:震颤为触诊时指尖感到的一种细微震动感,比如脉搏引起的震颤;或动静脉瘘引起的浅表震颤等。震颤的发生是血液流经狭窄的口径或向异常的方向流动时,形成漩涡造成血管壁震动传至皮肤表面所致。
患者进行动静脉造瘘术后,会形成一个动静脉内瘘。动静脉内瘘形成后,压力较高的动脉血快速经过压力较低侧的静脉会形成湍流而产生震颤和杂音。手术成功的标志是术后静脉侧能触及震颤,听到血管杂音。震颤信号包含有丰富的病理信息,但是它的传导过程是由瘘部血管壁产生,经皮肤组织传送至皮表,因此震颤信号是一种微弱的生理信号,属于低频信号。目前临床过程中,医生通过触摸患者,感受浅表血管震颤进行疾病判断,然而一般情况下只能主观感受到其震颤,而无法定量的解释震颤中包含的病生理信号。
生理信号与正常或病理状态下的生理现象密切相关,这些时间序列信号具有时变、低频、准周期、非平稳、动态、弱和易受噪声干扰的特性。在通过机器进行信号处理分析的领域,傅立叶变换对于研究稳态的信号是一项非常有用的工具,然而对于生理信号,傅立叶变换并无法有效地完全分析其特性。对于一个非稳态的信号完全分析需要测量出时间以及频率上的表现。现有非平稳时变信号常用的时频分析方法包括了:
1.短时傅立叶变换(STFT)
傅里叶变换只反映出信号在频域的特性,无法在时域内对信号进行分析。短时傅里叶变换其实质是加窗的傅里叶变换,将时域和频域相联系。在信号做傅里叶变换之前乘一个时间有限的窗函数,并假定非平稳信号在分析窗的短时间隔内是平稳的,通过窗函数在时间轴上的移动,对信号进行逐段分析得到信号的一组局部“频谱”。要得到最优的局部化性能,时频分析中窗函数的宽度应根据信号特点进行调整,即正弦类信号用大窗宽,脉冲型信号用小窗宽。优点是其基本算法即是傅里叶变换,易于解释其物理意义。
2.维格纳分布(WVD)
维格纳分布是一种时频变换的技术,定义为对信号的瞬时相关函数做快速傅里叶变换,它是一种重要的双线性时频分布,尤其是对单一成分有良好的分辨率,具有分辨率高、能量集中和满足时频边缘特性等优良特性,有好的数学运算性质,可用于分析随机程序。在计算中不加窗操作,避免了时域分辨率和频域分辨率之间的相互牵制。
3.连续小波变换(CWT)
与短时傅里叶变换相比,小波变换有着窗口自适应的特点,即高频信号分辨率高,低频信号频率分辨率高。在时间域上,可以通过小波在时间上的移动,逐一比较不同位置的窗口信号,得到小波系数,小波系数越大,则证明小波与该段信号的拟合程度越好。计算中用小波函数与该窗口信号的卷积,作为该窗口下的小波系数。窗口的长度和小波的长度是相同的。在频率域上,通过拉伸或压缩小波的长度,来改变小波的长短和频率,实现不同频率下的小波系数。相应的,窗口长度也会随着小波长度变化。由于高频处小波被压缩,时间窗变窄,使得时间分辨率更高。
4.频率切片小波变换(FSWT)
频率切片小波变换可以被看成是一种频率域上的短时傅里叶变换,是一种很好的可解释性方法,它本质上是STFT在频域的扩展,具有以下优点:
(1)变换的时频窗口就是观测时频窗中心;
(2)频率分辨率可控;
(3)可自由设计频率切片函数;
(4)在一定条件下,信号重构与频率切片函数相互独立。
频率切片小波变换用于瞬态振动响应分析和阻尼模态识别,提高了模式识别的精度。
在上述时频分析方法中,短时傅立叶变换的窗宽是固定的,不能进行自适应调整;维格纳分布的时频分布是双线性的,对于多分量信号而言,存在严重的交叉项干扰;连续小波变换有窗口自适应的特点,但是高频信号频率分辨率差,低频信号时间分辨率差。
对于频率切片小波变换算法,虽然从频域产生的时频谱图是一种很好的方法,但是由于频率小波切片变换算法中使用的频率切片函数与频率呈非线性倒数关系,频率切片函数频率窗口在低频区域变化剧烈,该方法用于低频体征信号表示时效果不理想。此外,信号成份时频定位精度主要受变换尺度参数影响,而该参数在实际使用中确定困难。频率小波切片变换用于体征信号时频分析时需要适当的改进。
发明内容
针对现有技术存在的缺陷和不足,本发明提出了一种结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法。采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱,利用归一化能量统计生成能量特征,通过分类器进行动静脉瘘异常震颤信号分类。具有精确的信号成份时频定位、独立重构、自适应、易用以及好的可理解性等优点,能够通过信号处理从震颤信号中获取有效信息。
方案包括:(1)对采集的动静脉瘘震颤信号按脉搏节律进行分割,如不存在震颤或者周期搏动时候提示异常并要求检查信号;(2)选取N个心动周期对应的震颤波,如统一选取6个心动周期长度的震颤波进行分割;(3)采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱;(4)在时频能量谱上进行网格划分,并计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量;(5)最后,将生成的特征向量输入通过统计机器学习方法构建并训练的分类器,如支持向量机分类器,贝叶斯分类器等,给出动静脉瘘震颤信号类型预测。基于统计机器学习方法构建分类模型,如采用贝叶斯分类器等,具有良好的解释性,结合实例分析表明提出的方法能够实现震颤信号的有效识别。方案中采用的改进频率小波切片变换(MFSWT)具有信号时频成分定位准确、信号自适应、具有良好可解释性等特点,在定量分析和预测动静脉瘘异常等应用中具有较好的潜力。
本发明克服了现有时频分析方法在生理信号处理和客观分析中的不足,采用的改进频率切片小波变换遵循从频率域生成信号时频谱的原则,同时采用有界信号自适应频率切片函数。由于其遵循了频率域变换原则,有高时频分辨率和准确的兴趣区域信号频率成份定位等优点。同时,采用信号自适应的频率切片函数解决了其他方法中参数设置困难,低频信号表示不理想的问题,可以很好地在时频域表示信号。
其具体采用以下技术方案:
一种结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于,包括:
动静脉瘘震颤信号采集模块,用于采集一段动静脉瘘震颤信号;一般可以通过电容式或加速度式传感器进行采集;
动静脉瘘震颤信号分割模块,用于对所述动静脉瘘震颤信号按脉搏节律进行分割;
时频能量谱生成模块,用于对分割后的信号时间做归一化处理,采用改进频率小波切片变换MFSWT生成信号的时频能量谱;
能量占比计算模块,用于在所述时频能量谱上进行网格划分,计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量;
以及,分类模型,以所述能量占比特征向量为数据集,采用分类器进行训练构建获得,用于对输入的能量占比特征向量进行分类。
进一步地,在所述动静脉瘘震颤信号分割模块中,选取N个心动周期长度对应的震颤波进行分割。
进一步地,所述动静脉瘘震颤信号分割模块首先使用震颤信号周期识别算法将采集到的动静脉瘘震颤信号以N个心动周期为单位进行分割,接着手工修正识别结果,判断自动分割选取的起始点和结束点是否可接受,不可接受就进行手工修正,保存修正后的信号;
所述震颤信号周期识别算法具体如下:
(1)截取一段动静脉瘘震颤信号数据进行FFT分析,确定信号基频f1和搜索长度L1=1.2*f1Fs,L2=0.5*f1Fs,其中,Fs是采样频率;
(2)取前3f1Fs一维最小值搜索得到起始点B0;
(3)从起始点B0点开始在搜索长度L2范围内搜索最大值为峰值点C0;
(4)从C0+B0C0开始在搜索长度L1范围内搜索最小值为峰值点B1;
(5)重复(3)、(4)完成整个搜索,去除最后一个周期;
(6)从峰值点C0点开始进行前向搜索,去除第一个周期;
(7)修正识别结果,计算B1C0间斜率,并通过标准差和协方差评估,对大于斜率阀值的端点坐标进行修订,并用修改后的坐标取代初始确定的坐标。
进一步地,在所述能量占比计算模块中,在时频域谱上定义时域分割线Ti和频域分割线Fj,记录所有分割线的个数,将频域分割线和时域分割线组成的特征提取网格划分出的小块作为能量块Eij;
根据震颤信号计算信号各能量块所占百分比,通过下式计算得到:
其中,Eij代表能量块的能量,通过MFSWT功率谱计算得到,i代表能量块在时域分割的位置,Ti对应时间维度第i格的位置,j代表能量块在频域分割的位置,Fj对应频率维度第j格的位置。
进一步地,所述分类模型的分类器采用支持向量机分类器或贝叶斯分类器。
以及,一种结合统计学习和时频分析的动静脉瘘异常震颤信号识别方法,其特征在于,包括以下步骤:
步骤S1:对采集获得的动静脉瘘震颤信号按脉搏节律进行分割;
步骤S2:对分割后的信号时间做归一化处理,采用改进频率小波切片变换MFSWT生成信号的时频能量谱;
步骤S3:在所述时频能量谱上进行网格划分,计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量;
步骤S4:以所述能量占比特征向量为数据集,采用分类器进行训练构建获得分类模型。
进一步地,在步骤S1中,选取N个心动周期长度对应的震颤波进行分割。
进一步地,在步骤S1中,首先使用震颤信号周期识别算法将采集到的动静脉瘘震颤信号以N个心动周期为单位进行分割,接着手工修正识别结果,判断自动分割选取的起始点和结束点是否可接受,不可接受就进行手工修正,保存修正后的信号;
所述震颤信号周期识别算法具体如下:
(1)截取一段动静脉瘘震颤信号数据进行FFT分析,确定信号基频f1和搜索长度L1=1.2*f1Fs,L2=0.5*f1Fs,其中,Fs是采样频率;
(2)取前3f1Fs一维最小值搜索得到起始点B0;
(3)从起始点B0点开始在搜索长度L2范围内搜索最大值为峰值点C0;
(4)从C0+B0C0开始在搜索长度L1范围内搜索最小值为峰值点B1;
(5)重复(3)、(4)完成整个搜索,去除最后一个周期;
(6)从峰值点C0点开始进行前向搜索,去除第一个周期;
(7)修正识别结果,计算B1C0间斜率,并通过标准差和协方差评估,对大于斜率阀值的端点坐标进行修订,并用修改后的坐标取代初始确定的坐标。
进一步地,步骤S3具体为:在时频域谱上定义时域分割线Ti和频域分割线Fj,记录所有分割线的个数,将频域分割线和时域分割线组成的特征提取网格划分出的小块作为能量块Eij;
根据震颤信号计算信号各能量块所占百分比,通过下式计算得到:
其中,Eij代表能量块的能量,通过MFSWT功率谱计算得到,i代表能量块在时域分割的位置,Ti对应时间维度第i格的位置,j代表能量块在频域分割的位置,Fj对应频率维度第j格的位置。
进一步地,在步骤S4中,所述分类器采用支持向量机分类器或贝叶斯分类器。
以及,一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如上所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别方法的步骤。
一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别方法的步骤。
相对于现有技术,本发明及其优选方案:
1、对采集的动静脉瘘震颤信号按脉搏节律进行震颤信号分割。如,每次分析时均提取六个周期的脉搏波。克服了不同个体脉搏周期长短不同的问题,对信号时间做归一化处理。
2、采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱,利用归一化能量统计生成能量特征。可以很好的定位震颤信号中各成份包含的时间和频率信息,具有精确的信号成份时频定位、独立重构、自适应、易用以及好的可理解性等优点。
3、计算出震颤信号的MFSWT频域结果后,在时频域谱上定义频域分割线和时域分割线,将频域分割线和时域分割线组成的特征提取网格划分出的小块称为能量块。计算信号各能量块所占能量百分比,生成对应的特征向量,再通过分类器进行动静脉瘘异常震颤信号分类。分类器可采用如贝叶斯分类器等具有良好解释性的方法,如基于已分类为“正常”、“狭窄”的动静脉瘘震颤信号样本数据先训练构建分类器,根据分类准则自动给出对未知震颤信号的推广描述,从而实现对未知震颤信号进行分类,完成动静脉瘘状态评估。
其有益效果在于:对采集的动静脉瘘震颤信号按脉搏节律进行震颤信号分割。如,每次分析时均提取六个周期的脉搏波。克服了不同个体或同一个体不同采集时间脉搏周期长短不同的问题,对信号时间做归一化处理。
其次,采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱,利用归一化能量统计生成能量特征。针对其他算法在震颤信号时频表示时效果不理想的问题,所提方法能够实现震颤信号的有效识别,具有信号互补准确时频定位、自适应、易于使用等优点,具有良好的可解释性和高的时频分辨率。
最后,提出了能量块的概念,通过计算信号各能量块所占百分比,结合分类器进行动静脉瘘异常震颤信号分类。可以根据分类准则自动给出对未知震颤信号的推广描述,从而实现对未知震颤信号进行分类,有利于完成动静脉瘘状态评估。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1是本发明实施例动静脉瘘状态评估方案总体流程示意图;
图2是本发明实施例震颤信号预处理和周期分割流程示意图;其中(1)为提取六个脉动周期震颤信号的示意图;(2)为提取结果示意图;
图3是本发明实施例特征提取网格示意图;
图4是本发明实施例基于时频率分析的动静脉瘘异常震颤信号识别方法模型框架示意图;
图5是本发明实施例采集信号现场以及采集的动静脉瘘震颤信号示意图;
图6是本发明实施例采集的动静脉瘘震颤信号以及观测频率为20~45.5Hz的时频谱图;
图7是本发明实施例动静脉瘘震颤信号时频谱的特征提取网格图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,并配合附图,作详细说明如下:
如图1所示,本实施例提供的结合统计学习和时频分析的动静脉瘘异常震颤信号识别方案首先对采集的病人的动静脉瘘震颤信号按脉搏节律进行震颤信号分割,如不存在震颤或者周期搏动时候提示异常并要求检查信号。选取N个心动周期对应的震颤波,如统一选取6个心动周期长度的震颤波进行分割。为了克服病人脉搏周期长短不同,需要对信号时间做归一化处理,采用改进频率小波切片变换(MFSWT)生成信号的时频能量谱。在时频能量谱上进行网格划分,并计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量。最后,将生成的特征向量输入通过统计机器学习方法构建并训练的分类器,如支持向量机分类器,贝叶斯分类器等,给出动静脉瘘震颤信号类型预测。
本实施例中,提取出归一化的震颤信号的主要过程包括:对采集的病人的动静脉瘘震颤信号按脉搏节律进行震颤信号分割,如不存在震颤或者周期搏动时候提示异常并要求检查信号。其中,设定信号为震颤或者周期搏动的阈值为PPT,在信号周期长度的滑动窗内做峰-峰值检波,峰-峰值是指一个周期内信号最高值和最低值之间差的值,就是最大和最小之间的范围,它描述了信号值的变化范围的大小。如果检测结果小于设定阈值PPT,则认为没有有用的变化信号存在,提示异常并检查信号。
选取N个心动周期对应的震颤波进行分割。考虑有几种可行的提取N个心动周期的工程实施方法,(1)采用交互式手工分割,该方法具有准确率高的优点;(2)自动分割方法,具有速度快的优点,但有可能误分;(3)自动分割结合手工修正,提高了分割的准确率。
本实施例采用第三种信号分割方法,首先使用震颤信号周期识别算法自动将采集到的动静脉瘘震颤信号以N个心动周期为单位进行分割,接着手工修正识别结果,判断自动分割选取的起始点和结束点是否可接受,不可接受就进行手工修正,保存修正后的信号。震颤信号周期识别算法如下:
(1)截取一段数据进行FFT分析,确定信号基频f1和搜索长度L1=1.2*f1Fs,L2=0.5*f1Fs,Fs是采样频率;
(2)取前3f1Fs一维最小值搜索得到起始点B0;
(3)从起始点B0点开始在搜索长度L2范围内搜索最大值为峰值点C0;
(4)从C0+B0C0开始在搜索长度L1范围内搜索最小值为峰值点B1;
(5)重复(3)、(4)完成整个搜索,去除最后一个周期(可能由于截断的原因信号不完整);
(6)从峰值点C0点开始进行前向搜索,去除第一个周期。
(7)修正识别结果,计算B1C0间斜率,并通过标准差和协方差评估,对大于斜率阀值的其端点坐标进行修订,并用修改后的坐标取代初始确定的坐标。
示例中取N=6,震颤信号预处理和周期分割示意图如图2所示。
针对其他算法在震颤信号时频表示时效果不理想的问题,本实施例采用改进频率小波切片变换,可以很好的定位震颤信号中各成份包含的时间和频率信息,该方法具有精确的信号成份时频定位、独立重构、自适应、易用以及好的可理解性等优点。
通过调整频率切片函数频率域窗口的宽度来控制时频平面上信号能量分布集中度,能够实现不同观测频率上信号能量分布自适应测量过程。窄频率窗口的频率切片函数被用于观测能量小的频率成份,宽的频率窗口频率切片函数用于观测能量大的频率成份。频率切片函数具有信号自适应性,克服了频率观测窗口难以选择合适的变换尺度参数的问题。通过在变换中引入信号自适应频率切片函数,信号时频成份在时频谱中得到相应的增强,具有良好的可解释性和高的时频分辨率,实现了震颤信号的精确时频表示。
MFSWT能够对不同带宽的体征信号自适应的生成需要观测频率范围内高分辨率的时频谱。通过改进频率小波切片变换,时域震颤信号中各特征波形,如脉搏波,以及噪声成份均实现了在信号时频谱中准确定位,生成的时频谱具有更好的解释性。由于采用了信号自适应频率切片函数,MFSWT不需要进行复杂的参数设置,该方法比STFT,CWT和FSWT等更容易在实际中使用。
对于频率切片小波变换(FSWT):
其中t和ω分别是时频变换的观测时间和观测频率,“*”表示共轭算子,σ可以是常数或者是ω,t和u的函数。频率切片小波变换中常用的σ形式为σ=ω/κ,其中κ被称为常数尺度参数。是频率切片函数(FSF),频率切片函数常用的函数包括:等。如果满足原始信号可以根据式(2)进行重构。
对于改进频率切片小波变换(MFSWT):
根据(1)式,σ=ω/κ表明频率切片函数的频率窗口宽度遵循1/ω的变化规律。这使得频率窗口宽度在高频区域缓慢变化,而在低频区域却产生剧烈的变化。对于如高频的震动信号分析,使用频率切片小波变换可以取得较好的效果。但是,频率切片函数频率窗口在低频区域剧烈变化使得变换用于低频生物信号时频表示效果并不理想。此外,频率切片小波变换参数设置很大程度上需要依赖使用者的经验。为了克服以上问题,本发明提出了改进频率切片小波变换。
改进频率切片小波变换核心思想包括了以下两个方面:
(1)遵循从频率域产生信号时频谱的原则;
(2)在变换中引入有界的信号自适应频率切片函数。
在频率切片小波变换中,频率切片函数可以被看作是一组动态滤波器。因此,可以通过调整频率切片函数频率域窗口的宽度来控制时频平面上信号能量分布集中度。与显微镜采用不同尺度的放大倍数观测不同尺寸的物体类似,提出改进的变换中信号自适应的频率切片函数相当于显微镜不同的放大倍数的观测尺度,它能够实现不同观测频率上信号能量分布自适应测量过程。窄频率窗口的频率切片函数被用于观测能量小的频率成份,宽的频率窗口频率切片函数用于观测能量大的频率成份。同时,频率切片函数具有信号自适应性,克服了随1/ω变化频率观测窗口难以选择合适的变换尺度参数的问题。通过在变换中引入信号自适应频率切片函数,信号时频成份在时频谱中得到相应的增强。
为了实现对低频生理信号的精确时频表示,本发明提出了改进频率切片小波变换(MFSWT)。与FSWT一样,MFSWT也遵循从频域产生时频谱图的原理,FSWT与MFSWT的主要区别在于:
(1)设计了一个新的关于u的频率切片函数;
(2)在变换中加入频率切片函数的一个约束条件。
改进频率切片小波变换(MFSWT)模型表示如下:
其中,δ是信号中主要成份的频率位置。可以由的最大值对应的频率位置来估计。和“sign”分别为后向差分算子和符号算子。根据公式(3)和(4),自适应频谱切片函数的频率窗口随信号频率能量分布平滑变化。重新设计的自适应频谱切片函数保证了变换能够在时频平面上有效增强具有相对较大能量的信号成份。
作为动态频率滤波器,频率切片函数被用于估计不同频段的能量分布,类似于显微镜中用于不同大小物体的尺度,窄窗口大小的频率切片函数对应的小值,频率切片函数的宽窗大小对应的大值。由于自适应频率切片函数的作用,大的信号分量的能量可以在时频谱图中得到增强。MFSWT利用慢变频率切片函数和频率滤波能量增强的优点,实现了震颤信号的精确时频表示。
在本实施例中,计算出震颤信号的MFSWT频域结果后,在时频能量谱上进行网格划分,并计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量。在时频域谱上定义时域分割线Ti和频域分割线Fj,记录所有分割线的个数,将频域分割线和时域分割线组成的特征提取网格划分出的小块称为能量块Eij,如图3所示。
针对震颤信号计算信号各能量块所占百分比,通过下式计算得到:
其中,Eij代表能量块的能量,通过MFSWT功率谱计算得到,i代表能量块在时域分割的位置,Ti对应时间维度第i格的位置,j代表能量块在频域分割的位置,Fj对应频率维度第j格的位置。举例如下:如果对图3中时间从0s到4s,频率变换区间从20Hz到40Hz变化的时频谱图结果从时间维度和频率维度上做8×10的划分,则i的取值范围为[1,8],j的取值范围为[1,10],T8和F5对应示意取出的能量块E85。
在本实施例中,将生成的特征向量输入通过统计机器学习方法构建并训练的分类器,如支持向量机分类器,贝叶斯分类器等,给出动静脉瘘震颤信号类型预测。以贝叶斯分类器进行举例,贝叶斯分类器通过对已分类的样本子集进行训练,学习归纳出回归函数,利用训练得到的分类器实现对未分类数据的分类。基于已分类为“正常”、“狭窄”的动静脉瘘震颤信号样本数据先训练构建分类器,基于样本数据记录,根据分类准则自动给出对未知震颤信号的推广描述,从而实现对未知震颤信号进行分类,完成动静脉瘘状态评估。
贝叶斯公式可写成如下形式:
其中,P(y|x)为后验概率分布,P(y)为先验分布,P(x)通常为常数。
本实施例构建了基于时频率分析的动静脉瘘异常震颤信号识别方法的模型,如图4所示。用MFSWT对动静脉瘘震颤信号做时频变换、能量统计,提取出特征向量,并将其分为训练集和测试集,通过训练训练集数据,最后在测试集上进行验证。为测试集的动静脉瘘震颤信号添加是否异常的标签,达到有效识别动静脉瘘异常震颤信号的目的。
如图5所示,在本实施例方案的使用过程中,一般可以通过医院的相关器械采集动静脉瘘患者的震颤信号,获得原始数据信息。
将观测频率调整至20~45.5Hz,采集的动静脉瘘震颤信号以及使用改进频率小波切片变换(MFSWT)方法处理得到的时频谱如图6所示。图6的结果说明,MFSWT能够对不同带宽的体征信号自适应的生成需要观测频率范围内高分辨率的时频谱。
动静脉瘘震颤信号时频谱的特征提取网格如图7所示,基于此结果进行能量统计,通过贝叶斯分类器,对动静脉瘘状态进行评估。
本实施例提供的以上方法可以代码化的形式存储在计算机可读取存储介质中,并以计算机程序的方式进行实现,并通过计算机硬件输入计算所需的基本参数信息,并输出计算结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (10)
1.一种结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于,包括:
动静脉瘘震颤信号采集模块,用于采集一段动静脉瘘震颤信号;
动静脉瘘震颤信号分割模块,用于对所述动静脉瘘震颤信号按脉搏节律进行分割;
时频能量谱生成模块,用于对分割后的信号时间做归一化处理,采用改进频率小波切片变换MFSWT生成信号的时频能量谱;
能量占比计算模块,用于在所述时频能量谱上进行网格划分,计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量;
以及,分类模型,以所述能量占比特征向量为数据集,采用分类器进行训练构建获得,用于对输入的能量占比特征向量进行分类。
2.根据权利要求1所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于:在所述动静脉瘘震颤信号分割模块中,选取N个心动周期长度对应的震颤波进行分割。
3.根据权利要求1所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于:
所述动静脉瘘震颤信号分割模块首先使用震颤信号周期识别算法将采集到的动静脉瘘震颤信号以N个心动周期为单位进行分割,接着手工修正识别结果,判断自动分割选取的起始点和结束点是否可接受,不可接受就进行手工修正,保存修正后的信号;
所述震颤信号周期识别算法具体如下:
(1)截取一段动静脉瘘震颤信号数据进行FFT分析,确定信号基频f1和搜索长度L1=1.2*f1Fs,L2=0.5*f1Fs,其中,Fs是采样频率;
(2)取前3f1Fs一维最小值搜索得到起始点B0;
(3)从起始点B0点开始在搜索长度L2范围内搜索最大值为峰值点C0;
(4)从C0+B0C0开始在搜索长度L1范围内搜索最小值为峰值点B1;
(5)重复(3)、(4)完成整个搜索,去除最后一个周期;
(6)从峰值点C0点开始进行前向搜索,去除第一个周期;
(7)修正识别结果,计算B1C0间斜率,并通过标准差和协方差评估,对大于斜率阀值的端点坐标进行修订,并用修改后的坐标取代初始确定的坐标。
5.根据权利要求1所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统,其特征在于:所述分类模型的分类器采用支持向量机分类器或贝叶斯分类器。
6.一种结合统计学习和时频分析的动静脉瘘异常震颤信号识别方法,其特征在于,包括以下步骤:
步骤S1:对采集获得的动静脉瘘震颤信号按脉搏节律进行分割;
步骤S2:对分割后的信号时间做归一化处理,采用改进频率小波切片变换MFSWT生成信号的时频能量谱;
步骤S3:在所述时频能量谱上进行网格划分,计算每个网络单元格内局部归一化能量占比,并生成对应的能量占比特征向量;
步骤S4:以所述能量占比特征向量为数据集,采用分类器进行训练构建获得分类模型。
7.根据权利要求6所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别方法,其特征在于:在步骤S1中,选取N个心动周期长度对应的震颤波进行分割和识别。
8.根据权利要求7所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别方法,其特征在于:在步骤S1中,首先使用震颤信号周期识别算法将采集到的动静脉瘘震颤信号以N个心动周期为单位进行分割,接着手工修正识别结果,判断自动分割选取的起始点和结束点是否可接受,不可接受就进行手工修正,保存修正后的信号;
所述震颤信号周期识别算法具体如下:
(1)截取一段动静脉瘘震颤信号数据进行FFT分析,确定信号基频f1和搜索长度L1=1.2*f1Fs,L2=0.5*f1Fs,其中,Fs是采样频率;
(2)取前3f1Fs一维最小值搜索得到起始点B0;
(3)从起始点B0点开始在搜索长度L2范围内搜索最大值为峰值点C0;
(4)从C0+B0C0开始在搜索长度L1范围内搜索最小值为峰值点B1;
(5)重复(3)、(4)完成整个搜索,去除最后一个周期;
(6)从峰值点C0点开始进行前向搜索,去除第一个周期;
(7)修正识别结果,计算B1C0间斜率,并通过标准差和协方差评估,对大于斜率阀值的端点坐标进行修订,并用修改后的坐标取代初始确定的坐标。
10.根据权利要求7所述的结合统计学习和时频分析的动静脉瘘异常震颤信号识别方法,其特征在于:在步骤S4中,所述分类器采用支持向量机分类器或贝叶斯分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219471.8A CN113925495B (zh) | 2021-10-20 | 2021-10-20 | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219471.8A CN113925495B (zh) | 2021-10-20 | 2021-10-20 | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113925495A CN113925495A (zh) | 2022-01-14 |
CN113925495B true CN113925495B (zh) | 2023-04-21 |
Family
ID=79280608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111219471.8A Active CN113925495B (zh) | 2021-10-20 | 2021-10-20 | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113925495B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943252B (zh) * | 2022-05-20 | 2023-04-07 | 电子科技大学 | 一种多旋翼无人机识别中的多型子块组合特征提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109330569A (zh) * | 2018-11-27 | 2019-02-15 | 成都优途科技有限公司 | 一种动静脉内瘘血栓预警装置及其控制方法 |
CN110522456A (zh) * | 2019-09-26 | 2019-12-03 | 安徽中医药大学 | 一种基于深度学习的wd震颤患者病情自评估系统 |
CN210494102U (zh) * | 2019-05-31 | 2020-05-12 | 福建工程学院 | 适用于动静脉内瘘震颤测量装置的传感结构 |
CN111870251A (zh) * | 2020-07-21 | 2020-11-03 | 福建工程学院 | 电容传感原理的动静脉内瘘震颤测量方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6936016B2 (en) * | 2002-05-17 | 2005-08-30 | Bertec Corporation | Method for analysis of abnormal body tremors |
-
2021
- 2021-10-20 CN CN202111219471.8A patent/CN113925495B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109330569A (zh) * | 2018-11-27 | 2019-02-15 | 成都优途科技有限公司 | 一种动静脉内瘘血栓预警装置及其控制方法 |
CN210494102U (zh) * | 2019-05-31 | 2020-05-12 | 福建工程学院 | 适用于动静脉内瘘震颤测量装置的传感结构 |
CN110522456A (zh) * | 2019-09-26 | 2019-12-03 | 安徽中医药大学 | 一种基于深度学习的wd震颤患者病情自评估系统 |
CN111870251A (zh) * | 2020-07-21 | 2020-11-03 | 福建工程学院 | 电容传感原理的动静脉内瘘震颤测量方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨禹 ; 严中红 ; 易东 ; .生物医学信号模式的状态评估法分析方法研究.重庆医学.2013,(36),第4368-4370页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113925495A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rubin et al. | Recognizing abnormal heart sounds using deep learning | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
EP2416703B1 (en) | Real-time identification of seizures in an eeg signal | |
CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN110141218B (zh) | 一种心电信号分类方法、装置及程序产品、存储介质 | |
CN108742697B (zh) | 心音信号分类方法及终端设备 | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
Boashash et al. | Time-frequency signal and image processing of non-stationary signals with application to the classification of newborn EEG abnormalities | |
KR20170061317A (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
Al-Assaf | Surface myoelectric signal analysis: dynamic approaches for change detection and classification | |
CN104305992A (zh) | 一种交互式胎儿心电快速自动提取方法 | |
CN116049735A (zh) | 一种基于多元经验模态分解的子宫肌电信号分类方法 | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
CN116649924A (zh) | 一种脉搏分析方法及装置 | |
Ikawa | Automated averaging of auditory evoked response waveforms using wavelet analysis | |
Blumensath et al. | Shift-invariant sparse coding for single channel blind source separation | |
CN115299960A (zh) | 基于短时变分模态分解的电信号分解方法及脑电信号分解装置 | |
Chandra et al. | Neuromuscular disease detection employing 1D-local binary pattern of electromyography signals | |
Boubchir et al. | Effectiveness of combined time-frequency imageand signal-based features for improving the detection and classification of epileptic seizure activities in EEG signals | |
Ghoraani et al. | Pathological speech signal analysis using time-frequency approaches | |
Suwida et al. | Application of Machine Learning Algorithm for Mental State Attention Classification Based on Electroencephalogram Signals | |
Ghoraani | Time-frequency Feature Analysis | |
EP4181790B1 (en) | Ultrasound data processor |
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 |