CN114403847B - 基于腹部和肺部数据相关性的呼吸状态检测方法及系统 - Google Patents

基于腹部和肺部数据相关性的呼吸状态检测方法及系统 Download PDF

Info

Publication number
CN114403847B
CN114403847B CN202111551636.1A CN202111551636A CN114403847B CN 114403847 B CN114403847 B CN 114403847B CN 202111551636 A CN202111551636 A CN 202111551636A CN 114403847 B CN114403847 B CN 114403847B
Authority
CN
China
Prior art keywords
data
respiration
abdominal
lung
displacement data
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
CN202111551636.1A
Other languages
English (en)
Other versions
CN114403847A (zh
Inventor
张莉
邓冉琪
吴鹏飞
王虎成
张文劲
黄祥胜
唐铭炫
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.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
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 South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202111551636.1A priority Critical patent/CN114403847B/zh
Publication of CN114403847A publication Critical patent/CN114403847A/zh
Application granted granted Critical
Publication of CN114403847B publication Critical patent/CN114403847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • 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
    • A61B5/72—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种基于腹部和肺部数据相关性的呼吸状态检测方法，所述方法包括：通过口鼻部传感器采集患者的一次平稳呼吸状态下的进出气体体积数据作为肺部呼吸数据，并进行预处理；通过腹部传感器采集患者在不同呼吸状态下的腹部位移数据，并进行预处理，计算呼吸速率；采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离；将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类；通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类。本发明只需要采集患者的腹部数据即可实时判断呼吸状态，简化了佩戴装置，同时可提高检测准确度。

Description

基于腹部和肺部数据相关性的呼吸状态检测方法及系统
技术领域
本发明属于呼吸检测技术领域，具体涉及一种基于腹部和肺部数据相关性的呼吸状态检测方法及系统。
背景技术
呼吸是一项重要的生理指标，通过对呼吸状态的检测，可以反映出不同的身体状态，呼吸检测作用领域极为广泛，在医院工作中，对于行动不便的瘫痪老人和卧床老人以及各种不同症状的重症病人，需要时刻检测呼吸状态，在社区和家庭工作中，对于睡眠呼吸暂停症状的群体，整晚检测呼吸状态十分有必要，针对这种实际情况，一种可以实时检测呼吸状态的方法和装置显得十分有必要，实时的呼吸检测装置可缓解医院和社区的监护中的资源不足情况。呼吸状态检测主要包括呼吸速率，呼吸幅度等。
现有呼吸检测设备的检测方式主要有四种：一种是通过热敏电阻、气体流量计来检测口部鼻部的气体流量变化情况反应呼吸；第二种是通过位移传感器检测腹部或者胸口部的位移变化情况，来反应患者的呼吸变化；第三种是通过压电传感器检测患者的胸腹部扩张情况来检测呼吸状况；最后一种是通过阻抗法，利用人体呼吸时带来的身体阻抗变化产生的导电性不同检测呼吸状况。前两种方式较为单一，在实际检测中主观性较大，检测时因硬件本身的工频噪声干扰，仅仅利用硬件系统本身，很难得到比较精确的呼吸状态，导致检测结果判断不准确，且第一种方法因需要持续佩戴呼吸面罩而使得检测十分不方便，后两种在佩戴上由于使用了弹性伸缩带，在操作不当时容易让人有不适感，增加了佩戴的难度。
发明内容
有鉴于此，本发明提出了一种基于腹部和肺部数据相关性的呼吸状态检测方法及装置，用于解决现有的呼吸状态检测装置使用不便、判断不准确的问题。
本发明第一方面，公开一种基于腹部和肺部数据相关性的呼吸状态检测方法，所述方法包括：
通过口鼻部传感器采集患者的呼吸进出气体体积数据作为肺部呼吸数据，并对肺部呼吸数据进行预处理；
通过腹部传感器采集患者的腹部位移数据，并对腹部位移数据进行预处理，计算呼吸速率；
对预处理后的肺部呼吸数据和腹部位移数据进行相关性验证；
采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离；
将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类；
通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类。
优选的，所述口鼻部传感器包括但不限于气体压力传感器、气体流量传感器；所述腹部传感器包括但不限于位移传感器、加速度传感器。
优选的，所述对肺部呼吸数据进行预处理具体包括：对肺部呼吸数据做取反、平移操作后，进行归一化处理；
所述对腹部位移数据进行预处理，计算呼吸速率具体包括：对采集的腹部位移数据进行周期计数，一分钟内的计数即为呼吸速率，对腹部位移数据进行归一化处理。
优选的，所述采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐之前，还包括，对预处理后的肺部呼吸数据和腹部位移数据进行相关性验证：对于同一呼吸状态下的肺部呼吸数据和腹部位移数据，对预处理后的肺部呼吸数据和腹部位移数据进行皮尔森相关系数和斯皮尔曼相关系数计算，若计算结果位于预设阈值范围内。则相关性验证结果为通过。
优选的，所述采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离具体包括：
根据预处理后的肺部呼吸数据和腹部位移数据定义两个时间序列，腹部位移数据的时间序列为Q，肺部呼吸数据的时间序列为C，两者序列长度分别为n 和m：
Q＝q1,q2,…,qi,…,qn
C＝c1,c2,…,cj,…,cm
构造一个n×m的矩阵，矩阵元素(i,j)表示qi和cj两个点的距离d(qi,cj)，
定义规整路径为W，W第k个元素定义为Wk＝(i,j)k，K为路径中元素总数，设定路径选取条件，得到规整代价最小的路径：
Figure GDA0003807188860000031
计算规整代价最小的路径的累加距离作为最优对齐距离。
优选的，所述将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类具体包括：
将最优对齐距离和呼吸速率组成训练样本的二维特征值，将训练样本的呼吸状态标签分为平稳呼吸、急促呼吸和缓慢呼吸三种状态，对同一个患者，准备一定样本量的训练样本集；
通过训练样本集训练多个SVM分类器，SVM分类器的核函数选择高斯径向基核函数，直到分别得到对应的最优超平面。
优选的，所述通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类具体包括：
采集待测患者当前的腹部位移数据，并进行预处理，计算当前呼吸速率；
采用动态时间规整算法对待测患者的肺部呼吸数据和腹部位移数据进行时间序列对齐，输出当前最优对齐距离；
将当前最优对齐距离和当前呼吸速率组成二维特征值并输入训练好的SVM 分类器中，输出呼吸状态分类结果。
本发明第二方面，公开一种基于腹部和肺部数据相关性的呼吸状态检测装置，所述装置包括：
数据采集模块：用于通过口鼻部传感器采集患者的呼吸进出气体体积数据作为肺部呼吸数据，通过腹部传感器采集患者的腹部位移数据；口鼻部传感器、腹部传感器通过蓝牙与数据采集模块进行无线传输；
预处理模块：用于对肺部呼吸数据进行预处理；对腹部位移数据进行预处理，计算呼吸速率；
时序对齐模块：用于采用动态时间规整算法对通过肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离；
呼吸状态分类模块：用于将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类；通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)本发明将腹部传感器和口鼻部传感器数据相结合，只需通过口鼻部传感器采集一次正常的平稳呼吸数据，后续所有的数据均利用腹部传感器采集得到，对两者数据联合进行特征提取，引入机器学习算法判断呼吸状态，后续只需要采集患者的腹部数据即可实时判断呼吸状态，简化了佩戴装置。
2)本发明在人体生物学基础的支撑下，利用腹部和肺部的变化具有高度的同一性的原理，分析所采集的腹部数据和肺部数据之间的变化规律，将针对语音匹配所提出的动态时间规整(DTW)算法应用到腹部位移数据和肺部呼吸数据的时间序列对齐上，通过寻找最优对齐距离来定量判断腹部位移数据和口鼻部呼吸体积变化数据之间的规律，并将最优对齐距离与呼吸速率组成二维特征输入SVM分类器进行训练，训练好的SVM分类器可以只基于腹部位移数据实现实时的呼吸状态分类，提高了呼吸状态检测的准确性，达到对呼吸状态客观和较准确的分类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于腹部和肺部数据相关性的呼吸状态检测方法流程图；
图2为本发明实施例所使用的呼吸状态检测的装置示意图；
图3为肺部呼吸数据、腹部位移数据及归一化处理的示意图。
图4为DTW时间序列对齐示意图；
图5为SVM分类器训练示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
针对仅利用口鼻部测试呼吸状态时其传感器持续佩戴限制被检测者行动，以及仅利用腹部传感器测试呼吸状态时受测试者主观影响和硬件本身工频干扰较大的问题，本发明提出一种基于腹部数据和肺部数据相关性的呼吸状态检测的方法和系统。
请参阅图1，本发明公开一种基于腹部和肺部数据相关性的呼吸状态检测方法，所述方法包括：
S1、数据采集和预处理
通过口鼻部传感器采集患者的一次平稳呼吸状态下的进出气体体积数据作为肺部呼吸数据，并对肺部呼吸数据进行预处理；所述口鼻部传感器包括但不限于气体压力传感器、气体流量传感器等；
通过腹部传感器采集患者在不同呼吸状态下的腹部位移数据，并对腹部位移数据进行预处理，计算呼吸速率；所述腹部传感器包括但不限于位移传感器、加速度传感器等。
如图2所示，本发明的一个实施例所使用的呼吸状态检测的装置示意图将加速度传感器粘贴至肚脐上方2-3厘米位置，在人体呼吸时，此处位置的腹部运动幅度最大，观测效果最好，利用蓝牙进行数据的无线传输，实现腹部位移数据的实时采集。
在人体的口鼻部通过呼吸面罩采集肺部呼出气体，利用导管连接至气体压力传感器，实现肺部呼吸数据采集，通过流体力学方程换算出气体体积，其计算方式为：
Figure GDA0003807188860000071
Figure GDA0003807188860000072
其中
Figure GDA0003807188860000073
为气体总流量，S为测试管的截面积，V为气体流速，p为压强，k为一个常系数，t1、t2为测量时间。由于(1)式中的气体流速测量并不便利，因此利用(2)式中的压强测量来代替(1)式中的流速测量，并引入一个常系数k 来调节肺活量测量的精准度。
其中k值的求取方式为，利用标准肺活量计测试人体肺活量，得到一个标准肺活量数值，然后利用本设备中的压力传感器测得压力值，通过公式换算，得到一个待矫正的肺活量值，通过寻找最佳的k值，使得待矫正肺活量值和标准肺活量值的误差最小，其误差小于2％。
对采集的肺部呼吸数据进行预处理，包括对肺部呼吸数据做取反、平移操作后，对肺部呼吸数据进行归一化处理。由于肺部数据变化和腹部数据变化相反，因此对肺部呼吸数据进行取反后再向上平移，达到反转效果，使肺部数据和腹部数据变化相同，方便后续对预处理后的肺部呼吸数据和腹部位移数据进行规整距离计算。
通过加速度传感器采集腹部位移数据，根据采集得到的位移数据，通过对周期进行计数计算出腹部呼吸速率，对采集的腹部位移数据进行周期计数，计算呼吸速率，一分钟内的计数即为呼吸速率，对腹部位移数据进行归一化处理。
其中，对采集得到的腹部呼吸数据、肺部呼吸数据进行归一化处理，是将数据归一化至0到1的范围，具体为：
通过记录数据中的最大值Max和最小值Min，将Max-Min作为基数(即 Max＝1,Min＝0)，进行数据的归一化处理：
Figure GDA0003807188860000081
式中x为归一化之前的原始数据值，χ为归一化之后的数据值，Min为数据中的最小值，Max为数据中的最大值。
如图3所示，图3中上图为采集得到的肺部呼吸数据，图3中间的图为采集得到的腹部位移数据，图3中下图为对采集得到的腹部呼吸数据、肺部呼吸数据进行归一化处理的结果图。由图3可知，对肺部呼吸数据进行取反、平移后，归一化处理后的腹部呼吸数据、肺部呼吸数据具有高度相似性。
S2、对预处理后的肺部呼吸数据和腹部位移数据进行相关性验证；
在人体进行呼吸活动时，肺部不能自主完成呼吸活动，因为肺部不具有肌肉，在肺部的下方紧靠腹部位置具有一个隔膜肌，它的张弛带来了胸腔气压变化，从而将气体吸入或者排出肺部，隔膜肌的张弛变化改变胸腔内气压，进而实现肺部气体的吸入和排出。由于隔膜肌紧靠腹部位置，在吸入气体时，隔膜肌肉在人体垂直方向上收缩，在人体水平方向上延展，使得腹部向外扩张，在排出气体时，隔膜肌肉在人体垂直方向上延展，在人体水平方向上收缩，使得腹部向内收缩。因此，在人体生物学基础的支撑下，腹部和肺部的变化理应具有高度的同一性，所以同一时间采集的腹部数据和肺部数据应具有高度相似的变化规律。
因此，本发明对采集得到的肺部呼吸数据进行了取反、平移操作，然后利用皮尔森相关性系数和斯皮尔曼相关性系数对两种归一化处理后的数据进行相关性验证。实验验证显示，对于大部分患者，同一呼吸状态下的肺部呼吸数据和腹部位移数据，其皮尔森系数和斯皮尔曼系数处于预设阈值内，即两者数据之间变化趋势、方向以及程度的关联性很大。本发明利用这种相关性进行呼吸状态检测，比如，若某患者平稳状态下的肺部呼吸数据和腹部位移数据的相关性验证通过，则可以通过步骤S1采集的同一患者的一次平稳呼吸状态下的进出气体体积数据和不同呼吸状态下的腹部位移数据进行呼吸状态检测分类。
S3、采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离；
前参阅图4，时间序列对齐方式为：定义两个时间序列，腹部数据的时间序列为Q，肺部数据的时间序列为C，两者序列长度分别为n和m：
Q＝q1,q2,…,qi,…,qn
C＝c1,c2,…,cj,…,cm
为对齐两个序列，构造一个n×m的矩阵网络，矩阵元素(i,j)表示qi和cj两个点的距离d(qi,cj)，即序列Q中每个点和序列C中每个点之间的相似度，距离越小，相似度越高，一般采用欧式距离，d(qi,cj)＝(qi-cj)/2，每个矩阵元素(i,j)表示qi和cj的对齐。通过动态规划算法(DP)可以寻找一条通过此网格中若干格点的路径，路径通过的格点即为两个序列进行计算的对齐的点。
进一步的，该路径定义为规整路径，并用W表示，W第k个元素定义为 Wk＝(i,j)k，可得到：
W＝W1,W2,…,Wk,…,wK；max(m,n)≤m+n-1 (4)
该路径选取条件为：
边界条件：W1＝(1,1)和Wk＝(m，n)。
连续性：如果Wk-1＝(a’,b’),那么对于路径的下一个点Wk＝(a，b)需要满足(a-a’)≤1和(b-b’)≤1。
单调性：如果Wk-1＝(a’,b’)，那么对于路径的下一个点Wk＝(a，b)需要满足 0≤(a-a’)和0≤(b-b’)。
通过该路径选取条件进一步的得到规整代价最小的路径：
Figure GDA0003807188860000111
选取总距离最小的路径，作为最优路径。定义一个累加距离，从(0,0)开始匹配这两个序列Q和C，每到一个点，之前所有计算的距离都会累加，到达终点(n,m)之后，这个累加距离即为最优对齐距离。
S4、将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类；
图5所示，所述将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类具体包括：
将最优对齐距离和呼吸速率组成训练样本的二维特征值，根据采集患者的腹部位移数据时的不同呼吸状态，将训练样本的呼吸状态标签分为平稳呼吸、急促呼吸和缓慢呼吸三种状态，对同一个患者，准备一定样本量的训练样本集；
通过训练样本集训练多个SVM分类器，SVM分类器的核函数选择高斯径向基核函数，直到分别得到对应的最优超平面。
其中，对于二维特征值的分类，通过φ(X)将训练集中的向量点转化到高维中，φ(X)为非线性映射函数，在映射函数的优化问题中，涉及内积计算问题，由于内积具有很高的算法复杂度，因此采用核函数代替内积进行计算，核函数表示如下：
K(Xi,Xj)＝φ(Xi)·φ( Xj ) (6)
由于样本数量正常，特征维数少，且数据线性不可分割，因此选用高斯径向基核函数，高斯径向基核函数特征如下：
Figure GDA0003807188860000112
在完成映射后的数据中，划分超平面：
wTX+b＝0 (8)
其中w为一个法向量，决定了超平面的方向，＝w{w1；w2；…；wd}，d为特征值的个数，X为训练样本，b为位移项，决定超平面与原点之间的距离，在确定法向量和位移的条件下，就可以确定唯一的一个超平面，其中w和b通过带入训练样本求解方程组获得。
S5、通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类。
采集待测患者当前的腹部位移数据，并进行步骤S1相同的预处理，计算当前呼吸速率；
采用动态时间规整算法对待测患者的肺部呼吸数据和当前的腹部位移数据进行时间序列对齐，输出当前最优对齐距离；待测患者的肺部呼吸数据即为步骤S1所采集的一次平稳呼吸进出气体体积数据；
将当前最优对齐距离和当前呼吸速率组成二维特征值并输入训练好的SVM 分类器中，输出呼吸状态分类结果。
本发明通过计算腹部数据和肺部数据的相关性来检测呼吸状态，针对不同使用对象，仅利用口鼻部传感器仅检测一次正常呼吸数据，后续所有数据均通过腹部传感器采集，在实时进行呼吸检测时，仅通过腹部位移数据尽可实现呼吸状态准确判断，即后续只需要佩戴腹部传感器，简化了呼吸状态检测设备，提高了检测设备的普适性和佩戴的舒适性，同时相对于传统的单一检测方式，提高了呼吸状态检测的客观性与可靠性。
与上述方法相对应，本发明还提出一种基于腹部和肺部数据相关性的呼吸状态检测系统，其特征在于，所述系统包括：
数据采集模块：用于通过口鼻部传感器采集患者的一次平稳呼吸进出气体体积数据作为肺部呼吸数据，通过腹部传感器采集患者在不同呼吸状态下的腹部位移数据；口鼻部传感器、腹部传感器通过蓝牙与数据采集模块进行无线传输；
预处理模块：用于对肺部呼吸数据进行预处理；对腹部位移数据进行预处理，计算呼吸速率；
时序对齐模块：用于采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离；
呼吸状态分类模块：用于将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类；通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类。
以上方法实施例和系统实施例是对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于腹部和肺部数据相关性的呼吸状态检测方法，其特征在于，所述方法包括：
通过口鼻部传感器采集患者的一次平稳呼吸状态下的进出气体体积数据作为肺部呼吸数据，并对肺部呼吸数据进行预处理；所述对肺部呼吸数据进行预处理具体包括：对肺部呼吸数据做取反、平移操作后，进行归一化处理；
通过腹部传感器采集患者在不同呼吸状态下的腹部位移数据，并对腹部位移数据进行预处理，计算呼吸速率；所述对腹部位移数据进行预处理，计算呼吸速率具体包括：对采集的腹部位移数据进行周期计数，一分钟内的计数即为呼吸速率，对腹部位移数据进行归一化处理；
采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离；
将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类；
通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类。
2.根据权利要求1所述的基于腹部和肺部数据相关性的呼吸状态检测方法，其特征在于，所述口鼻部传感器包括但不限于气体压力传感器、气体流量传感器；所述腹部传感器包括但不限于位移传感器、加速度传感器。
3.根据权利要求2所述的基于腹部和肺部数据相关性的呼吸状态检测方法，其特征在于，所述采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐之前，还包括，对预处理后的肺部呼吸数据和腹部位移数据进行相关性验证：
对于同一呼吸状态下的肺部呼吸数据和腹部位移数据，对预处理后的肺部呼吸数据和腹部位移数据进行皮尔森相关系数和斯皮尔曼相关系数计算，若相关性系数计算结果位于预设阈值范围内，则相关性验证结果为通过。
4.根据权利要求1所述的基于腹部和肺部数据相关性的呼吸状态检测方法，其特征在于，所述采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离具体包括：
根据预处理后的肺部呼吸数据和腹部位移数据定义两个时间序列，腹部位移数据的时间序列为Q，肺部呼吸数据的时间序列为C，两者序列长度分别为n和m：
Figure 848355DEST_PATH_IMAGE001
构造一个
Figure 928306DEST_PATH_IMAGE002
的矩阵，矩阵元素(i,j)表示
Figure 281927DEST_PATH_IMAGE003
和
Figure 955485DEST_PATH_IMAGE004
两个点的距离
Figure 419964DEST_PATH_IMAGE005
；
定义规整路径为W，W第k个元素定义为
Figure 354422DEST_PATH_IMAGE006
，K为路径中元素总数，设定路径选取条件，得到规整代价最小的路径：
Figure 3578DEST_PATH_IMAGE007
计算规整代价最小的路径的累加距离作为最优对齐距离。
5.根据权利要求1所述的基于腹部和肺部数据相关性的呼吸状态检测方法，其特征在于，所述将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类具体包括：
将最优对齐距离和呼吸速率组成训练样本的二维特征值，根据采集患者的腹部位移数据时的不同呼吸状态，将训练样本的呼吸状态标签分为平稳呼吸、急促呼吸和缓慢呼吸三种状态；
通过训练样本集训练多个SVM分类器，SVM分类器的核函数选择高斯径向基核函数，直到分别得到对应的最优超平面。
6.根据权利要求1所述的基于腹部和肺部数据相关性的呼吸状态检测方法，其特征在于，所述通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类具体包括：
采集待测患者当前的腹部位移数据，并进行预处理，计算当前呼吸速率；
采用动态时间规整算法对待测患者的肺部呼吸数据和当前的腹部位移数据进行时间序列对齐，输出当前最优对齐距离；待测患者的肺部呼吸数据即为所述一次平稳呼吸进出气体体积数据；
将当前最优对齐距离和当前呼吸速率组成二维特征值并输入训练好的SVM分类器中，输出呼吸状态分类结果。
7.一种基于腹部和肺部数据相关性的呼吸状态检测系统，其特征在于，所述系统包括：
数据采集模块：用于通过口鼻部传感器采集患者的一次平稳呼吸进出气体体积数据作为肺部呼吸数据，通过腹部传感器采集患者在不同呼吸状态下的腹部位移数据；口鼻部传感器、腹部传感器通过蓝牙与数据采集模块进行无线传输；
预处理模块：用于对肺部呼吸数据进行预处理；对腹部位移数据进行预处理，计算呼吸速率；所述对肺部呼吸数据进行预处理具体包括：对肺部呼吸数据做取反、平移操作后，进行归一化处理；所述对腹部位移数据进行预处理，计算呼吸速率具体包括：对采集的腹部位移数据进行周期计数，一分钟内的计数即为呼吸速率，对腹部位移数据进行归一化处理；
时序对齐模块：采用动态时间规整算法对肺部呼吸数据和腹部位移数据进行时间序列对齐，输出最优对齐距离；
呼吸状态分类模块：用于将最优对齐距离和呼吸速率组成二维特征值，训练SVM分类器对呼吸状态进行分类；通过训练好的SVM分类器对待测的腹部位移数据进行呼吸状态分类。
8.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现权利要求1~6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现权利要求1~6任一项所述的方法。
CN202111551636.1A 2021-12-17 2021-12-17 基于腹部和肺部数据相关性的呼吸状态检测方法及系统 Active CN114403847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111551636.1A CN114403847B (zh) 2021-12-17 2021-12-17 基于腹部和肺部数据相关性的呼吸状态检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111551636.1A CN114403847B (zh) 2021-12-17 2021-12-17 基于腹部和肺部数据相关性的呼吸状态检测方法及系统

Publications (2)

Publication Number Publication Date
CN114403847A CN114403847A (zh) 2022-04-29
CN114403847B true CN114403847B (zh) 2022-11-11

Family

ID=81267764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111551636.1A Active CN114403847B (zh) 2021-12-17 2021-12-17 基于腹部和肺部数据相关性的呼吸状态检测方法及系统

Country Status (1)

Country Link
CN (1) CN114403847B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024060076A1 (zh) * 2022-09-21 2024-03-28 鲍尚琦 呼吸监测方法、装置、设备及计算机可读存储介质
CN116369898B (zh) * 2023-06-06 2024-02-20 青岛市第五人民医院 一种用于危重症的呼吸数据提醒系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104739412A (zh) * 2013-12-29 2015-07-01 中国移动通信集团公司 一种对睡眠呼吸暂停进行监测的方法和设备
CN108416367A (zh) * 2018-02-08 2018-08-17 南京理工大学 基于多传感器数据决策级融合的睡眠分期方法
CN112971762A (zh) * 2021-02-07 2021-06-18 中国人民解放军总医院 呼吸信号质量评估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE0401207D0 (sv) * 2004-05-10 2004-05-10 Breas Medical Ab Diagnostic system for disordered breathing
JP2008154655A (ja) * 2006-12-21 2008-07-10 Keio Gijuku 呼吸機能測定装置及びプログラム
US11612338B2 (en) * 2013-10-24 2023-03-28 Breathevision Ltd. Body motion monitor
US20170055878A1 (en) * 2015-06-10 2017-03-02 University Of Connecticut Method and system for respiratory monitoring
US20180296125A1 (en) * 2017-04-18 2018-10-18 Intel Corporation Methods, systems, and apparatus for detecting respiration phases
CN108283490A (zh) * 2017-12-16 2018-07-17 湖南明康中锦医疗科技发展有限公司 睡眠呼吸系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104739412A (zh) * 2013-12-29 2015-07-01 中国移动通信集团公司 一种对睡眠呼吸暂停进行监测的方法和设备
CN108416367A (zh) * 2018-02-08 2018-08-17 南京理工大学 基于多传感器数据决策级融合的睡眠分期方法
CN112971762A (zh) * 2021-02-07 2021-06-18 中国人民解放军总医院 呼吸信号质量评估方法

Also Published As

Publication number Publication date
CN114403847A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
US11751817B2 (en) Breathing disorder identification, characterization and diagnosis methods, devices and systems
CN114403847B (zh) 基于腹部和肺部数据相关性的呼吸状态检测方法及系统
Larson et al. SpiroSmart: using a microphone to measure lung function on a mobile phone
US10278639B2 (en) Method and system for sleep detection
Haidar et al. Convolutional neural networks on multiple respiratory channels to detect hypopnea and obstructive apnea events
US11712198B2 (en) Estimation of sleep quality parameters from whole night audio analysis
Fekr et al. Respiration disorders classification with informative features for m-health applications
Zubaydi et al. MobSpiro: Mobile based spirometry for detecting COPD
KR102134154B1 (ko) 1-d cnn 기반의 uwb 호흡 데이터 패턴 인식 시스템
Waltisberg et al. Detecting disordered breathing and limb movement using in-bed force sensors
Kim et al. 1D CNN based human respiration pattern recognition using ultra wideband radar
Trivedy et al. Design and development of smartphone-enabled spirometer with a disease classification system using convolutional neural network
Nemati et al. Estimation of the lung function using acoustic features of the voluntary cough
CN112155560A (zh) 基于实时心冲击信号的呼吸暂停检测方法及系统
Mendonça et al. A portable wireless device based on oximetry for sleep apnea detection
CN110811638A (zh) 一种用于监测睡眠的svm分类器构建方法、系统及方法
Janidarmian et al. Multi-objective hierarchical classification using wearable sensors in a health application
JP2022063926A (ja) 睡眠状態推定システム
TWI777650B (zh) 基於心跳間隔下降率分組之呼吸暫停與不足事件偵測方法
WO2022269936A1 (ja) 睡眠状態推定システム
Barúa et al. Classification of pulmonary diseases based on impulse oscillometric measurements of lung function using neural networks
KR101883300B1 (ko) 사상체질 판별방법 및 사상체질 판별장치
TWI772086B (zh) 使用全卷積神經網路之呼吸暫停與不足事件偵測方法
US20210022644A1 (en) Method and system for indicating obstructive sleep apnea during wakefulness
Castro et al. Real-time identification of respiratory movements through a microphone

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