CN114947793A - 基于模糊等符号分布的生理信号幅度波动分析方法 - Google Patents
基于模糊等符号分布的生理信号幅度波动分析方法 Download PDFInfo
- Publication number
- CN114947793A CN114947793A CN202210527997.0A CN202210527997A CN114947793A CN 114947793 A CN114947793 A CN 114947793A CN 202210527997 A CN202210527997 A CN 202210527997A CN 114947793 A CN114947793 A CN 114947793A
- Authority
- CN
- China
- Prior art keywords
- symbol
- fuzzy
- distribution
- interval
- physiological
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 27
- XDDAORKBJWWYJS-UHFFFAOYSA-N glyphosate Chemical compound OC(=O)CNCP(O)(O)=O XDDAORKBJWWYJS-UHFFFAOYSA-N 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification 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
- 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
- A61B5/02405—Determining heart rate variability
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
基于模糊等符号分布的生理信号幅度波动分析方法,有效地解决了时间序列等符号较少以及边界误差问题的问题。通过对区间元素叠加符号化,计算符号类型的概率分布,从而避免了原始符号区间划分方法的缺陷。在衡量等符号分布的过程中,计算相邻元素的模糊符号概率差异性,然后计算并统计模糊符号序列的等状态分布。心率信号的测试结果表明,基于叠加区间的模糊等符号分布分析方法由于有效避免了原始符号化方法中的边界误差问题,因此能够更加有效地提取生理时间序列的等状态分布特征。
Description
技术领域
本发明生理信号分析领域,具体涉及一种基于模糊等符号分布的生理信号幅度波动分析方法。
背景技术
从生理时间序列中提取信号特征用以表征生理、病理信息是信号分析的基本内容。为了提取和分析信号中所包含的信息,研究者从多个方面(如时域、频域、小波分析等)提出了不同类型的信号分析方法,如非线性分析、深度学习、关联性分析、网络方法等。然而这些方法对理论基础有较高的要求,需要数理统计、动力学特征、计算机基础等背景知识,并不容易掌握。信号最为直观的特征即为其幅度波形的波动状态。在众多信号特征提取方法中,由于等状态分布参数计算简单,并且能够有效地衡量时间序列的幅度波动,因而在表征各种生理信号的生理、病理特征方面表现出良好的性能。
等状态分布是衡量序列的相同状态所占比例的参数,通过描述序列中无变化的状态衡量系统的幅度波动平缓程度。然而,等状态存在与否及其概率分布受到信号采集的限制,如模数转化、数据预处理等。特别是在如今高精确度的信号采集情况下,原始等状态分布作为一种信号幅度波动参数存在一定局限性。另外,在一些信号分析理论中,信号被假定为具有连续、平稳的分布特征,即信号中不存在等值元素,或是信号少量的等值状态不包含系统信息。这些局限性导致等状态分布无法有效提取信号中的幅度波动特征,在时间序列的分析中受到一定的限制。考虑到符号化过程和模数转化的相似性,对序列进行符号粗粒化,可以增加信号的等符号状态分布。遗憾的是,基于区间分割的符号化和模数转换相同,相同区间元素被统一转化为相同的符号,然而现实信号中可能存在差值小于区间长度、但是被划分在不同符号区间的问题,因而导致等符号分布结果出现偏差,即边界误差问题。
等状态分布在生理信号的分析中发挥了重要的作用,但是其对信号采集的依赖也导致其应用受到限制。符号时间序列分析可以改进原始的等状态分布,但是基于区间分割的等符号分布由于边界误差的问题,导致符号划分边界元素无法可靠、正确划分的情况,因此等符号分布的元素误划分问题亟需解决。
发明内容
为了解决等符号分布在区间分割中存在的问题,本发明提出基于模糊等符号分布的生理信号幅度波动分析方法,即通过区间叠加实现元素的模糊符号化,然后在符号元素中进一步引入所属符号的概率。本发明通过构建相邻区间中心线之间概率分布函数,对元素进行双区间的概率性模糊符号化,然后在通过相邻模糊符号之间的差异性衡量生理信号的幅度波动。本发明提出的叠加区间的符号等值分布可有效解决原始符号等值分布元素无划分的问题,提高等状态分布的适用性。
本发明采用的技术方案为基于模糊等符号分布的生理信号幅度波动分析方法,包括:
S1、确定长度为L生理时间序列X={x1,x2,…,xi,…,xL}的特征值r,用以筛选信号模糊符号的幅度波动;
S2、计算生理时间序列X符号化的参数;
S3、对时间序列X进行模糊符号化符号化,得符号序列C={c1,c2,…,ci,…,cL};
S4、量化生理序列的局部幅度波动,即计算相邻模糊符号概率分布的差异性fDi;
S5、通过模糊等符号分布FsDES量化生理信号的幅度波动。
进一步地,步骤S1具体为:
S11、计算生理时间序列X的区间阈值基准σ;
S12、通过可调的控制参数α,生成符号区间划分的特征值r=α·σ。
进一步地,步骤S2具体为:
S21、提取生理时间序列X的最大值xmax和最小值xmin;
S22、计算生理时间序列X符号化的数量N。
进一步地,步骤S3具体为:
S31、以生理时间序列的最小值xmin为起点、特征值r为区间对序列进行符号化;
S32、确定区间中心、边界外以及交叉区间元素的符号类型ci;
S33、构建交叉区间元素的符号概率函数p=f(x);
进一步地,步骤S4具体为:
S41、确定延迟τ序列元素并对其进行模糊符号分别为ci和ci+τ;
S42、计算相邻模糊符号对应的概率分布差异;
S43、计算符号元素概率分布的差异性fDi。
进一步地,步骤S5具体为:
S51、通过相邻模糊符号的相似度fsDESi量化生理序列的局部幅度波动;
S52、计算生理序列的模糊等符号分布FsDES。
本发明达到的有益效果:创新性地提出了基于叠加区间的等符号分布分析方法,有效地解决了时间序列等符号较少以及边界误差问题的问题。通过对区间元素叠加符号化,计算符号类型的概率分布,从而避免了原始符号区间划分方法的缺陷。在衡量等符号分布的过程中,计算相邻元素的模糊符号概率差异性,然后计算并统计模糊符号序列的等状态分布。心率信号的测试结果表明,基于叠加区间的模糊等符号分布分析方法由于有效避免了原始符号化方法中的边界误差问题,因此能够更加有效地提取生理时间序列的等状态分布特征。
附图说明
图1是本发明实施例中的基于模糊等符号分布的生理信号幅度波动分析方法的流程图。
图2是本发明实施例中的时间序列线性模糊符号化的示意图。
其中,虚线为原始符号化方法,即区间内符号的概率全部为1,实线叠加的模糊符号化方法,交叉区间内符号为线性概率分布。实心元素在原始符号化方法中,位于相同的符号区间,距离大于两个空心元素,但是空心元素属于不同的符号区间,即原始符号过程中固有的边界误差问题。
图3是本发明实施例中的延迟为1至3时健康年轻和老年心率的FsDES示意图。
图4是本发明实施例中的当延迟为1时,随着心率序列长度增加(步长为100)的FsDES示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示,本发明的基于模糊等符号分布的生理信号幅度波动分析方法,包括以下步骤:
S1、假定生理时间序列为X={x1,x2,…,xL},其中L为序列的长度,计算序列X符号化的区间特征值r,用以筛选信号模糊符号的幅度波动。
进一步地,步骤S1具体为:
S12、通过可调的控制参数α,生成符号区间划分的特征值r,即r=α·σ。
S2、计算生理时间序列X符号化的参数。
进一步地,步骤S2具体为:
S21、分别提取生理时间序列X的最大值xmax和最小值xmin。
S22、以步骤S1中的特征值r为间隔,计算生理时间序列X符号化的数量N=roundup[(xmax-xmin)/r]。函数roundup(k)表示大于等于k最小整数,例如roundup(0.5)=1,roundup(1.2)=2,roundup(3)=3。
需要注意,和常规的预先设定符号类型数量的静态区间分割符号化方法有所不同,由于本发明采用的是区间间隔固定,所以符号类型的数量N会随着特征值的不同而发生变化。
S3、对时间序列X进行模糊符号化,得符号序列C={c1,c2,…,ci,…,cL},符号元素ci=(si,pi;sj,pj),其中si为区间符号,pi为元素所占该区间符号的概率。
进一步地,步骤S3具体为:
S31、以生理时间序列的最小值xmin为起点、特征值r为区间间隔对序列进行区间划分,然后依次进行区间符号化为{1,2,3,…,N}。
S32、细化区间中心、边界外以及交叉区间元素的具体符号类型ci。对于区间中心的元素分为三种情况:一、符号类型为1和N的边界区域,元素符号类型分别表示为ci=(1,1)和ci=(N,1);二、有双向区间的符号区间的中心元素,其符号类型表示为ci=(si,1),si为区间对应的符号;三、对于交叉区间si和si+1中的元素,其符号元素为(si,pi;si+1,pi+1)。
S33、构建交叉区间元素的符号概率函数p=f(x)。对于交叉区间元素,其属于相邻两个符号区间,所属区间概率的计算方式相同:以符号si区间中心ωi概率值最高点1,两侧相邻区间逐渐降低至边界概率值的最低点0,其中区间中心为距离分割线半个区间d/2的位置。以式(1)线性概率函数为例,ωi为符号si对应区间的中心,d为符号区间的长度。
基于线性概率函数的区间符号化模型如图2所示,元素符号有叠加区域,并且具有所属符号的概率。图2中,两个实心元素位于相同的符号区间“2”,两个空心元素分别位于符号区间“2”和“3”,但是两个空心元素的距离要小于两个实心元素。这种边界误差为等符号分布带来偏差,而叠加区间的模糊符号区间可通过符号概率有效解决这一问题。
式(1)的线性概率函数是为了帮助理解,应被理解为本发明的保护范围并不局限于线性概率函数和后续的实施例。
S4、计算相邻模糊符号概率分布的差异性fDi。
进一步地,步骤S4具体为:
S41、对序列中延迟为τ的元素并进行模糊符号化,结果分别为ci=(si,pi;sj,pj)和ci+τ=(si+τ,pi+τ;sj+τ,pj+τ)。
S42、计算相邻模糊符号对应的概率分布差异。一、对于ci和ci+τ中相同的符号,假定si=si+τ,计算其对应的概率差异性fdi=|pi-pi+τ|;二、对于单一的符号,假定为sj和sj+τ并不相同,其对应的概率差异性则分别为fdj=pj和fdj+τ=pj+τ。
S43、对S42中相邻模糊符号对应的概率分布差异值求和,即计算符号元素概率分布的差异性fDi。
S5、通过模糊等符号分布FsDES量化生理信号的幅度波动。
进一步地,步骤S5具体为:
S51、通过相邻模糊符号的相似度fsDESi=1-fDi量化生理序列的局部幅度波动。
S52、计算生理序列的模糊等符号分布FsDES=∑fsDESi/(L-τ)。
本发明的仿真结果:
为了检测叠加区间符号等值分布在生理信号特征提取中的效果,本发明将使用心率信号进行验证,仿真实验在Windows操作系统下的Python3.8软件(本发明分析结果并不会受到操作系统以及Python软件版本的影响)中进行。
心率信号采集自公共数据库PhysioNet中的‘fantasia’数据集,其中10组采集自健康年轻人,年龄范围20至31岁,平均27.3±4.8岁,另外10组采集自健康老年人,年龄范围68至71岁,平均73.7±3.6岁。心电信号采集时长120分钟,采样频率为250Hz,采用16bit量化,采集过程中受试者处于仰卧静息状态,通过心电信号提取心率并进行人工审查。心率信号FsDES的控制参数设定为α=0.25。
图3和图4所示为健康年轻和老年心率的模糊等符号分布,其中图3为健康年轻和老年心率的符号DES和FsDES,图4为延迟为1时,健康年轻和老年心率随着序列长度增加的FsDES,序列以100为起点,100为步长。由图3可知,FsDES在τ=1和τ=2时,其统计检验结果分别为p=1.4E-4和p=2.5E-4,而原始符号DES的统计检验结果为p=1.2E-3,因此FsDES更加有效地衡量了年轻和老年心率的幅度波动。图4表明符号等值分布对生理信号的长度要求非常低,在心率仅有100点的情况下,便能有效地区分两种生理状态。从生理意义角度讲,心率变异性是指相邻心率之间的差异性,而心率变异性的降低和心脏的衰老、疾病直接相关。符号等值分布的升高直接反映了心率变异性的降低,即健康年轻人心脏的心率调节状态优于健康老年人。
综上所述,本发明采用的模糊等符号分布能够解决原始符号等值分布的边界误差问题,进而解决符号化过程中存在的元素误划分问题,可有效地提供生理信号幅度波动特征提取的精确度,并且正确地表征心率变异性中所包含的生理信息。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (9)
1.基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:所述方法包括如下步骤:
S1、对于长度为L生理时间序列X={x1,x2,…,xi,…,xL},基于区间阈值基准和控制参数确定其特征值r,用以筛选信号模糊符号的幅度波动;
S2、计算生理时间序列X符号化的参数,包括序列的最大值、最小值以及符号化的数量;
S3、对时间序列X进行模糊符号化,得符号序列C={c1,c2,…,ci,…,cL},其中每个元素包含符号以及该元素所占该符号的概率;
S4、量化生理序列的局部幅度波动,即计算相邻模糊符号概率分布的差异值求和得到差异性fDi;
S5、通过模糊等符号分布FsDES量化生理信号的幅度波动,得到最终分析结果。
2.根据权利要求1所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S1具体为:
S11、计算生理时间序列X的区间阈值基准即序列的标准差σ;
S12、通过可调的控制参数α,生成符号区间划分的特征值r=α·σ。
3.根据权利要求1所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S2具体为:
S21、提取生理时间序列X的最大值xmax和最小值xmin;
S22、计算生理时间序列X符号化的数量N=roundup[(xmax-xmin)/r];函数roundup(k)表示大于等于k的最小整数。
4.根据权利要求1所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S3具体为:
S31、以生理时间序列的最小值xmin为起点、特征值r为区间对序列进行符号化;
S32、确定区间中心、边界外以及交叉区间元素的符号类型ci;
S33、构建交叉区间元素的符号概率函数p=f(x)。
5.根据权利要求4所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S32中,对于符号类型为1和N的边界区域,元素符号类型分别表示为ci=(1,1)和ci=(N,1);对于有双向区间的符号区间的中心元素,其符号类型表示为ci=(si,1),si为区间对应的符号;对于交叉区间si和si+1中的元素,其符号元素为(si,p1;si+1,p2)。
6.根据权利要求4所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S33中,对于交叉区间元素,其属于相邻两个符号区间,所属区间概率的计算方式相同:以符号si区间中心ωi概率值最高点1,两侧相邻区间逐渐降低至边界概率值的最低点0,其中区间中心为距离分割线半个区间d/2的位置。
7.根据权利要求1所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S4具体为:
S41、确定延迟τ序列元素并对其进行模糊符号分别为ci和ci+τ;
S42、计算相邻模糊符号对应的概率分布差异;
S43、对S42中相邻模糊符号对应的概率分布差异值求和,得到符号元素概率分布的差异性fDi。
8.根据权利要求7所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S42中,对于ci和ci+τ中相同的符号,si=si+τ,计算其对应的概率差异性fdi=|pi-pi+τ|;对于单一的符号,sj和sj+τ并不相同,其对应的概率差异性则分别为fdj=pj和fdj+τ=pj+τ。
9.根据权利要求1所述的基于模糊等符号分布的生理信号幅度波动分析方法,其特征在于:步骤S5具体为:
S51、通过相邻模糊符号的相似度fsDESi=1-fDi量化生理序列的局部幅度波动;
S52、计算生理序列的模糊等符号分布FsDES=∑fsDESi/(L-τ)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210527997.0A CN114947793A (zh) | 2022-05-16 | 2022-05-16 | 基于模糊等符号分布的生理信号幅度波动分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210527997.0A CN114947793A (zh) | 2022-05-16 | 2022-05-16 | 基于模糊等符号分布的生理信号幅度波动分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114947793A true CN114947793A (zh) | 2022-08-30 |
Family
ID=82982451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210527997.0A Pending CN114947793A (zh) | 2022-05-16 | 2022-05-16 | 基于模糊等符号分布的生理信号幅度波动分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114947793A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4405827A1 (de) * | 1993-12-02 | 1995-06-08 | Max Planck Gesellschaft | Verfahren und Einrichtung zum Verarbeiten eines elektrischen Langzeit-EKG-Signales |
US20040230105A1 (en) * | 2003-05-15 | 2004-11-18 | Widemed Ltd. | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals |
CN108845297A (zh) * | 2018-03-18 | 2018-11-20 | 西安电子科技大学 | 一种基于符号法区分重频模式的方法 |
CN109447333A (zh) * | 2018-10-18 | 2019-03-08 | 山东师范大学 | 一种基于不定长模糊信息粒的时间序列预测方法和装置 |
CN110477912A (zh) * | 2019-09-20 | 2019-11-22 | 电子科技大学 | 基于等值排列和标准差的癫痫脑电幅度不可逆性分析方法 |
CN110558969A (zh) * | 2019-09-06 | 2019-12-13 | 电子科技大学 | 基于静态和动态联合符号化的心率时间不可逆分析方法 |
CN110634574A (zh) * | 2019-10-29 | 2019-12-31 | 电子科技大学 | 一种基于等值排列的心率动态时间不可逆性分析方法 |
-
2022
- 2022-05-16 CN CN202210527997.0A patent/CN114947793A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4405827A1 (de) * | 1993-12-02 | 1995-06-08 | Max Planck Gesellschaft | Verfahren und Einrichtung zum Verarbeiten eines elektrischen Langzeit-EKG-Signales |
US20040230105A1 (en) * | 2003-05-15 | 2004-11-18 | Widemed Ltd. | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals |
CN108845297A (zh) * | 2018-03-18 | 2018-11-20 | 西安电子科技大学 | 一种基于符号法区分重频模式的方法 |
CN109447333A (zh) * | 2018-10-18 | 2019-03-08 | 山东师范大学 | 一种基于不定长模糊信息粒的时间序列预测方法和装置 |
CN110558969A (zh) * | 2019-09-06 | 2019-12-13 | 电子科技大学 | 基于静态和动态联合符号化的心率时间不可逆分析方法 |
CN110477912A (zh) * | 2019-09-20 | 2019-11-22 | 电子科技大学 | 基于等值排列和标准差的癫痫脑电幅度不可逆性分析方法 |
CN110634574A (zh) * | 2019-10-29 | 2019-12-31 | 电子科技大学 | 一种基于等值排列的心率动态时间不可逆性分析方法 |
Non-Patent Citations (4)
Title |
---|
刘倩倩等: "《基于多变量符号转移熵的癫痫脑电分析》", 《数据采集与处理》, vol. 31, no. 5, 23 November 2016 (2016-11-23), pages 983 - 988 * |
吴莎等: "《基于改进的符号转移熵的心脑电信号耦合研究》", 《物理学报》, vol. 62, no. 23, 14 December 2013 (2013-12-14), pages 238701 - 1 * |
姚文坡: "《生理时间序列的符号化和非线性特征分析》", 博士论文, 16 April 2020 (2020-04-16), pages 1 - 133 * |
沈韡等: "《基于符号相对熵的心电信号时间不可逆性分析》", 《物理学报》, vol. 60, no. 11, 21 April 2012 (2012-04-21), pages 118702 - 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dumont et al. | Improving ECG beats delineation with an evolutionary optimization process | |
US9295397B2 (en) | Method and apparatus for beat-space frequency domain prediction of cardiovascular death after acute coronary event | |
Schuhfried et al. | Classification of 7 monofloral honey varieties by PTR-ToF-MS direct headspace analysis and chemometrics | |
CN105595990A (zh) | 一种用于心电信号质量评估判别的智能终端设备 | |
CN110292377B (zh) | 基于瞬时频率和功率谱熵融合特征的脑电信号分析方法 | |
Birman | Rule-based learning for more accurate ECG analysis | |
CN105117731A (zh) | 一种大脑功能网络的社团划分方法 | |
CN110584596B (zh) | 基于双输入卷积神经网络的睡眠阶段分类方法及应用 | |
CN103876736A (zh) | 一种基于功率谱划分的复杂度谱脑电预测和诊断方法 | |
CN115089139A (zh) | 结合生物特征识别的个性化生理参数测量方法 | |
Mintzelas et al. | Estimation of multifractality based on natural time analysis | |
CN114732424A (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
Parsaei et al. | Adaptive motor unit potential train validation using MUP shape information | |
CN114947793A (zh) | 基于模糊等符号分布的生理信号幅度波动分析方法 | |
CN114557707B (zh) | 基于渐变等状态分布的睡眠脑电信号幅度分析方法 | |
CN110634574B (zh) | 一种基于等值排列的心率动态时间不可逆性分析方法 | |
CN109616099A (zh) | 一种基于基音频率及平滑处理的男女语音性别识别方法 | |
CN114287910A (zh) | 一种基于多阶段图卷积融合的脑功能连接分类方法 | |
CN110647870A (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
Salam et al. | Application of Logistic Regression Modeling for Complex Survey Data on Education Continuity of Poor Households Children | |
CN114209281B (zh) | 基于生成对抗网络的脉搏数据生成方法 | |
CN109726461A (zh) | 一种基于用户用电数据的用电异常判断方法 | |
CN117851836B (zh) | 一种用于养老信息服务系统的数据智能分析方法 | |
CN117349684B (zh) | 基于向量排列最大距离的睡眠脑电分析方法 | |
CN117954116B (zh) | 基于人工智能的呼吸重症患者状态监测预警方法 |
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 |