CN115422976B - 一种基于人工网络的心肺耦合关系分析方法及监测系统 - Google Patents

一种基于人工网络的心肺耦合关系分析方法及监测系统 Download PDF

Info

Publication number
CN115422976B
CN115422976B CN202211117324.4A CN202211117324A CN115422976B CN 115422976 B CN115422976 B CN 115422976B CN 202211117324 A CN202211117324 A CN 202211117324A CN 115422976 B CN115422976 B CN 115422976B
Authority
CN
China
Prior art keywords
frequency
coupling
signals
heart
frog
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
CN202211117324.4A
Other languages
English (en)
Other versions
CN115422976A (zh
Inventor
陈贤祥
宋元林
杜春玲
刘哲
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.)
Hunan Ventmed Medical Technology Co Ltd
Original Assignee
Hunan Ventmed Medical Technology Co Ltd
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 Hunan Ventmed Medical Technology Co Ltd filed Critical Hunan Ventmed Medical Technology Co Ltd
Priority to CN202211117324.4A priority Critical patent/CN115422976B/zh
Publication of CN115422976A publication Critical patent/CN115422976A/zh
Application granted granted Critical
Publication of CN115422976B publication Critical patent/CN115422976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, 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
    • A61B5/021Measuring pressure in heart or blood vessels
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, 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
    • A61B5/024Detecting, measuring or recording pulse rate or heart rate
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/08Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/087Measuring breath flow
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information 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)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于人工网络的心肺耦合关系分析方法及监测系统,该方法包括:获取高频心电信号、呼吸信号;对获取的信号进行预处理,基于蜂群算法改进盲源分离算法实现对肌电干扰的去除;采用的改进的二阶有源低通滤波器对呼吸信号进行预处理;对信号进行特征提取以及耦合时段的选择,基于高频心电信号出现高频特征波形的波段进行心肺耦合,建立心肺耦合关系,并基于神经网络通过特征信息进行健康状态分析监测。本发明还提供了一种基于人工网络的心肺耦合关系分析监测系统。本发明实现了由高频心电信号确定心肺耦合信息,判断心肺耦合情况与隐藏心脏疾病之间的联系,具有较强的针对性,提高监测目的性。

Description

一种基于人工网络的心肺耦合关系分析方法及监测系统
技术领域
本发明涉及医疗器械领域,尤其是一种基于人工网络的心肺耦合关系分析方法及监测系统。
背景技术
呼吸对心血管系统的影响机制涉及到中枢神经系统,压力感受器反射及血流动力学变化和胸腔机械特性等因素。由于心肺耦合通路的复杂性,其作用机制目前认为大致存在以上所述中枢性、化学性和机械性三个方面。其中基于外周机制的心肺交互作用模型综合了以上通路,解释了呼吸运动通过引起回心血量的变化来调节血压,而压感反射影响心血管中枢的交感和副交感神经紧张性,进而反馈到心率、心输出量和外周循环阻力形成回路。
目前心肺耦合分析多是针对实验获得的呼吸、心率、血压等生理参数,使用频谱分析、系统辨识、参数模型以及非线性动力学理论等方法分析获得的心血管参数中所蕴涵的生理机制,以及他们之间的相互作用的相关程度;也有对心肺交互作用的心血管系统建模选取必率和收缩压信号中与呼吸相关的高频功率为指标,仿真了压力感受器和心肺感受器反馈调节能力的变化及其对心率变异性的影响。
现有技术中进行心肺耦合大多采用常规低频心电信号,无法精确反应隐性心脏疾病的心肺耦合信息,从而无法准确判断监测对象健康信息,并且,现有技术中通过是通过心肺耦合实现睡眠监测,而没有通过心肺耦合信息实现健康状态的监测。
发明内容
(一)解决的技术问题
为了解决上述技术问题,本发明提供一种基于人工网络的心肺耦合关系分析方法及监测系统。该方法通过选取高频心电信号在某些特定隐性心脏疾病才会形成的高频特征波形段进行心肺耦合,实现了对患心脏疾病的患者的心肺耦合监测,以实现对其身体健康状态的监测。
(二)技术方案
为了解决上述存在的技术问题,实现发明目的,本发明是通过以下技术方案实现的:
一种基于人工网络的心肺耦合关系分析方法,包括以下步骤,
S1:获取高频心电信号、呼吸信号,具体包括:采用高频心电图机采集高频心电信号
S2:信号预处理
对获取的高频心电信号和呼吸信号进行预处理,去除干扰噪声的影响,有助于提高后续的心肺耦合效果。
S3:对信号进行特征提取以及耦合时段选取;包括:分别对高频心电信号和呼吸信号进行时域特征,频域特征和非线性特征的特征提取。根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段进行心肺耦合时段。
S4:建立心肺耦合关系,得到耦合结果,具体包括:
对呼吸信号序列进行三次样条插值,调整采样频率,保证两个序列长度与原始心电信号序列长度一致;计算耦合值;提取心肺耦合强度频谱特征。
S5:根据耦合特征和信号各自特征采用人工神经网络进行分析,获得健康状态分析结果。基于针对心脏疾病造成的高频心电信号异常的时段进行心肺耦合计算,通过心肺耦合强度判断该监测对象的健康状态。设定健康状态按照疾病造成的后果的严重等级分为良好、一般、差、危急四种状态。人工神经网络分析过程包括神经网络的建立,训练和采用训练好的神经网络进行健康状态分析。
进一步地,步骤S2还包括:
(1)为了去除基线漂移现象,采用0.5HZ的高通滤波器。
(2)针对工频干扰,采用梳状滤波器去除50Hz的工频干扰,梳状滤波器的传输函数的表达形式为:
其中,b=(1+ρ)/2,N为梳状滤波器的阶数,fs为采样频率,fc为滤波频率,fc=50Hz,ρ为系数。
(3)针对肌电干扰
采用基于蜂群算法改进盲源分离算法实现对肌电干扰的去除,具体为:首先对信号进行中心化和白化,基于蜂群算法的最优解计算得到分离矩阵并输出分离信号,其中,蜂群算法的目标函数表示为:
当K(yi)≥0,信号yi满足超高斯分布的条件;当K(yi)<0,信号yi满足亚高斯分布的条件,E(x)表示x的均值。
对于呼吸信号,采用的改进的二阶有源低通滤波器,传递函数为:
进一步地,步骤S3还包括:
其中,时域特征包括原始信号的均值、一次差分的均值、二次差分的均值、标准差、峭度、偏度;频域特征包括功率谱密度;非线性特征包括频域熵。
根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段,具体为识别并标记高频特征波形所在位置,获取存在高频特征波形的QRS波段,作为进行心肺耦合的波段。
进一步地,识别高频特征波形的方法包括:
(1)获取当前QRS波的位置和幅值信息,将波形进行微分运算得到微分波形。
(2)根据微分运算的结果确定原波形的波峰和波谷位置,以及QRS波对应的位置。
(3)搜索是否有满足微分值两次过零点,微分值差值大于阈值。微分值过零点之间相距时间在一阈值范围内条件的波形,若有,则进行标记,若无,则转入步骤(4)。
(4)若无满足步骤(3)中条件的波形,则进一步对Q-R段和R-S段求一阶微分和二阶微分,判断是否存在一阶微分不过零仅二阶微分过零或者一、二阶微分连续两点为零的波形,若有,则进行标记,若无,则判定QRS波上无高频特征波形。
获取存在高频特征波形的心电信号片段,用于后续进行心肺耦合。
进一步地,步骤S4还包括:
(1)设定一定时长的窗,对每个样本窗根据步骤S3中确定的耦合时段进行分割操作,分割出需要进行耦合的部分,设耦合部分心电信号序列和呼吸信号序列分别为x(t)、y(t)。
(2)分别计算两个信号的互相关函数和自相关函数,具体如下:
两个信号的互相关函数计算方法如下:
两个信号的自相关函数计算方法分别如下:
其中,Rxy为两个信号的互相关函数,Rxx为高频心电信号的自相关函数,Ryy为呼吸信号的自相关函数。
(3)根据互相关函数和自相关函数计算互功率谱和自功率谱,具体如下:
通过互相关函数计算两个信号的互功率谱,即对互相关函数进行傅里叶变换,如下所示:
通过自相关函数计算两个信号的互功率谱,即对自相关函数进行傅里叶变换,如下所示:
其中,Sxy为两个信号的互功率谱,Sxx为高频心电信号的自功率谱,Syy为呼吸信号的自功率谱。
(4)计算两个信号的相干性系数
(5)计算耦合强度
根据互功率谱和相干性系数计算高频心电信号和呼吸信号的耦合强度,具体如下:
C(w)为两个信号的耦合强度。
所述提取心肺耦合强度频谱特征包括:
a.频率小于0.4HZ的总耦合强度
b.频率小于0.04HZ的耦合强度
c.频率在0.04-0.15HZ的低频耦合强度
d.频率在0.15-0.4HZ的高频耦合强度
e.频率在0.04-0.15HZ的低频耦合强度占总耦合强度的比值
f.频率在0.15-0.4HZ的高频耦合强度占总耦合强度的比值
g.频率在0.04-0.15HZ的低频耦合强度与频率在0.15-0.4HZ的高频耦合强度的比值
进一步地,步骤S5还包括:
所述人工神经网络为基于改进的蛙跳算法改进的BP神经网络。
所述改进的蛙跳算法解决经典蛙跳算法具体如下:
(1)利用分层抽样方法对蛙群进行初始化,具体为:
基于分层抽样的方式随机选取初始化值,使得对应的估计是无偏的,并且尽可能减小其方差。
输入变量为x=(x1,x2…xn),xi∈[0,1]n,输出y=f(x),则y的总均值为:
E(y)=∫f(x1,x2…xn)dx1dx2…dxn
其中,取k个试验点Ck={x1,x2…xn},则y在k个试验点中的均值为:
采用分层抽样的方式随机抽取Ck,其优点在于:抽样结果随机且分布均匀;抽样效率高,方差小,稳定性强,应用范围广。
进一步,初始化包括种群规模F,子总群数量m、子群内个体数量n,局部搜索次数N,最大迭代次数Dmax以及最大允许移动步长Smax
(2)计算所有青蛙个体的适应度,并进行大小排序,将青蛙划分为m个子种群。
(3)在各个子种群内进行局部搜索,对青蛙进行位置更新,具体如下:
青蛙个体更新公式如下:
其中,Xk-1为第k-1只青蛙,Xk为第k只青蛙。
进一步,令Xki=Xki+Ski,其中,Ski小于Smax
记初始位置的青蛙的适应度为f1(Xki),计算更新后的青蛙位置的适应度,记为f2(Xki),若f1(Xki)>f2(Xki),则用更新后的位置代替初始位置,否则重新生成移动步长,生成方式如下:
Ski=rand(1,d)Smax
其中,d为解空间的维度,rand(1,d)表示d维的(-1,1)内的随机数。
重新计算重新更新的青蛙位置的适应度f3(Xki),若f3(Xki)<f1(Xki),则用更新后的解代替原位置的解,否则令Xk=Xk-1
(4)判断是否达到局部最大搜索次数,若是,则混合子种群成一个新的种群,否则对子种群进行重新划分,并返回步骤(3)。
(5)判断是否达到最大迭代次数或者达到精度,如果达到,则算法结束执行,否则返回步骤(2)。
所述神经网络训练包括:
将在步骤S4得到的心肺耦合特征进行数据归一化处理,具体如下:
其中,xmin、xmax分别为原始数据的最大最小值。
将获取的数据的50%用于神经网络的训练,剩余50%用于精度计算。
所述采用训练好的神经网络进行健康状态分析包括:
将监测过程中得到的心肺耦合数据输入到训练好参数的神经网络,神经网络输出计算结果对健康状态进行判定。
(三)有益效果
与现有技术相比,本发明的有益效果为:
(1)实现了采用心肺耦合分析用于智能监测患者的健康状态。
(2)基于高频心电信号确定心脏疾病相关的高频特征波,基于存在高频特征波的波段进行心肺耦合,实现了判断心肺耦合情况与隐藏心脏疾病之间的联系,具有较强的针对性,提高监测目的性。
(3)采用基于蜂群算法改进盲源分离算法实现对肌电干扰的去除,实现了对高频心电信号的噪声处理,提高信号的准确度。
(4)采用改进的蛙跳算法优化BP神经网络,提高了网络的稳定性和精确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于人工网络的心肺耦合关系分析方法流程图
图2是根据本申请实施例的改进的二阶有源低通滤波器电路
图3是根据本申请实施例的神经网络结构示意图
图4是根据本申请实施例的改进的蛙群算法流程图
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
一种基于人工网络的心肺耦合关系分析方法,包括以下步骤,如图1所示:
S1:获取高频心电信号、呼吸信号,具体包括:
S11:获取高频心电信号
常规的心电信号是由一系列的波群组成,波形的各个阶段表现了心脏电传导过程的电信号的变化情况。QRS波形是心电信号最重要的波形,他是心脏电活动最直接的反映。在采集的过程中QRS波往往比较集中,现在给出QRS波的分解波形,常规心电图特征波段包括:
1、P波:由于心肌细胞除极过程而产生的电位变化;
2、P-R期间:反映了心室肌开始除极的时限。
3、QRS波群:由于心室肌的除极过程而产生的电位变化。
4、S-T期间:QRS波到达T波起点间的一条水平线。
5、Q-T期间:从QRS波到到达T波终点的时限。
6、U波:反映了动作电位的后电位变化。
常规其频响范围一般约40Hz左右,精密一点的心电图机也不超过100Hz,即只能描记心电的低频信号,100Hz以上的高频信号却被滤去而不能反应出来,因而失去许多对心脏病有诊断价值的信息,心电高频信息是指频率大于100Hz的心电成分,心电高频成分对心脏病尤其是对冠心病的诊断价值,已逐渐引起心血管临床工作者的注意,高频心电图正逐渐成为又一无创性心脏病检查的新方法而应用于临床。
因此,本发明采用高频心电图机采集高频心电信号,基于高频心电信号进行心肺耦合,基于高频信号的特征信息,有助于识别隐藏疾病的存在。
S12:获取呼吸信号
现有技术中多采用压力传感器采集呼吸信号,但是压力传感器对呼吸信号的采集仅能体现部分呼吸特征,无法获得精确的呼吸信息,因此,本发明采用呼吸流量传感器来获取呼吸信号,其优点在于,可以获取精确的呼吸信号,包括呼吸频率,呼吸流速等信息。
S2:信号预处理
对获取的高频心电信号和呼吸信号进行预处理,去除干扰噪声的影响,有助于提高后续的心肺耦合效果。
S21:高频心电信号预处理
心电信号主要的噪声来源包括以下三个方面:
基线漂移:心电信号的基线漂移现象是由于人体的呼吸作用以及移动引起的。
工频干扰:50HZ的工频干扰是高频心电信号采集的过程中不可避免的噪声。50HZ的工频干扰会导致高频心电信号的信噪比大大降低,所以工频干扰是心电采集中首要去掉的噪声。
肌电干扰(EMG):由于心电信号的采集来源于人体体表,不可避免的会引入肌电干扰。肌电干扰产生的肌电(EMG)基线通常在很小电压范围内,所以一般不明显。肌电干扰的主要能量集中在30Hz-300Hz频率范围内。在采集信号时,就可以清楚的看出在波形上有很多毛刺信号,这类信号一般就可以认为是肌电干扰信号。
因此,对高频信号进行预处理主要针对上述三个方面展开,具体如下:
(1)为了去除基线漂移现象,本发明采用0.5HZ的高通滤波器。
(2)针对工频干扰,本发明采用梳状滤波器去除50Hz的工频干扰,梳状滤波器的传输函数的表达形式为:
其中,b=(1+ρ)/2,N为梳状滤波器的阶数,fs为采样频率,fc为滤波频率,fc=50Hz,ρ为系数。
幅频响应的特性曲线图如梳子形状,当阶数N越大,其齿数越多。本发明设计的梳状滤波器对于50Hz,100Hz,150Hz,200Hz等50Hz及其50Hz的倍频信号起到衰减作用,也即阻止该频率通过。
(3)针对肌电干扰
肌电干扰频率范围分布较广,包括了超过100hz的信号,因此,与普通的心电信号的处理不同在于,不能直接通过高频滤波滤除。因此,对于高频心电信号,信号处理是难点之一。
本发明采用基于蜂群算法改进盲源分离算法实现对肌电干扰的去除,具体为:首先对信号进行中心化和白化,基于蜂群算法的最优解计算得到分离矩阵并输出分离信号,其中,蜂群算法的目标函数表示为:
当K(yi)≥0,信号yi满足超高斯分布的条件;当K(yi)<0,信号yi满足亚高斯分布的条件,E(x)表示x的均值。
S22:呼吸信号预处理
采用呼吸机进行呼吸流量检测时,由于面罩与使用者之间会有漏气的情况,造成测量结果不准确,因此需要对漏气量进行补偿,具体方法为:采用IIR数字低通滤波器从流量波形中滤除呼吸流量,仅保留漏气量,进一步将呼吸流量信号减去已得到的漏气量,得到补偿后的结果。
由于正常呼吸频率在每分钟16-18次,噪声的频率通常要比正常呼吸频率高很多,因此,基于二阶有源低通滤波器对呼吸信号进行滤波,去除高频噪声干扰。
本发明采用的改进的二阶有源低通滤波器电路如图2,传递函数为:
S3:对信号进行特征提取以及耦合时段选取
S31:分别对高频心电信号以及呼吸信号进行特征提取,具体如下。
(1)时域特征
a.均值、标准差
均值包括原始信号的均值,一次差分的均值和二次差分的均值,具体如下:
原始信号的均值:
一次差分的均值:
二次差分的均值:
标准差包括:
b.峭度
峭度表示信号非高斯性的大小,峭度小于零为亚高斯信号,大于零为超高斯信号,其计算方式如下:
Q=E(x4)-3[E(x2)]2
c.偏度
偏度表征概率分布密度曲线相对于平均值的不对称程度,具体计算方式如下:
其中,xi为样本测定值,σ为标准差。
(2)频域特征
功率谱密度描述信号的功率在不同频率上的分布情况,其表示为:
其中,R(k)为信号的自相关序列。
(3)非线性特征
熵是对随机变量不确定性的描述,频域熵具体表示如下:
其中,xi为频谱,频域熵表征频谱的复杂度。
S32:耦合时段选取
根据步骤S31得到的特征选择耦合时段。现有技术中,对心肺信号进行耦合时,通常都是将所有的采集信号进行耦合,这样的耦合方式数据量大,计算时间长。
本发明针对特定的疾病产生的高频心电信号中的高频特征波,例如冠心病患者的高频心电图上在QRS波上会出现切迹、扭挫和顿结,这是高频心电信号才能显示的特征波形。因此,本发明针对出现如切迹、扭挫和顿结等异常高频波形的心电波形段进行心肺耦合,探寻心肺耦合结果与心脏疾病之间的联系。通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段,具体为识别并标记高频特征波形所在位置,获取存在高频特征波形的QRS波段,作为进行心肺耦合的波段。
进一步地,识别高频特征波形的方法包括:
(1)获取当前QRS波的位置和幅值信息,将波形进行微分运算得到微分波形。
(2)根据微分运算的结果确定原波形的波峰和波谷位置,以及QRS波对应的位置。
(3)搜索是否有满足微分值两次过零点,微分值差值大于阈值。微分值过零点之间相距时间在一阈值范围内条件的波形,若有,则进行标记,若无,则转入步骤(4)。
(4)若无满足步骤(3)中条件的波形,则进一步对Q-R段和R-S段求一阶微分和二阶微分,判断是否存在一阶微分不过零仅二阶微分过零或者一、二阶微分连续两点为零的波形,若有,则进行标记,若无,则判定QRS波上无高频特征波形。
获取存在高频特征波形的心电信号片段,用于后续进行心肺耦合。
S4:建立心肺耦合关系,得到耦合结果,具体包括:
S41:插值
由于心电信号频率大于呼吸信号频率,因此,在计算耦合值之前需要对呼吸信号序列进行三次样条插值,调整采样频率,保证两个序列长度与原始心电信号序列长度一致。
S42:计算耦合值
(1)设定一定时长的窗,对每个样本窗根据步骤S3中确定的耦合时段进行分割操作,分割出需要进行耦合的部分,设耦合部分心电信号序列和呼吸信号序列分别为x(t)、y(t)。
(2)分别计算两个信号的互相关函数和自相关函数,具体如下:
两个信号的互相关函数计算方法如下:
两个信号的自相关函数计算方法分别如下:
其中,Rxy为两个信号的互相关函数,Rxx为高频心电信号的自相关函数,Ryy为呼吸信号的自相关函数。
(3)根据互相关函数和自相关函数计算互功率谱和自功率谱,具体如下:
通过互相关函数计算两个信号的互功率谱,即对互相关函数进行傅里叶变换,如下所示:
通过自相关函数计算两个信号的互功率谱,即对自相关函数进行傅里叶变换,如下所示:
其中,Sxy为两个信号的互功率谱,Sxx为高频心电信号的自功率谱,Syy为呼吸信号的自功率谱。
(4)计算两个信号的相干性系数
(5)计算耦合强度
根据互功率谱和相干性系数计算高频心电信号和呼吸信号的耦合强度,具体如下:
C(w)为两个信号的耦合强度。
S43:提取心肺耦合强度频谱特征。
a.频率小于0.4HZ的总耦合强度
b.频率小于0.04HZ的耦合强度
c.频率在0.04-0.15HZ的低频耦合强度
d.频率在0.15-0.4HZ的高频耦合强度
e.频率在0.04-0.15HZ的低频耦合强度占总耦合强度的比值
f.频率在0.15-0.4HZ的高频耦合强度占总耦合强度的比值
g.频率在0.04-0.15HZ的低频耦合强度与频率在0.15-0.4HZ的高频耦合强度的比值
S5:根据耦合特征和信号各自特征采用人工神经网络进行分析,获得健康状态分析结果。根据步骤S4得到的心肺耦合特征,进行健康状态分析监测。根据步骤S4中对于耦合时段选取可以确定,选取的耦合时段为监测对象心脏疾病造成高频心电信号异常的时段,由此,这些时段更是应该重点监测的时段。因此,本发明基于针对心脏疾病造成的高频心电信号异常的时段进行心肺耦合计算,通过心肺耦合强度判断该监测对象的健康状态。设定健康状态按照疾病造成的后果的严重等级分为良好、一般、差、危急四种状态。
S51:神经网络构建
针对常规的神经网络易于陷入局部最优,精度不稳定的缺点,本发明基于改进的蛙跳算法优化BP神经网络的初始值和阈值,提高神经网络的预测精度和稳定性。
本发明的神经网络模型如图3所示:
神经网络结构设计:网络输入层节点数n=23,对应心肺耦合信息特征以及高频心电特征和呼吸信号特征;输出层神经元个数m=1,对应于健康状态分类;根据下述公式计算中间层的神经元个数范围:
计算得出中间层神经元节点个数的范围为7-47,通过反复实验测试,确定最佳的中间层神经元节点个数为25。
经典的蛙跳算法存在以下几点缺陷:
由于其初始种群构造的随机性,青蛙分布不均匀,在一定程度上,会削弱算法的全局搜索能力;其对种群进行划分后,各子种群均按照一定策略在其周围空间小范围执行线性搜索。但其仅更新每个子种群中最差的青蛙个体但其它个体没有进行同步的更新,因此造成其搜索范围较小,算法收敛速度、搜索精度受到影响;由于其移动步长的随机性,青蛙跳跃状态也具有随机性。但为了算法更加良好的运算效果,青蛙的跳跃步长应伴随种群搜索次数之变而变,而经典蛙跳算法则忽略了这方面的影响。
对此,本发明采用了改进的蛙跳算法解决经典蛙跳算法存在的问题,如图4所示,具体如下:
(1)利用分层抽样方法对蛙群进行初始化,具体为:
基于分层抽样的方式随机选取初始化值,使得对应的估计是无偏的,并且尽可能减小其方差。
输入变量为x=(x1,x2…xn),xi∈[0,1]n,输出y=f(x),则y的总均值为:
E(y)=∫f(x1,x2…xn)dx1dx2…dxn
其中,取k个试验点Ck={x1,x2…xn},则y在k个试验点中的均值为:
采用分层抽样的方式随机抽取Ck,其优点在于:抽样结果随机且分布均匀;抽样效率高,方差小,稳定性强,应用范围广。
进一步,初始化包括种群规模F,子总群数量m、子群内个体数量n,局部搜索次数N,最大迭代次数Dmax以及最大允许移动步长Smax
(2)计算所有青蛙个体的适应度,并进行大小排序,将青蛙划分为m个子种群。
(3)在各个子种群内进行局部搜索,对青蛙进行位置更新,具体如下:
青蛙个体更新公式如下:
其中,Ck-1为第k-1只青蛙,Xk为第k只青蛙。
进一步,令Xki=Xki+Ski,其中,Ski小于Smax
记初始位置的青蛙的适应度为f1(Xki),计算更新后的青蛙位置的适应度,记为f2(Xki),若f1(Xki)>f2(Xki),则用更新后的位置代替初始位置,否则重新生成移动步长,生成方式如下:
Ski=rand(1,d)Smax
其中,d为解空间的维度,rand(1,d)表示d维的(-1,1)内的随机数。
重新计算重新更新的青蛙位置的适应度f3(Xki),若f3(Xki)<f1(Xki),则用更新后的解代替原位置的解,否则令Xk=Xk-1
(4)判断是否达到局部最大搜索次数,若是,则混合子种群成一个新的种群,否则对子种群进行重新划分,并返回步骤(3)。
(5)判断是否达到最大迭代次数或者达到精度,如果达到,则算法结束执行,否则返回步骤(2)。
与遗传算法、粒子群算法等算法相比,改进的蛙跳算法原理简单、计算灵活、参数少,优化性能好,实现了对神经网络的优化。
S52:神经网络训练
将在步骤S4得到的心肺耦合特征进行数据归一化处理,具体如下:
其中,xmin、xmax分别为原始数据的最大最小值。
将获取的数据的50%用于神经网络的训练,剩余50%用于精度计算。
S53:采用训练好的神经网络进行健康状态分析
将监测过程中得到的心肺耦合数据输入到训练好参数的神经网络,神经网络输出计算结果对健康状态进行判定。
在本实施方式中,由高频心电信号确定心肺耦合信息,判断心肺耦合情况与隐藏心脏疾病之间的联系,具有较强的针对性,提高监测目的性。
本发明实施例还提出一种基于人工网络的心肺耦合关系分析监测系统,具体包括:
信号采集模块,其用于获取高频心电信号、呼吸信号,具体为采用高频心电图机采集高频心电信号,采用呼吸流量传感器来获取呼吸信号。
信号预处理模块,其用于对获取的高频心电信号和呼吸信号进行预处理,去除干扰噪声的影响,具体包括:采用0.5HZ的高通滤波器去除基线漂移现象,采用梳状滤波器去除50Hz的工频干扰,基于蜂群算法改进盲源分离算法实现对肌电干扰的去除。采用IIR数字低通滤波器从流量波形中滤除呼吸流量,仅保留漏气量,进一步将呼吸流量信号减去已得到的漏气量,得到补偿后的结果。采用改进的二阶有源低通滤波器去除高频噪声干扰。
特征提取模块,其用于提取高频心电信号和呼吸信号的时域特征,频域特征和非线性特征。其中,时域特征包括原始信号的均值、一次差分的均值、二次差分的均值、标准差、峭度、偏度;频域特征包括功率谱密度;非线性特征包括频域熵。还包括耦合时段选取。
心肺耦合计算模块,其用于基于耦合时段建立心肺耦合关系,包括对呼吸信号序列进行三次样条插值和计算耦合值。
神经网络分析模型,其用于采用基于改进的蛙跳算法优化的BP神经网络,基于心肺耦合信息特征以及高频心电特征和呼吸信号特征进行健康状态的监测。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于人工网络的心肺耦合关系分析方法,其特征在于,包括以下步骤:
S1:获取高频心电信号、呼吸信号,具体包括:采用高频心电图机采集高频心电信号;
S2:信号预处理,包括对获取的高频心电信号和呼吸信号进行预处理,去除干扰噪声的影响,有助于提高后续的心肺耦合效果;具体的,采用0.5HZ的高通滤波器去除基线漂移现象,采用梳状滤波器去除 50Hz的工频干扰,基于蜂群算法改进盲源分离算法实现对肌电干扰的去除;采用IIR数字低通滤波器从流量波形中滤除呼吸流量,仅保留漏气量,进一步将呼吸流量信号减去已得到的漏气量,得到补偿后的结果;采用改进的二阶有源低通滤波器去除高频噪声干扰;
S3:对信号进行特征提取以及耦合时段选取;包括:分别对高频心电信号和呼吸信号进行时域特征,频域特征和非线性特征的特征提取;根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段进行心肺耦合;
S4:建立心肺耦合关系,得到耦合结果,具体包括:
对呼吸信号序列进行三次样条插值,调整采样频率,保证两个序列长度与原始心电信号序列长度一致;计算耦合值;提取心肺耦合强度频谱特征;
S5:根据耦合特征和信号各自特征采用人工神经网络进行分析,获得健康状态分析结果;具体为:基于针对心脏疾病造成的高频心电信号异常的时段进行心肺耦合计算,通过心肺耦合强度判断监测对象的健康状态;设定健康状态按照疾病造成的后果的严重等级分为良好、一般、差、危急四种状态;人工神经网络分析过程包括神经网络的建立,训练和采用训练好的神经网络进行健康状态分析;
所述人工神经网络为基于改进的蛙跳算法改进的BP神经网络。
2.根据权利要求1所述的基于人工网络的心肺耦合关系分析方法,其特征在于,
所述步骤S3还包括:时域特征包括原始信号的均值、一次差分的均值、二次差分的均值、标准差、峭度、偏度;频域特征包括功率谱密度;非线性特征包括频域熵。
3.根据权利要求1所述的基于人工网络的心肺耦合关系分析方法,其特征在于,
所述步骤S3还包括:
根据得到的特征选择耦合时段,通过识别高频心电信号中的高频特征波形,选取在高频特征波存在的时段,具体为识别并标记高频特征波形所在位置,获取存在高频特征波形的QRS波段,作为进行心肺耦合的波段。
4.根据权利要求3所述的基于人工网络的心肺耦合关系分析方法,其特征在于,
所述识别高频特征波形的方法包括:
(1)获取当前QRS 波的位置和幅值信息,将波形进行微分运算得到微分波形;
(2)根据微分运算的结果确定原波形的波峰和波谷位置,以及QRS波对应的位置;
(3)搜索是否有满足微分值两次过零点,微分值差值大于阈值;微分值过零点之间相距时间在一阈值范围内条件的波形,若有,则进行标记,若无,则转入步骤(4);
(4)若无满足步骤(3)中条件的波形,则进一步对Q-R段和R-S段求一阶微分和二阶微分,判断是否存在一阶微分不过零‚仅二阶微分过零或者一、二阶微分连续两点为零的波形,若有,则进行标记,若无,则判定QRS波上无高频特征波形;
获取存在高频特征波形的心电信号片段,用于后续进行心肺耦合。
5.根据权利要求1所述的基于人工网络的心肺耦合关系分析方法,其特征在于,所述步骤S4还包括:设定一定时长的窗,对每个样本窗根据步骤S3中确定的耦合时段进行分割操作,分割出需要进行耦合的部分。
6.根据权利要求5所述的基于人工网络的心肺耦合关系分析方法,其特征在于,所述步骤S4还包括:
分别计算两个信号的互相关函数和自相关函数,具体如下:
两个信号的互相关函数计算方法如下:
两个信号的自相关函数计算方法分别如下:
其中,为两个信号的互相关函数,/>为高频心电信号的自相关函数,/>为呼吸信号的自相关函数;
(3)根据互相关函数和自相关函数计算互功率谱和自功率谱,具体如下:
通过互相关函数计算两个信号的互功率谱,即对互相关函数进行傅里叶变换,如下所示:
通过自相关函数计算两个信号的互功率谱,即对自相关函数进行傅里叶变换,如下所示:
其中,为两个信号的互功率谱,/>为高频心电信号的自功率谱,/>为呼吸信号的自功率谱;
(4)计算两个信号的相干性系数
(5)计算耦合强度
根据互功率谱和相干性系数计算高频心电信号和呼吸信号的耦合强度,具体如下:
为两个信号的耦合强度。
7.根据权利要求1所述的基于人工网络的心肺耦合关系分析方法,其特征在于,取心肺耦合强度频谱特征包括:
a.频率小于0.4HZ的总耦合强度
b.频率小于0.04HZ的耦合强度
c.频率在0.04-0.15HZ的低频耦合强度
d.频率在0.15-0.4HZ的高频耦合强度
e.频率在0.04-0.15HZ的低频耦合强度占总耦合强度的比值
f. 频率在0.15-0.4HZ的高频耦合强度占总耦合强度的比值
g. 频率在0.04-0.15HZ的低频耦合强度与频率在0.15-0.4HZ的高频耦合强度的比值。
8.根据权利要求7所述的基于人工网络的心肺耦合关系分析方法,其特征在于,所述改进的蛙跳算法具体如下:
(1)利用分层抽样方法对蛙群进行初始化,具体为:
基于分层抽样的方式随机选取初始化值,使得对应的估计是无偏的,并且尽可能减小其方差;
输入变量为,/>,输出/>,则y的总均值为:
其中,取k个试验点,则y在k个试验点中的均值为:
采用分层抽样的方式随机抽取,其优点在于:抽样结果随机且分布均匀;抽样效率高,方差小,稳定性强,应用范围广;
进一步,初始化包括种群规模F,子总群数量m、子群内个体数量n,局部搜索次数N,最大迭代次数Dmax以及最大允许移动步长Smax
(2)计算所有青蛙个体的适应度,并进行大小排序,将青蛙划分为m个子种群;
(3)在各个子种群内进行局部搜索,对青蛙进行位置更新,具体如下:
青蛙个体更新公式如下:
其中,为第k-1只青蛙,/>为第k只青蛙;
进一步,令,其中,/>小于/>
记初始位置的青蛙的适应度为,计算更新后的青蛙位置的适应度,记为/>,若/>,则用更新后的位置代替初始位置,否则重新生成移动步长,生成方式如下:
其中,d为解空间的维度,表示d维的(-1,1)内的随机数;
重新计算重新更新的青蛙位置的适应度,若/>,则用更新后的解代替原位置的解,否则令/>
(4)判断是否达到局部最大搜索次数,若是,则混合子种群成一个新的种群,否则对子种群进行重新划分,并返回步骤(3);
(5)判断是否达到最大迭代次数或者达到精度,如果达到,则算法结束执行,否则返回步骤(2)。
9.一种如权利要求1-8任意项所述的基于人工网络的心肺耦合关系分析方法的监测系统,具体包括:
信号采集模块,其用于获取高频心电信号、呼吸信号,具体为采用高频心电图机采集高频心电信号,采用呼吸流量传感器来获取呼吸信号;
信号预处理模块,其用于对获取的高频心电信号和呼吸信号进行预处理,去除干扰噪声的影响,具体包括:采用0.5HZ的高通滤波器去除基线漂移现象,采用梳状滤波器去除50Hz的工频干扰,基于蜂群算法改进盲源分离算法实现对肌电干扰的去除;采用IIR数字低通滤波器从流量波形中滤除呼吸流量,仅保留漏气量,进一步将呼吸流量信号减去已得到的漏气量,得到补偿后的结果;采用改进的二阶有源低通滤波器去除高频噪声干扰;
特征提取模块,其用于提取高频心电信号和呼吸信号的时域特征,频域特征和非线性特征;其中,时域特征包括原始信号的均值、一次差分的均值、二次差分的均值、标准差、峭度、偏度;频域特征包括功率谱密度;非线性特征包括频域熵;还包括耦合时段选取;
心肺耦合计算模块,其用于基于耦合时段建立心肺耦合关系,包括对呼吸信号序列进行三次样条插值和计算耦合值;
神经网络分析模型,其用于采用基于改进的蛙跳算法优化的BP神经网络,基于心肺耦合信息特征以及高频心电特征和呼吸信号特征进行健康状态的监测。
CN202211117324.4A 2022-09-14 2022-09-14 一种基于人工网络的心肺耦合关系分析方法及监测系统 Active CN115422976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211117324.4A CN115422976B (zh) 2022-09-14 2022-09-14 一种基于人工网络的心肺耦合关系分析方法及监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211117324.4A CN115422976B (zh) 2022-09-14 2022-09-14 一种基于人工网络的心肺耦合关系分析方法及监测系统

Publications (2)

Publication Number Publication Date
CN115422976A CN115422976A (zh) 2022-12-02
CN115422976B true CN115422976B (zh) 2023-11-21

Family

ID=84202146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211117324.4A Active CN115422976B (zh) 2022-09-14 2022-09-14 一种基于人工网络的心肺耦合关系分析方法及监测系统

Country Status (1)

Country Link
CN (1) CN115422976B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116491913A (zh) * 2023-04-14 2023-07-28 亿慧云智能科技(深圳)股份有限公司 一种健康管理智能系统及人体心肺功能信号监测方法
CN116982989A (zh) * 2023-09-26 2023-11-03 深圳新蕊科技有限公司 心电信号r波监测方法及其穿戴设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106264499A (zh) * 2016-08-26 2017-01-04 中山大学 一种量化心肺系统交互作用的分析方法
CN110251152A (zh) * 2018-03-12 2019-09-20 北京大学 一种自动分离心肺音的骨传导式数字听诊系统
CN113729641A (zh) * 2021-10-12 2021-12-03 南京润楠医疗电子研究院有限公司 一种基于条件对抗网络的非接触式睡眠分期系统
CN113749658A (zh) * 2021-10-11 2021-12-07 山东大学 基于集成学习的心肺耦合抑郁状态识别方法及系统
CN114331998A (zh) * 2021-12-24 2022-04-12 北京航空航天大学 非接触式的心肺耦合评价方法
WO2022147271A1 (en) * 2020-12-30 2022-07-07 Lifeq B.V. Health monitoring and management system using ectopic beats as early cardiac health marker

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI725255B (zh) * 2017-11-20 2021-04-21 金寶電子工業股份有限公司 可偵測睡眠呼吸中止的穿戴式裝置及其信號分析方法
CN108523881B (zh) * 2018-01-22 2021-09-03 西安交通大学 一种准确提取qrs内异常电位的方法
US20210093203A1 (en) * 2019-09-30 2021-04-01 DawnLight Technologies Systems and methods of determining heart-rate and respiratory rate from a radar signal using machine learning methods
US20220167856A1 (en) * 2020-12-01 2022-06-02 The Trustees Of Dartmouth College Lung function monitoring from heart signals

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106264499A (zh) * 2016-08-26 2017-01-04 中山大学 一种量化心肺系统交互作用的分析方法
CN110251152A (zh) * 2018-03-12 2019-09-20 北京大学 一种自动分离心肺音的骨传导式数字听诊系统
WO2022147271A1 (en) * 2020-12-30 2022-07-07 Lifeq B.V. Health monitoring and management system using ectopic beats as early cardiac health marker
CN113749658A (zh) * 2021-10-11 2021-12-07 山东大学 基于集成学习的心肺耦合抑郁状态识别方法及系统
CN113729641A (zh) * 2021-10-12 2021-12-03 南京润楠医疗电子研究院有限公司 一种基于条件对抗网络的非接触式睡眠分期系统
CN114331998A (zh) * 2021-12-24 2022-04-12 北京航空航天大学 非接触式的心肺耦合评价方法

Also Published As

Publication number Publication date
CN115422976A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN115422976B (zh) 一种基于人工网络的心肺耦合关系分析方法及监测系统
CN108685577B (zh) 一种脑功能康复效果评估装置及方法
CN110420019A (zh) 一种心冲击图信号的深度回归心率估计方法
US11389118B2 (en) System and method for breathing pattern extraction from PPG signals
CN111000551A (zh) 一种基于深度卷积神经网络模型的心脏病发风险诊断方法
CN111887858A (zh) 基于跨模态映射的心冲击图信号心率估计方法
RU2016146176A (ru) Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
CN114648040A (zh) 生命体征多生理信号提取、融合分析方法
Pan et al. Improved blood pressure estimation using photoplethysmography based on ensemble method
He et al. A new approach for daily life Blood-Pressure estimation using smart watch
C. Dela Cruz et al. Deriving heart rate and respiratory rate from ecg using wavelet transform
CN114027804A (zh) 一种脉象诊断的方法、装置及可读存储介质
CN112890777A (zh) 一种基于心肺耦合的睡眠状态分期方法、装置及计算机可读存储介质
CN116211308A (zh) 一种高强度运动下机体疲劳评估方法
CN115024716A (zh) 基于心率标签生成的心冲击图信号重建方法
Chen et al. A fast ECG diagnosis using frequency-based compressive neural network
CN113349753A (zh) 一种基于便携式动态心电监护仪的心律失常检测方法
KH et al. Wearable ECG electrodes for detection of heart rate and arrhythmia classification
Mou et al. Noise removal and QRS detection of ECG signal
Miyatani et al. Deniosing autoencoder-based modification of RRI data with premature ventricular contraction for precise heart rate variability analysis
Shama et al. Hamming filter design for ECG signal detection and processing using co-simulation
Goyal et al. Study of HRV dynamics and comparison using wavelet analysis and Pan Tompkins algorithm
CN115886815B (zh) 一种情绪压力监测方法、装置及智能穿戴设备
Zhu et al. An ECG detection algorithm using wavelet and autocorrelation transform
Tayel et al. Nonlinear Versatile Tools for Heart Rate Variability Prediction andDiagnosis

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