CN116226584A - 心电信号压缩方法 - Google Patents

心电信号压缩方法 Download PDF

Info

Publication number
CN116226584A
CN116226584A CN202310268929.1A CN202310268929A CN116226584A CN 116226584 A CN116226584 A CN 116226584A CN 202310268929 A CN202310268929 A CN 202310268929A CN 116226584 A CN116226584 A CN 116226584A
Authority
CN
China
Prior art keywords
electrocardiosignal
sequence
energy
wavelet coefficients
compression
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
Application number
CN202310268929.1A
Other languages
English (en)
Inventor
陈贤祥
肖文祥
方震
杜利东
王鹏
李振锋
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310268929.1A priority Critical patent/CN116226584A/zh
Publication of CN116226584A publication Critical patent/CN116226584A/zh
Pending legal-status Critical Current

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • 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
    • A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明提供一种心电信号压缩方法，包括：获取当前时刻网络带宽、每秒传输的数据量和与心电信号对应的伤情等级；根据所述当前时刻网络带宽、所述每秒传输的数据量和所述伤情等级，计算所述心电信号下一时刻的传输压缩比；根据当前时刻量化系数、当前时刻传输压缩比以及下一时刻传输压缩比，确定所述心电信号下一时刻量化系数；基于所述量化系数对心电信号进行量化；对量化后的心电信号进行压缩，得到压缩后的心电信号。本发明将伤情等级与心电信号压缩比结合，实时修改量化系数以及下一时刻心电信号的压缩比，实现有限带宽的有效分配，满足不同伤情等级心电信号的不同传输需求。

Description

心电信号压缩方法
技术领域
本公开涉及医疗设备和生理信号处理领域，尤其涉及一种心电信号压缩方法。
背景技术
在进行户外医疗紧急救援时，救援人员需要利用医疗救援网关将伤员的生理参数实时上传，便于后台专家根据伤员伤情做出决断。在伤员的生理参数中，心电信号十分重要且数据开销较为庞大。由于紧急医疗救援过程中，通常使用传输带宽较低的卫星通信作为远程通信方式，因此需在传输前对心电信号进行压缩，以便于传输更多数据。
现有的心电信号压缩方法，主要依据网络状态改变心电信号的压缩比，缺乏对伤员伤情的关注度，也无法满足不同伤情的心电信号传输需求。
发明内容
(一)要解决的技术问题
本发明提供一种心电信号压缩方法，用于至少部分解决上述技术问题。
(二)技术方案
本发明提供一种心电信号压缩方法，包括：获取当前时刻网络带宽、每秒传输的数据量和与心电信号对应的伤情等级；根据当前时刻网络带宽、每秒传输的数据量和伤情等级，计算心电信号下一时刻的传输压缩比；根据当前时刻量化系数、当前时刻传输压缩比以及下一时刻传输压缩比，确定心电信号下一时刻量化系数；基于量化系数对心电信号进行量化；对量化后的心电信号进行压缩，得到压缩后的心电信号。
可选地，对量化后的心电信号进行压缩，包括：对量化后的心电信号进行离散小波分解，得到多组小波系数；对小波系数进行死区量化；压缩死区量化后的小波系数，得到压缩后的心电信号。
可选地，心电信号下一时刻的传输压缩比的计算公式为：
Figure BDA0004134152260000021
其中，i为当前时刻，CRi+1为下一时刻心电信号的传输压缩比，D为每秒传输的数据量，x为心电信号，Lxi为当前时刻心电信号的伤情等级，BWi为当前时刻网络带宽，ki为当前时刻心电信号总数。
可选地，心电信号下一时刻量化系数的计算公式为：
Figure BDA0004134152260000022
其中，i为当前时刻，ni+l为下一时刻量化系数，ni为当前时刻量化系数，CRi为当前时刻传输压缩比，CRi+1为下一时刻传输压缩比。
可选地，对量化后的心电信号进行离散小波分解的计算公式为：
L＝|log2FS-2.96|
其中，L为分解层数，FS为心电信号的采样频率。
可选地，压缩死区量化后的小波系数，包括：计算每层小波系数的能量在总能量中的占比，基于能量占比将小波系数分为低能量小波系数和高能量小波系数；分别对低能量小波系数和高能量小波系数进行压缩。
可选地，在总能量中占比小于1％的小波系数为低能量小波系数；在总能量中占比大于95％的小波系数为高能量小波系数。
可选地，对低能量小波系数进行压缩，包括：统计低能量小波系数的原始序列中相同字符连续出现的次数，使用字符和出现次数替换相同字符的字符串，得到第一游程编码序列；统计第一游程编码序列中除0字符出现次数外的最大值；将最大值转换为二进制，该二进制的位数则为第一游程编码序列中的最小比特数；统计第一游程编码中0字符串的出现次数，若最小比特数无法表示所述0字符串的出现次数，则将出现次数替换为最小比特数可表示的最大值，得到第二游程编码序列；记录0字符在字符串中的索引与插值，得到缓冲序列；每层低能量小波系数在压缩后会得到一个第二游程编码序列和一个缓冲序列。
可选地，对高能量小波系数进行压缩，包括：计算高能量小波系数原始序列中每一数值与前一数据的差值，用差值代替原始数值，得到第一增量编码序列；判断第一增量编码序列中每一数值的符号，得到符号序列；对第一增量编码序列中的每一数据取绝对值，得到第二增量编码序列；将第二增量编码序列中的每一数据转换为二进制，得到每一数据对应的二进制数据，确定二进制数据中最高位所在位数，由位数构成的序列为位数序列；去除二进制数据中的最高位后转化为十进制数据，得到第三增量编码序列；每层高能量小波系数在压缩后会得到一个第三增量编码序列、一个符号序列和一个位数序列。
可选地，获取与心电信号对应的伤情等级，包括：获取由现场救护人员上传的第一伤情等级；获取由后台专家上传的第二伤情等级；比较第一伤情等级和第二伤情等级，若二者不一致，则以第二伤情等级作为与心电信号对应的伤情等级。
(三)有益效果
本发明提供的心电信号压缩方法至少包括以下有益效果：
将伤情等级与心电信号压缩比结合，实时修改量化系数以及下一时刻心电信号的压缩比，实现有限带宽的有效分配。心电信号的传输压缩比与伤情等级成反比，当伤情等级较高时，传输压缩比降低，以便于利用更多带宽传输质量较高的生理参数，当伤情等级较低时，则提高压缩比节约带宽，满足不同伤情等级心电信号的不同传输需求。
附图说明
图1示意性示出了本发明实施例中心电信号压缩方法的流程图；
图2示意性示出了本发明实施例中对量化后的心电信号进行压缩的流程图；
图3示意性示出了本发明实施例中压缩死区量化后的小波系数的流程图；
图4示意性示出了本发明实施例中压缩低能量小波系数的流程图；
图5示意性示出了本发明实施例中压缩低能量小波系数的序列图；
图6示意性示出了本发明实施例中压缩高能量小波系数的流程图；
图7示意性示出了本发明实施例中压缩高能量小波系数的序列图；
图8示意性示出了本发明实施例中医疗救援网关框图；
图9示意性示出了本发明实施例中心电信号压缩单元的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
本发明实施例提供了一种心电信号压缩方法，应用于医疗救援网关场景，该心电信号压缩方法将伤情等级与心电信号压缩比相结合，实时修改量化系数以及下一时刻心电信号的压缩比，实现有限带宽的有效分配。
图1示意性示出了本发明实施例提供的一种心电信号压缩方法的流程图。
如图1所示，本发明实施例提供了一种心电信号压缩方法，包括操作S100～S500。
操作S100，获取当前时刻网络带宽、每秒传输的数据量和与心电信号对应的伤情等级。
在本发明实施例中，与心电信号对应的伤情等级的获取方式如下：
获取由现场救护人员上传的第一伤情等级。现场救护人员对伤员伤情进行评判，得到第一伤情等级
获取由后台专家上传的第二伤情等级。后台专家根据上传至医疗网关的生理参数对伤员伤情进行评判，得到第二伤情等级
比较第一伤情等级和第二伤情等级，若二者不一致，以第二伤情等级作为与心电信号对应的伤情等级。
其中，伤情等级划分采用院前指数评分法，用于评分的心率、呼吸率、收缩压等各项生理参数均由医疗救援网关从传感器端进行获取，评分范围为0～24。相较于现场救护人员，后台专家的救护经验更为丰富，给出的伤情等级更具权威性。
在本发明实施例中，当前时刻网络带宽从医疗救援网关中的网络带宽计算单元中获得，该网络带宽计算单元通过获取发送与接收时的时间戳，计算出当前网络带宽，其中，卫星通信的网络带宽范围约为1～3kbps。
操作S200，根据当前时刻网络带宽、每秒传输的数据量和伤情等级，计算心电信号下一时刻的传输压缩比。
其中，心电信号下一时刻的传输压缩比的计算公式为：
Figure BDA0004134152260000051
i为当前时刻，CRi+1为下一时刻心电信号的传输压缩比，D为每秒传输的数据量，x为心电信号，Lxi为当前时刻心电信号的伤情等级，BWi为当前时刻网络带宽，ki为当前时刻心电信号总数。
在救援过程中，心电信号的采样频率基本保持不变，因此在计算心电信号压缩比时，将每秒传输的数据量恒定为D。后台端对生理参数进行分析后，会将当前时刻第x名伤员的伤情等级Lxi以及当前时刻网络带宽BWi反馈至医疗救援网关，计算下一时刻心电信号的传输压缩比CRi+l。
医疗救援网关在第i时刻将压缩后的数据发送至后台端，得到此时的量化参数ni以及当前伤员总数ki，根据压缩前后的数据量计算出当前时刻的压缩比CRi，在后台端对生理参数进行分析后，会将此时第x名伤员伤情的等级(即图1中的6)Lxi和当前的传输带宽(即图1中的5)BWi反馈到网关端。
操作S300，根据当前时刻量化系数、当前时刻传输压缩比以及下一时刻传输压缩比，确定心电信号下一时刻量化系数。
其中，心电信号下一时刻量化系数的计算公式为：
Figure BDA0004134152260000061
i为当前时刻，ni+1为下一时刻量化系数，ni为当前时刻量化系数，CRi为当前时刻传输压缩比，CRi+1为下一时刻传输压缩比。
医疗救援网关在第i时刻将压缩后的心电信号发送至后台端，得到此时的量化参数ni以及当前伤员总数ki，根据压缩前后的数据量计算出当前时刻的压缩比CRi，基于当前时刻量化系数ni、当前时刻传输压缩比CRi以及下一时刻传输压缩比CRi+1，确定心电信号下一时刻量化系数ni+1。
操作S400，基于所述量化系数对心电信号进行量化。
其中，对心电信号进行量化的计算公式为：
Figure BDA0004134152260000062
x*为量化后的心电信号，即下一时刻的传输数据量，x为取均值化后的心电信号，xmin为心电信号中的最小值，xmax为心电信号的最大值。n为量化系数。
量化系数与量化后的心电信号传输数据量成正比，也就是说，当量化系数增大，下一时刻心电信号的传输数据量也会随之增大，可以用更多位数表示每一个数据点，使得心电信号具有好的拟合效果，此时，压缩后的数据量也会随之增大。量化系数通过改变实际心电信号传输数据量，间接实现对下一时刻传输压缩比的控制。
操作S500，对量化后的心电信号进行压缩，得到压缩后的心电信号。
图2示意性示出了本发明实施例中对量化后的心电信号进行压缩的流程图。
如图2所示，本发明实施例对量化后的心电信号进行压缩包括操作S510～S530。
操作S510，对量化后的心电信号进行离散小波分解，得到多组小波系数。
对量化后的心电信号进行离散小波分解的计算公式为：
L＝|log2FS-2.96|
其中，L为分解层数，FS为心电信号的采样频率。
在本发明实施例中，心电信号的采样频率为256Hz，计算后得到分解层数L应为5层，即分解后得到6组小波系数。其中，大部分能量军集中于第五层的低频小波系数中，该小波系数中的能量约占总能量的99％。
操作S520，对小波系数进行死区量化。
经离散小波分解后，每层小波系数中的能量占比不同。
对于能量占比较小的小波系数，可以采用死区量化将其置零，以减少数据冗余。
对小波系数进行死区量化的具体计算公式如下：
Figure BDA0004134152260000071
Figure BDA0004134152260000072
其中，Dk为输入的小波系数，Rk为死区量化后的小波系数，δ为死区量化的步长，Th为死区量化的阈值，k为死区量化步数。
死区量化的阈值Th的大小会影响算法的压缩效果，通过改变Th的大小，计算死区量化后剩余小波系数的能量值，确保剩余小波系数的能量值不低于原来的95％。在(-Th，Th)范围内的小波系数将被置为零，其余范围内的小波系数将被置为临界值。经过死区量化后得到的小波系数均会被四舍五入约分为正数，便于进行后续步骤。
其中，Th的取值通过计算心电信号压缩比与失真率的比值确定。该比值与心电信号的压缩质量成正比，心电信号压缩比与失真率的比值越大，心电信号的压缩质量越高。在本发明实施例中，当Th的取值为0.8(ymax-ymin)时，心电信号的压缩质量最高，其中，ymax为所有小波系数中的最大值，ymin为所有小波系数中的最小值。
死区量化的步长δ的值通常设置为0.8*Th。
k作为死区量化步数，用来表示输入小波系数与输出小波系数之间的数值关系，其中，死区量化步数k的取值范围为绝对值最高的小波系数与死区量化步长δ的比值。
操作S530，压缩死区量化后的小波系数，得到压缩后的心电信号。
图3示意性示出了本发明实施例中压缩死区量化后的小波系数的流程图。
如图3所示，本发明实施例压缩死区量化后的小波系数包括操作S531～S532。
操作S531，计算每层小波系数的能量在总能量中的占比，基于能量占比将小波系数分为低能量小波系数和高能量小波系数。
其中，在总能量中占比小于1％的小波系数为低能量小波系数，在总能量中占比大于95％的小波系数为高能量小波系数。
操作S532，分别对低能量小波系数和高能量小波系数进行压缩。
图4示意性示出了本发明实施例中压缩低能量小波系数的流程图。
如图4所示，压缩低能量小波系数包括操作S5321～S5325。
操作S5321，统计低能量小波系数的原始序列中相同字符连续出现的次数，使用字符和出现次数替换相同字符的字符串，得到第一游程编码序列；
操作S5322，统计第一游程编码序列中除0字符出现次数外的最大值；
操作S5323，将最大值转换为二进制，该二进制的位数则为第一游程编码序列中的最小比特数；
操作S5324，统计第一游程编码中0字符串的出现次数，若最小比特数无法表示所述0字符串的出现次数，则将出现次数替换为最小比特数可表示的最大值，得到第二游程编码序列；
操作S5325，记录0字符在字符串中的索引与插值，得到缓冲序列。
压缩后的低能量小波系数由一个第二游程编码序列和一个缓冲序列构成。
传统的游程编码通常将小波系数转化为“字符-次数”的序列，其中，“次数”表示其前面字符连续出现的次数。基于之前的死区量化等操作，低能量小波系数的序列中会出现较多次数的0。由于0连续出现的次数远多于其他字符连续出现的次数，为了减少数据开销，本发明对传统游程编码提出改进，在进行转化前统计出可以表示出所有的字符和次数所用的最少bit，以便于后续的解码操作。
本发明实施例以00000000000000000661200000000511的低能量小波系数原始序列为例，进一步展示本发明对低能量小波系数压缩的具体过程：
统计该原始序列中相同字符连续出现的次数，使用字符和出现次数替换相同字符的字符串，得到第一游程编码序列，此时，第一游程编码序列为01762121085112。
统计第一游程编码序列中除0字符出现次数外的最大值。由于17为0字符出现的次数，将其排除，得到最大值12。
将最大值12转换为二进制1100，该二进制的位数为4，即第一游程编码序列中的最小比特(bit)数M＝4。
按照最小bit数对第一游程编码序列进行进一步编码，得到第二游程编码序列。在第一游程编码序列中，0字符串的出现次数为17，而4bit可表示的最大值为15，故用15代替17，得到第二游程编码序列01562121085112。
记录下该0值在字符串中的索引为0，差值为2，并利用缓冲序列进行存储，得到缓冲序列02。
如图5所示，低能量小波系数在压缩后会得到一个第二游程编码序列和一个缓冲序列。
图6示意性示出了本发明实施例中压缩高能量小波系数的流程图；
如图6所示，压缩低能量小波系数包括操作S5321’～S5325’。
操作S5321’，计算高能量小波系数原始序列中每一数值与前一数据的差值，用差值代替原始数值，得到第一增量编码序列；
操作S5322’，判断第一增量编码序列中每一数值的符号，得到符号序列；
操作S5323’，对第一增量编码序列中的每一数据取绝对值，得到第二增量编码序列；
操作S5324’，将第二增量编码序列中的每一数据转换为二进制，得到每一数据对应的二进制数据，确定二进制数据中最高位所在位数，由所述位数构成的序列为位数序列；
操作S5325’，去除二进制数据中的最高位后转化为十进制数据，得到第三增量编码序列。
压缩后的高能量小波系数由一个第三增量编码序列、一个符号序列和一个位数序列构成。
本发明实施例以120 120 140 177 140 140 189 120 120 105 105 73 90的高能量小波系数原始序列为例，进一步展示本发明对高能量小波系数压缩的具体过程：
计算高能量小波系数原始序列中每一数值与前一数值的差值，用差值代替原始数值，原始序列中的第一个值保持不变，即第一个数值120的位置不变，第二个数值与120的差值为0，故用0代替第二个数值，第三个数值与原始第二个数值的差值为20，故用20代替第三个数值，以此类推，得到第一增量编码序列120 0 20 37 -37 0 49 -69 0 -15 0 -32 17。
判断第一增量编码序列中每一数值的符号，0代表正数，1代表负数，每一数值的符号用1bit数据代表，得到符号序列0 0 0 0 1 0 0 1 0 1 0 1 0。
对第一增量编码序列中的每一数据取绝对值，得到第二增量编码序列120 0 2037 37 0 49 69 0 15 0 32 17。
将第二增量编码序列中的每一数据转换为二进制，得到每一数据对应的二进制数据，确定该二进制数据中最高位所在位数，由位数构成的序列为位数序列。例如120转化为二进制后为1111000，其最高位的1所在位数为7，则位数序列中对应的数字为7。以此类推，得到位数序列7 0 5 6 6 0 6 7 0 4 0 6 5。
去除二进制数据中的最高位后转化为十进制数据，得到第三增量编码序列。例如120转化为二进制后为1111000，去除最高位的1之后为111000，将111000转化为十进制数据得到56。以此类推，得到第三增量编码序列56 0 4 5 5 0 17 5 0 7 0 0 1。
如图7所示，高能量小波系数在压缩后会得到一个第三增量编码序列、一个符号序列和一个位数序列构成。
本发明提供的小波系数压缩方法，在节约数据开销的同时，保障了较高的压缩质量，满足医疗救援网关应用场景下的数据压缩需求。
此外，本发明还提供一种医疗救援网关，用于执行本发明的心电信号压缩方法。
图8示意性示出了本发明实施例中医疗救援网关的框图。
如图8所示，该医疗救援网关包括：
电源提供单元，用于为网关提供电力支持；
信号接收单元，用于接收采集端发送的伤员生理参数；其中，信号接收的方式为有线或无线；
数据存储单元，用于存储接收到的伤员生理参数；其中，存储方式为数据库存储；
数据显示单元，用于通过用户交互界面实现伤员生理参数的可视化；
伤员伤情等级获取单元，用于获取伤员伤情等级；其中，伤员的伤情等级可以由现场救援人员填写或后台专家反馈；
网络带宽计算单元，通过数据量和传输时间计算得出网络传输带宽；
心电信号压缩单元，用于执行本发明的心电压缩方法，进行心电信号的动态调节；
数据上传单元，利用5G或者卫星通信等远程传输方式实现数据的远程通信。
图9示意性示出了本发明实施例中心电信号压缩单元的框图。
如图9所示，心电信号压缩单元的子单元包括：
下一时刻传输压缩比计算子单元，用于结合当前网络带宽和伤员伤情等级，计算下一时刻心电信号传输时所需的压缩比；
下一时刻量化系数计算子单元，用于通过现有心电信号的压缩比和信号量化系数，计算下一时刻心电信号的量化系数；
量化子单元，用于基于量化系数对心电信号进行量化
小波分解子单元，用于对量化后的心电信号进行离散小波分解，得到多组小波系数；
小波系数死区量化子单元，用于对小波分解后的数据进行死区量化；
无损压缩方法计算子单元，用于对死区量化后的数据进行压缩，提升压缩质量。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种心电信号压缩方法，其特征在于，包括：
获取当前时刻网络带宽、每秒传输的数据量和与心电信号对应的伤情等级；
根据所述当前时刻网络带宽、所述每秒传输的数据量和所述伤情等级，计算所述心电信号下一时刻的传输压缩比；
根据当前时刻量化系数、当前时刻传输压缩比以及下一时刻传输压缩比，确定所述心电信号下一时刻量化系数；
基于所述量化系数对心电信号进行量化；
对量化后的心电信号进行压缩，得到压缩后的心电信号。
2.根据权利要求1所述的心电信号压缩方法，其特征在于，所述对量化后的心电信号进行压缩，包括：
对量化后的心电信号进行离散小波分解，得到多组小波系数；
对小波系数进行死区量化；
压缩死区量化后的小波系数，得到压缩后的心电信号。
3.根据权利要求1所述的心电信号压缩方法，其特征在于，所述心电信号下一时刻的传输压缩比的计算公式为：
Figure FDA0004134152240000011
其中，i为当前时刻，CRi+1为下一时刻心电信号的传输压缩比，D为每秒传输的数据量，x为心电信号，Lxi为当前时刻心电信号的伤情等级，BWi为当前时刻网络带宽，ki为当前时刻心电信号总数。
4.根据权利要求1所述的心电信号压缩方法，其特征在于，所述心电信号下一时刻量化系数的计算公式为：
Figure FDA0004134152240000012
其中，i为当前时刻，ni+1为下一时刻量化系数，ni为当前时刻量化系数，CRi为当前时刻传输压缩比，CRi+1为下一时刻传输压缩比。
5.根据权利要求2所述的心电信号压缩方法，其特征在于，所述对量化后的心电信号进行离散小波分解的计算公式为：
L＝|log2FS-2.96|
其中，L为分解层数，FS为心电信号的采样频率。
6.根据权利要求2所述的心电信号压缩方法，其特征在于，所述压缩死区量化后的小波系数，包括：
计算每层小波系数的能量在总能量中的占比，基于能量占比将小波系数分为低能量小波系数和高能量小波系数；
分别对所述低能量小波系数和所述高能量小波系数进行压缩。
7.根据权利要求6所述的心电信号压缩方法，其特征在于，在总能量中占比小于1％的小波系数为低能量小波系数；
在总能量中占比大于95％的小波系数为高能量小波系数。
8.根据权利要求7所述的心电信号压缩方法，其特征在于，对低能量小波系数进行压缩，包括：
统计所述低能量小波系数的原始序列中相同字符连续出现的次数，使用字符和出现次数替换相同字符的字符串，得到第一游程编码序列；
统计所述第一游程编码序列中除0字符出现次数外的最大值；
将所述最大值转换为二进制，该二进制的位数则为第一游程编码序列中的最小比特数；
统计所述第一游程编码中0字符串的出现次数，若所述最小比特数无法表示所述0字符串的出现次数，则将所述出现次数替换为所述最小比特数可表示的最大值，得到第二游程编码序列；
记录所述0字符在字符串中的索引与插值，得到缓冲序列；
每层低能量小波系数在压缩后会得到一个第二游程编码序列和一个缓冲序列。
9.根据权利要求7所述的心电信号压缩方法，其特征在于，对高能量小波系数进行压缩，包括：
计算所述高能量小波系数原始序列中每一数值与前一数值的差值，用差值代替原始数值，得到第一增量编码序列；
判断所述第一增量编码序列中每一数值的符号，得到符号序列；
对所述第一增量编码序列中的每一数据取绝对值，得到第二增量编码序列；
将所述第二增量编码序列中的每一数据转换为二进制，得到每一数据对应的二进制数据，确定所述二进制数据中最高位所在位数，由所述位数构成的序列为位数序列；
去除所述二进制数据中的最高位后转化为十进制数据，得到第三增量编码序列；
每层高能量小波系数在压缩后会得到一个第三增量编码序列、一个符号序列和一个位数序列。
10.根据权利要求1所述的心电信号压缩方法，其特征在于，获取与心电信号对应的伤情等级，包括：
获取由现场救护人员上传的第一伤情等级；
获取由后台专家上传的第二伤情等级；
比较所述第一伤情等级和所述第二伤情等级，若二者不一致，则以第二伤情等级作为与心电信号对应的伤情等级。
CN202310268929.1A 2023-03-20 2023-03-20 心电信号压缩方法 Pending CN116226584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310268929.1A CN116226584A (zh) 2023-03-20 2023-03-20 心电信号压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310268929.1A CN116226584A (zh) 2023-03-20 2023-03-20 心电信号压缩方法

Publications (1)

Publication Number Publication Date
CN116226584A true CN116226584A (zh) 2023-06-06

Family

ID=86573088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310268929.1A Pending CN116226584A (zh) 2023-03-20 2023-03-20 心电信号压缩方法

Country Status (1)

Country Link
CN (1) CN116226584A (zh)

Similar Documents

Publication Publication Date Title
EP0084270B1 (en) Video bandwidth reduction system employing interframe block differencing and transform domain coding
US20210084338A1 (en) Method for Producing Video Coding and Programme-Product
US20070248270A1 (en) System and Method for Compression of Mixed Graphic and Video Sources
WO1988010049A1 (en) Adaptive block transform image coding method and apparatus
JP2001298366A (ja) 画像データ圧縮方法、及びデータ量子化方法及び装置
JPH08205140A (ja) 画像圧縮装置
JPH05276501A (ja) 可変長の適応映像圧縮方法及び装置
CN108234464B (zh) 用于信号集中监测系统的采集数据高效压缩方法
JPH10502792A (ja) ビデオ画像を符号化する装置と方法
WO2012079237A1 (zh) 一种图像压缩中利用人眼视觉模型的小波系数量化方法
CN103501438A (zh) 一种基于主成分分析的内容自适应图像压缩方法
CN103297773B (zh) 基于jnd模型的图像编码方法
CN109040757B (zh) 一种压缩感知多层残差图像编码方法
CN116226584A (zh) 心电信号压缩方法
CN116546111B (zh) 基于物联网技术的智能戒指健康管理方法和系统
WO2021211140A1 (en) Generating quantization tables for image compression
CN116470920A (zh) 一种面向联邦学习的双向自适应梯度压缩方法及系统
CN107205151B (zh) 基于混合失真度量准则的编解码装置及方法
CN111163320A (zh) 一种视频压缩方法及系统
JP2002091498A (ja) オーディオ信号符号化装置
Dayal et al. Region of interest based compression of medical image using discrete wavelet transform
Rapesta et al. Cell-based 2-step scalar deadzone quantization for JPEG2000
CA2105387A1 (en) Variable bit rate speech encoder
JP3297471B2 (ja) 画像符号化装置
CN115174907A (zh) 视频压缩码率控制的方法及装置

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