CN116616740A - 一种基于心阻抗的信号处理方法 - Google Patents
一种基于心阻抗的信号处理方法 Download PDFInfo
- Publication number
- CN116616740A CN116616740A CN202310407963.2A CN202310407963A CN116616740A CN 116616740 A CN116616740 A CN 116616740A CN 202310407963 A CN202310407963 A CN 202310407963A CN 116616740 A CN116616740 A CN 116616740A
- Authority
- CN
- China
- Prior art keywords
- point
- signal
- minimum value
- pointi
- value
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000000747 cardiac effect Effects 0.000 claims abstract description 24
- 230000000004 hemodynamic effect Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000017531 blood circulation Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 235000011888 snacks Nutrition 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 101150110390 Slc10a6 gene Proteins 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009084 cardiovascular function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003113 dilution method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
-
- 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
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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]
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Pulmonology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (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心阻抗的信号处理方法，包括以下方法步骤：(1)根据阻抗法血液动力学相关原理，通过设计自适应噪声完备集合经验模态分解结合改进的小波阈值法对心电信号以及心阻抗微分信号进行预处理；(2)根据两路生理信号的生理意义，利用经典的Pan_Tompkins算法结合分段法对心电信号进行特征点识别，同时利用差分法和阈值简单化处理，自适应分段法对心阻抗微分信号进行特征点的识别；(3)根据血液动力学相关参数的计算公式，计算出21项血液动力学参数来评估人体血液循环系统效率。有益效果：能稳定地去除噪声，智能获取信号特征点的位置，提升针对ICG信号的特征点准确识别。
Description
技术领域
本发明涉及医疗算法技术领域，具体来说，涉及一种基于心阻抗的信号处理方法。
背景技术
针对病患者的血液动力学监测参数通常基于热稀释法的有创血液动力学测量方法，基于心阻抗的无创血液动力学计算方法，已经有很好的方案和监测系统，特别是基于心阻抗的无创血液动力学是利用同步的心电信号、心阻抗信号，和相关的计算方法，及相关的校准系数等实现血液动力学多个参数的实时监测，由于相关技术的发展与数字信号处理的进步，及新型传感技术及模拟放大器等不断出现，使得信号测量系统得到优化，针对病患者的心电信号、心阻抗信号监测完全可以实现更方便的一体化监测芯片系统，可以改善应用中的抗扰性差的不足。
目前监测与评估血液动力学的方法存在以下不足：
1)有创监测方法成本较高，并且对人体有物理损伤，不够方便；
2)无创监测方法抗干扰能力弱，没有有效的去噪算法，并且计算的参数较少，不能准确的评估心血管功能。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
本发明的目的在于提供一种基于心阻抗的信号处理方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于心阻抗的信号处理方法，包括以下方法步骤：
(1)根据阻抗法血液动力学相关原理，通过设计自适应噪声完备集合经验模态分解结合改进的小波阈值法对心电信号以及心阻抗微分信号进行预处理；
(2)根据两路生理信号的生理意义，利用经典的Pan_Tompkins算法结合分段法对心电信号进行特征点识别，同时利用差分法和阈值简单化处理，自适应分段法对心阻抗微分信号进行特征点的识别；
(3)根据血液动力学相关参数的计算公式，计算出21项血液动力学参数来评估人体血液循环系统效率。
进一步的，步骤(1)中采用的CEEMDAN(自适应噪声完备集合经验模态分解)结合改进的小波阈值预处理方法对心电和心阻抗信号进行去噪处理，包括以下步骤：
①将从硬件系统采集到的心电信号和心阻抗信号进行CEEMDAN分解，得到从高频到低频依次排序的多个模态函数IMF分量；
②再通过计算两路生理信号和各自获得的各层IMF分量之间的相关系数，相关系数计算公式如下：
假如IMF1与原始信号的相关系数非常小，但是IMF2与原始信号的相关系数陡然增加，此时就将IMF2认定为有效分量的开始分量；假设从IMF1开始到IMFm分量与原始信号的相关系数都呈现递减趋势，但是第m+1个IMF分量与原始信号的相关系数陡然增大，此时则从第m层IMF分量开始重构；
③将区分出来的含有噪声的高频IMF分量通过改进的小波阈值函数中进行滤波，本课题使用的改进的小波阈值函数为：
其中改进阈值处理之后的小波系数为第j尺度上的第k个小波系数是wj,k，λ为临界阈值；
④对有效的IMF分量通过频谱分析去除基线漂移所在层的IMF分量，再与经过改进阈值函数去噪后的高频分量叠加，便可以获得经过预处理后的生理信号。
进一步的，步骤(2)中用PTR算法对心电信号进行特征点识别，包括以下步骤：
①对上述经过预处理后的心电信号，记为x(n)，对x(n)用小波阈值进行去噪处理，处理后的信号记为xd(n)；
②对经过小波去噪处理后的信号xd(n)作微分和平方处理得到信号xs(n)，我们使用五点差分传递函数：
H(z)＝(1/8T)(-z-2-2z-1+2z1+z2) (3)
③对xs(n)进行移动平均处理得到，并且用双阈值法进行峰值的寻找，移动平均积分计算如下：其中N为积分窗口宽度中的样本数；
Y(nT)＝(1/N)[x(nT-(N-1)T)+x(nT-(N-2)T)+…+x(nT)] (4)
④对上述寻找到R点心电信号进行分段，以R点为中心，分别以0.02倍采样率为一段，长度记为L1，以0.04倍采样率为一段，长度记为L2，在分别以L1和L2为距离在R点前方寻找最小值，分别寻找到的最小值位置记为Qmin1和Qmin2，用来确定Q点的位置，再通过比较Qmin1和Qmin2处的幅值，来确定真正的Q点；
⑤以R点为中心，分别以0.03倍采样率为一段，长度记为L3，以0.06倍采样率为一段，长度记为L4，以L3，L4为距离在R点后面寻找最小值，记为Smin1和Smin2，再通过比较Smin1和Smin2处的幅值，来确定真正的S点。
进一步的，步骤(2)中用差分法结合阈值迭代处理、分段法来进行ICG特征点的识别，对上述经过预处理后的ICG信号，记为x1(n)，通过差分处理，得到的差分后ICG信号，记为dx1(n)，包括以下步骤：
①对差分的ICG信号dx1(n)做简单阈值化处理，所谓简单阈值化处理是取经验阈值th1，th2，其中记为th1＜th2，再判断dx1(n)是否在th1和th2之间，若dx1(n)在th1与th2之间则记为0，否则仍记为，并且将阈值处理后的信号记为dx2(n)；
②由于差分后的ICG信号的幅值较小，不易于特征点的寻找，为了较好的进行特征点的寻找，波形特征更加明显，故对dx2(n)进行窗口滑动积分处理，通过滑动窗口积分后dx2(n)的记为dx3(n)；
③为了更好的找到ICG的相关特征点，本文采用分段法进行寻找，将信号dx3(n)进行分段，分段长度记为len，一般len的取值为0.1倍的信号采样率(记为fs)；
④在dx3[i*len：(i+1)len]中分别寻找最大值位置(记为：max_pointi)和最大值(记为：max_valuei)以及最小值位置(记为：min_pointi)和最小值(记为：min_valuei)，并判断相邻最大值位置和相邻最小值位置之间的距离是否大于len，若大于len，则保留该最大值或最小值位置；若两者之间距离小于len，则再比较比较两者幅值，分别去最大值中幅值最大的位置和最小值中幅值最小的位置进行保留；
⑤根据在信号dx3(n)中寻找的多个最大最小值位置，来寻找C点位置且记为C_pointi，C点幅值记为C_valuei，即C点位置在max_pointi与min_pointi之间；
⑥B点位置为C点左侧幅值为0.15*处C_valuei；
⑦X点位置确定，首先在dx3[c_pointi:c_pointi+0.05*fs]处寻找极小值，再在dx3[c_pointi:c_pointi+0.08*fs]寻找极小值，判断两者是否相等，若相等则该极小值位置为X点位置，记为X_pointi，若不相等则取更小者作为极小值位置；
⑧A点的寻找与X点的一致，首先在dx3[c_pointi-0.05*fs:c_pointi]处寻找极小值，再在dx3[c_pointi-0.08*fs:c_pointi]寻找极小值，判断两者是否相等，若相等则该极小值位置为A点位置。
与现有技术相比，本发明具有以下有益效果：形成明确的一种针对心阻抗信号(ICG)测量的信号特征处理于识别算法的测量系统，本算法能稳定地去除噪声，智能获取信号特征点的位置，提升针对ICG信号的特征点准确识别，提升整体可靠性。
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是根据本发明实施例的一种基于心阻抗的信号处理方法的整体流程示意图；
图2是根据本发明实施例的一种预处理算法的流程示意图；
图3是根据本发明实施例的一种PTR算法的流程示意图；
图4是根据本发明实施例的一种ICG信号特征点识别流程示意图；
图5是根据本发明实施例的一种去噪心电频谱对比图；
图6是根据本发明实施例的一种去噪心电时域对比图；
图7是根据本发明实施例的一种去噪ICG频谱对比图；
图8是根据本发明实施例的一种去噪ICG时域对比图；
图9是根据本发明实施例的一种原始ECG信号与识别QRS波后的ECG信号的示意图；
图10是根据本发明实施例的一种原始ICG信号与识别特征点之后的ICG信号的示意图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述：
请参阅图1，根据本发明实施例的一种基于心阻抗的信号处理方法，包括以下方法步骤：
(1)根据阻抗法血液动力学相关原理，通过设计自适应噪声完备集合经验模态分解结合改进的小波阈值法对心电信号以及心阻抗微分信号进行预处理；
(2)根据两路生理信号的生理意义，利用经典的Pan_Tompkins算法结合分段法对心电信号进行特征点识别，同时利用差分法和阈值简单化处理，自适应分段法对心阻抗微分信号进行特征点的识别；
(3)根据血液动力学相关参数的计算公式，计算出21项血液动力学参数来评估人体血液循环系统效率。
请参阅图2、图5-8，通过本发明的上述方案，步骤(1)中采用的CEEMDAN(自适应噪声完备集合经验模态分解)结合改进的小波阈值预处理方法对心电和心阻抗信号进行去噪处理，包括以下步骤：
①将从硬件系统采集到的心电信号和心阻抗信号进行CEEMDAN分解，得到从高频到低频依次排序的多个模态函数IMF分量；
②再通过计算两路生理信号和各自获得的各层IMF分量之间的相关系数，相关系数计算公式如下：
假如IMF1与原始信号的相关系数非常小，但是IMF2与原始信号的相关系数陡然增加，此时就将IMF2认定为有效分量的开始分量；假设从IMF1开始到IMFm分量与原始信号的相关系数都呈现递减趋势，但是第m+1个IMF分量与原始信号的相关系数陡然增大，此时则从第m层IMF分量开始重构；
③将区分出来的含有噪声的高频IMF分量通过改进的小波阈值函数中进行滤波，本课题使用的改进的小波阈值函数为：
其中改进阈值处理之后的小波系数为第j尺度上的第k个小波系数是wj,k，λ为临界阈值；
④对有效的IMF分量通过频谱分析去除基线漂移所在层的IMF分量，再与经过改进阈值函数去噪后的高频分量叠加，便可以获得经过预处理后的生理信号。
请参阅图3和图9，通过本发明的上述方案，步骤(2)中用PTR算法对心电信号进行特征点识别，包括以下步骤：
①对上述经过预处理后的心电信号，记为x(n)，对x(n)用小波阈值进行去噪处理，处理后的信号记为xd(n)；
②对经过小波去噪处理后的信号xd(n)作微分和平方处理得到信号xs(n)，我们使用五点差分传递函数：
H(z)＝(1/8T)(-z-2-2z-1+2z1+z2) (3)
③对xs(n)进行移动平均处理得到，并且用双阈值法进行峰值的寻找，移动平均积分计算如下：其中N为积分窗口宽度中的样本数；
Y(nT)＝(1/N)[x(nT-(N-1)T)+x(nT-(N-2)T)+…+x(nT)] (4)
④对上述寻找到R点心电信号进行分段，以R点为中心，分别以0.02倍采样率为一段，长度记为L1，以0.04倍采样率为一段，长度记为L2，在分别以L1和L2为距离在R点前方寻找最小值，分别寻找到的最小值位置记为Qmin1和Qmin2，用来确定Q点的位置，再通过比较Qmin1和Qmin2，处的幅值，来确定真正的Q点；
⑤以R点为中心，分别以0.03倍采样率为一段，长度记为L3，以0.06倍采样率为一段，长度记为L4，以L3，L4为距离在R点后面寻找最小值，记为Smin1和Smin2，再通过比较Smin1和Smin2处的幅值，来确定真正的S点。
对临床采集的心电信号进行特征点识别，结果如图9所示。
请参阅图4和图10，通过本发明的上述方案，步骤(2)中用差分法结合阈值迭代处理、分段法来进行ICG特征点的识别，对上述经过预处理后的ICG信号，记为x1(n)，通过差分处理，得到的差分后ICG信号，记为dx1(n)，包括以下步骤：
①对差分的ICG信号dx1(n)做简单阈值化处理，所谓简单阈值化处理是取经验阈值th1，th2，其中记为thl＜th2，再判断dx1(n)是否在th1和th2之间，若dx1(n)在th1与th2之间则记为0，否则仍记为，并且将阈值处理后的信号记为dx2(n)；
②由于差分后的ICG信号的幅值较小，不易于特征点的寻找，为了较好的进行特征点的寻找，波形特征更加明显，故对dx2(n)进行窗口滑动积分处理，通过滑动窗口积分后dx2(n)的记为dx3(n)；
③为了更好的找到ICG的相关特征点，本文采用分段法进行寻找，将信号dx3(n)进行分段，分段长度记为len，一般len的取值为0.1倍的信号采样率(记为fs)；
④在dx3[i*len:(i+1)len]中分别寻找最大值位置(记为：max_pointi)和最大值(记为：max_valuei)以及最小值位置(记为：min_pointi)和最小值(记为：min_valuei)，并判断相邻最大值位置和相邻最小值位置之间的距离是否大于len，若大于len，则保留该最大值或最小值位置；若两者之间距离小于len，则再比较比较两者幅值，分别去最大值中幅值最大的位置和最小值中幅值最小的位置进行保留；
⑤根据在信号dx3(n)中寻找的多个最大最小值位置，来寻找C点位置且记为C_pointi，C点幅值记为C_valuei，即C点位置在max_pointi与min_pointi之间；
⑥B点位置为C点左侧幅值为0.15*处C_valuei；
⑦X点位置确定，首先在dx3[c_pointi:c_pointi+0.05*fs]处寻找极小值，再在dx3[c_pointi:c_pointi+0.08*fs]寻找极小值，判断两者是否相等，若相等则该极小值位置为X点位置，记为X_pointi，若不相等则取更小者作为极小值位置；
⑧A点的寻找与X点的一致，首先在dx3[c_pointi-0.05*fs:c_pointi]处寻找极小值，再在dx3[c_pointi-0.08*fs:c_pointi]寻找极小值，判断两者是否相等，若相等则该极小值位置为A点位置。
对临床采集的心阻抗信号进行特征点识别，结果如图10所示。
通过本系统的算法优化能显著地提升信号特征准确定位，为进一步的参数计算奠定基础。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限定本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (4)
1.一种基于心阻抗的信号处理方法，其特征在于，包括以下方法步骤：
(1)根据阻抗法血液动力学相关原理，通过设计自适应噪声完备集合经验模态分解结合改进的小波阈值法对心电信号以及心阻抗微分信号进行预处理；
(2)根据两路生理信号的生理意义，利用经典的Pan_Tompkins算法结合分段法对心电信号进行特征点识别，同时利用差分法和阈值简单化处理，自适应分段法对心阻抗微分信号进行特征点的识别；
(3)根据血液动力学相关参数的计算公式，计算出21项血液动力学参数来评估人体血液循环系统效率。
2.根据权利要求1所述的一种基于心阻抗的信号处理方法，其特征在于，步骤(1)中采用的CEEMDAN(自适应噪声完备集合经验模态分解)结合改进的小波阈值预处理方法对心电和心阻抗信号进行去噪处理，包括以下步骤：
①将从硬件系统采集到的心电信号和心阻抗信号进行CEEMDAN分解，得到从高频到低频依次排序的多个模态函数IMF分量；
②再通过计算两路生理信号和各自获得的各层IMF分量之间的相关系数，相关系数计算公式如下：
假如IMF1与原始信号的相关系数非常小，但是IMF2与原始信号的相关系数陡然增加，此时就将IMF2认定为有效分量的开始分量；假设从IMF1开始到IMFm分量与原始信号的相关系数都呈现递减趋势，但是第m+1个IMF分量与原始信号的相关系数陡然增大，此时则从第m层IMF分量开始重构；
③将区分出来的含有噪声的高频IMF分量通过改进的小波阈值函数中进行滤波，本课题使用的改进的小波阈值函数为：
其中改进阈值处理之后的小波系数为wj,k，第j尺度上的第k个小波系数是wj,k，λ为临界阈值；
④对有效的IMF分量通过频谱分析去除基线漂移所在层的IMF分量，再与经过改进阈值函数去噪后的高频分量叠加，便可以获得经过预处理后的生理信号。
3.根据权利要求1所述的一种基于心阻抗的信号处理方法，其特征在于，步骤(2)中用PTR算法对心电信号进行特征点识别，包括以下步骤：
①对上述经过预处理后的心电信号，记为x(n)，对x(n)用小波阈值进行去噪处理，处理后的信号记为xd(n)；
②对经过小波去噪处理后的信号xd(n)作微分和平方处理得到信号xs(n)，我们使用五点差分传递函数：
H(z)＝(1/8T)(-z-2-2z-1+2z1+z2) (3)
③对xs(n)进行移动平均处理得到，并且用双阈值法进行峰值的寻找，移动平均积分计算如下：其中N为积分窗口宽度中的样本数；
Y(nT)＝(1/N)[x(nT-(N-1)T)+x(nT-(N-2)T)+...+x(nT)] (4)
④对上述寻找到R点心电信号进行分段，以R点为中心，分别以0.02倍采样率为一段，长度记为L1，以0.04倍采样率为一段，长度记为L2，在分别以L1和L2为距离在R点前方寻找最小值，分别寻找到的最小值位置记为Qmin1和Qmin2，用来确定Q点的位置，再通过比较Qmin1和Qmin2处的幅值，来确定真正的Q点；
⑤以R点为中心，分别以0.03倍采样率为一段，长度记为L3，以0.06倍采样率为一段，长度记为L4，以L3，L4为距离在R点后面寻找最小值，记为Smin1和Smin2，再通过比较Smin1和Smin2处的幅值，来确定真正的S点。
4.根据权利要求1所述的一种基于心阻抗的信号处理方法，其特征在于，步骤(2)中用差分法结合阈值迭代处理、分段法来进行ICG特征点的识别，对上述经过预处理后的ICG信号，记为x1(n)，通过差分处理，得到的差分后ICG信号，记为dx1(n)，包括以下步骤：
①对差分的ICG信号dx1(n)做简单阈值化处理，所谓简单阈值化处理是取经验阈值th1，th2，其中记为th1<th2，再判断dx1(n)是否在th1和th2之间，若dx1(n)在th1与th2之间则记为0，否则仍记为，并且将阈值处理后的信号记为dx2(n)；
②由于差分后的ICG信号的幅值较小，不易于特征点的寻找，为了较好的进行特征点的寻找，波形特征更加明显，故对dx2(n)进行窗口滑动积分处理，通过滑动窗口积分后dx2(n)的记为dx3(n)；
③为了更好的找到ICG的相关特征点，本文采用分段法进行寻找，将信号dx3(n)进行分段，分段长度记为len，一般len的取值为0.1倍的信号采样率(记为fs)；
④在dx3[i*len:(i+1)len]中分别寻找最大值位置(记为：max_pointi)和最大值(记为：max_valuei)以及最小值位置(记为：min_pointi)和最小值(记为：min_valuei)，并判断相邻最大值位置和相邻最小值位置之间的距离是否大于len，若大于len，则保留该最大值或最小值位置；若两者之间距离小于len，则再比较比较两者幅值，分别去最大值中幅值最大的位置和最小值中幅值最小的位置进行保留；
⑤根据在信号dx3(n)中寻找的多个最大最小值位置，来寻找C点位置且记为C_pointi，C点幅值记为C_valuei，即C点位置在max_pointi与min_pointi之间；
⑥B点位置为C点左侧幅值为0.15*处C_valuei；
⑦X点位置确定，首先在dx3[c_pointi:c_pointi+0.05*fs]处寻找极小值，再在dx3[c_pointi:c_pointi+0.08*fs]寻找极小值，判断两者是否相等，若相等则该极小值位置为X点位置，记为X_pointi，若不相等则取更小者作为极小值位置；
⑧A点的寻找与X点的一致，首先在dx3[c_pointi-0.05*fs:c_pointi]处寻找极小值，再在dx3[c_pointi-0.08*fs:c_pointi]寻找极小值，判断两者是否相等，若相等则该极小值位置为A点位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310407963.2A CN116616740B (zh) | 2023-04-17 | 2023-04-17 | 一种基于心阻抗的信号处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310407963.2A CN116616740B (zh) | 2023-04-17 | 2023-04-17 | 一种基于心阻抗的信号处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116616740A true CN116616740A (zh) | 2023-08-22 |
| CN116616740B CN116616740B (zh) | 2024-07-02 |
Family
ID=87620219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310407963.2A Active CN116616740B (zh) | 2023-04-17 | 2023-04-17 | 一种基于心阻抗的信号处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116616740B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2624809C1 (ru) * | 2016-08-24 | 2017-07-06 | Общество с ограниченной ответственностью "Бизнес-инкубатор Медицина Будущего" | Способ обработки электрокардиосигнала для персональных носимых кардиомониторов |
| WO2020211051A1 (zh) * | 2019-04-18 | 2020-10-22 | 麦层移动健康管理有限公司 | 一种测量心肌组织运动特征的非侵入性方法及系统 |
| CN113440145A (zh) * | 2021-06-28 | 2021-09-28 | 西北大学 | 一种心电信号t波及其终点自动检测方法 |
| CN114757233A (zh) * | 2022-04-24 | 2022-07-15 | 珠海市伊特高科技有限公司 | 一种基于皮尔逊相关系数的iceemdan局部放电去噪方法 |
-
2023
- 2023-04-17 CN CN202310407963.2A patent/CN116616740B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2624809C1 (ru) * | 2016-08-24 | 2017-07-06 | Общество с ограниченной ответственностью "Бизнес-инкубатор Медицина Будущего" | Способ обработки электрокардиосигнала для персональных носимых кардиомониторов |
| WO2020211051A1 (zh) * | 2019-04-18 | 2020-10-22 | 麦层移动健康管理有限公司 | 一种测量心肌组织运动特征的非侵入性方法及系统 |
| CN113440145A (zh) * | 2021-06-28 | 2021-09-28 | 西北大学 | 一种心电信号t波及其终点自动检测方法 |
| CN114757233A (zh) * | 2022-04-24 | 2022-07-15 | 珠海市伊特高科技有限公司 | 一种基于皮尔逊相关系数的iceemdan局部放电去噪方法 |
Non-Patent Citations (6)
| Title |
|---|
| HOOMAN SEDGHAMIZ: "Complete Pan Tompkins Implementation ECG QRS detector", MATHWORKS, 8 April 2018 (2018-04-08), pages 45840 * |
| SEDGHAMIZ. H: "MatlabI implementation of Pan Tompkins ECG QRS detect", RESEARCHGATE, 31 March 2014 (2014-03-31), pages 313673153 * |
| 庞宇;汪立宇;陈亚军;: "基于VMD与包络峰值提取的R波检测算法", 计算机工程与设计, no. 10, 16 October 2020 (2020-10-16), pages 104 - 109 * |
| 徐阳;罗明璋;李涛;: "基于CEEMDAN和小波阈值的ECG去噪算法研究", 现代电子技术, no. 07, 30 March 2018 (2018-03-30), pages 53 - 56 * |
| 罗美荣;杨丰;詹长安;: "结合静态小波变换的自适应窗口可除颤节律检测", 航天医学与医学工程, no. 06, 15 December 2019 (2019-12-15), pages 73 - 80 * |
| 苏志同，吴琼琼: "基于Pan-tompkins 的运动心电QRS波群实时检测的研究", 软件, vol. 39, no. 8, 31 December 2018 (2018-12-31), pages 188 - 191 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116616740B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| CN110013247B (zh) | 一种心电图p波和t波的检测、区分与定位方法 | |
| Merah et al. | R-peaks detection based on stationary wavelet transform | |
| CN107041743B (zh) | 一种心电信号实时r波检测方法 | |
| US20080091115A1 (en) | Non-Invasive Measurement of Second Heart Sound Components | |
| Choudhary et al. | Robust photoplethysmographic (PPG) based biometric authentication for wireless body area networks and m-health applications | |
| CN110338813B (zh) | 一种基于频谱分析的无创血糖检测方法 | |
| EP3133985B1 (en) | A method and a device for non invasive blood pressure measurement | |
| Jang et al. | A robust method for pulse peak determination in a digital volume pulse waveform with a wandering baseline | |
| CN115486855B (zh) | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 | |
| CN108830255A (zh) | 一种基于小波去噪心电信号的r峰识别方法 | |
| CN113907765B (zh) | 一种无创胎儿心电信号质量评估方法 | |
| US11324437B2 (en) | Fusion signal processing for maternal uterine activity detection | |
| CN115486854A (zh) | 一种针对干电极采集的单导联心电图室性早搏识别方法 | |
| CN111166322A (zh) | 心电信号特征波提取方法 | |
| Di Maria et al. | An algorithm for the analysis of fetal ECGs from 4-channel non-invasive abdominal recordings | |
| CN111685759B (zh) | 一种心电信号的p、t特征波检测方法 | |
| CN109259745A (zh) | 一种穿戴式心脑血管疾病智能监测系统及方法 | |
| CN116616740B (zh) | 一种基于心阻抗的信号处理方法 | |
| Jang et al. | A simple and robust method for determining the quality of cardiovascular signals using the signal similarity | |
| US20220378364A1 (en) | Systems and methods for maternal uterine activity detection | |
| Ghosal et al. | Ecg beat quality assessment using self organizing map | |
| CN114052681B (zh) | 一种基于心电判读系统的血压监测方法及系统 | |
| Jalil et al. | Detection of QRS complex in ECG signal based on classification approach | |
| Nankani et al. | R-peak detection from ECG signals using fractal based mathematical morphological operators |
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 |