CN117390379B - 在线信号测量装置、信号特征的置信度测量装置 - Google Patents
在线信号测量装置、信号特征的置信度测量装置 Download PDFInfo
- Publication number
- CN117390379B CN117390379B CN202311684969.0A CN202311684969A CN117390379B CN 117390379 B CN117390379 B CN 117390379B CN 202311684969 A CN202311684969 A CN 202311684969A CN 117390379 B CN117390379 B CN 117390379B
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- historical
- real
- distribution
- 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
Links
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 120
- 238000000034 method Methods 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 26
- 238000012360 testing method Methods 0.000 description 16
- 206010002091 Anaesthesia Diseases 0.000 description 9
- 230000037005 anaesthesia Effects 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000528 statistical test Methods 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003444 anaesthetic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本发明涉及信号处理技术领域,尤其涉及一种在线信号测量装置、信号特征的置信度测量装置,包括:数据记录载体,包括用于存储历史数据画像的历史数据存储模块和用于更新历史数据画像的历史数据更新模块;历史数据检测模块,计算实时数据在前一次更新后的历史数据画像的历史质量;相似度检测模块,计算实时数据与历史数据画像的相似度;数据质量测量模块,将历史质量归一化为相似度修正值,以修正相似度得出实时数据的质量D。本发明综合考虑信号的不同特征、场景的特点,选取有针对性的计算方法以求得在线信号的质量、信号特征的置信度,占据较少存储空间、提高运算效率的同时保留了对历史数据画像的真实刻画,保证了结果的精确性。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种在线信号测量装置、信号特征的置信度测量装置。
背景技术
在不同的应用场景下,设备需要实时更新接收到的数据,同时综合信号的不同特征、不同场景的信号特点来统计检验结果,再动态测量在线信号的质量与信号特征的置信度。由于信号更新频率高、计算机的存储空间与算力有限,现有的技术很难基于保留的历史数据和实时数据对不同在线信号采取相应的测量方法,而是基于过往经验或单一的算法分析信号,会导致分析结果与实时状况有很大的偏差;此外,历史数据的质量亦会随时间发生变化并受环境因素干扰,并非总是可信的,因此依赖全部历史数据计算置信度不能得出最具参考性、最符合实际应用需求的分析结果。
发明内容
为了解决现有技术无法在信号实时更新时基于可信的历史数据测量在线信号质量、信号特征置信度的问题,本发明提供一种在线信号测量装置、信号特征的置信度测量方法,建立实时存储和更新历史数据画像的动态数据记录载体,同时筛选有价值的信号部分,选取针对当前信号最高效的算法计算历史数据画像的质量以及实时数据和历史数据画像的相似度以求得在线信号的质量,并选取针对当前场景最高效的测量模型计算信号质量和信号特征质量以测量信号特征的置信度。
本发明解决其技术问题所采用的技术方案是:一种在线信号测量装置,包括:数据记录载体,包括用于存储历史数据画像的历史数据存储模块和用于更新历史数据画像的历史数据更新模块;历史数据检测模块,计算实时数据在前一次更新后的历史数据画像的历史质量; 相似度检测模块,计算实时数据与历史数据画像的相似度;数据质量测量模块,将历史质量归一化为相似度修正值,以修正相似度得出所述实时数据的质量D。
进一步,本发明的在线信号测量装置还包括:更新计数模块,计算所述实时数据的更新次数;其中,当所述更新次数大于第一阈值时,实时数据进入所述历史数据检测模块;否则,实时数据进入历史数据存储模块。
进一步,当所述历史质量大于第二阈值时,实时数据分别进入相似度检测模块以及历史数据更新模块;否则,实时数据进入历史数据存储模块。
进一步,所述历史数据画像包括:历史数据、历史数据的统计特征中的至少一种。
进一步,所述历史质量包括:历史数据分布与理想分布之间的同分布程度,或前一次更新后求得的质量D;所述历史数据分布基于历史数据画像得到;所述理想分布为:高斯分布、伯努利分布、二项分布、泊松分布、超几何分布、几何分布、负二项分布、指数分布、伽玛分布、贝塔分布、卡方分布、均匀分布、对数正态分布、柯西分布中的任一种。
进一步,所述相似度包括:实时数据服从历史数据分布的概率,或实时数据与历史数据的统计特征变化度。
进一步,所述更新历史数据画像包括:将进入所述历史数据更新模块的实时数据加入历史数据画像进行更新。
进一步,本发明的在线信号测量装置还包括:数据筛选模块,在所述实时数据进入所述数据记录载体前,对实时数据中的离群值进行去除;输出显示模块,用于显示所述实时数据的质量D。
本发明还提供一种信号特征的置信度测量装置,包括:预处理模块,对采集的信号进行切片得到数据段;特征计算模块,选取所述信号的至少一个特征并根据所述特征计算所述数据段的特征数据段;数据质量评估模块,计算数据段的数据段质量SQI、特征数据段的特征数据段质量SQIf;其中,所述数据段质量SQI通过SQI测量装置计算得到,所述特征数据段质量SQIf通过所述的基于记录载体的在线信号测量装置计算得到;置信度测量模块,将所述数据段质量SQI和所述特征数据段质量SQIf采用置信度计算函数计算出所述特征的置信度Con。
进一步,所述SQI测量装置包括:所述的基于记录载体的在线信号测量装置或预设模型;所述预设模型包括:定义SQI为1或预设参数。
进一步,所述置信度计算函数为:Con = SQI × SQIf。
本发明还提供一种用于长程监护的信号置信度测量方法,包括:采用所述的信号特征的置信度测量装置计算信号的特征的置信度Con;其中,SQI测量装置采用所述的基于记录载体的在线信号测量装置;历史质量为历史数据分布与理想分布之间的同分布程度;相似度为实时数据服从历史数据分布的概率。
本发明还提供一种用于术中场景的信号置信度测量方法,采用所述的信号特征的置信度测量装置计算信号的特征的置信度Con;其中,SQI测量装置为预设模型;历史质量为前一次更新后求得的质量D;相似度为实时数据与历史数据的统计特征变化度。
本发明的有益效果:
本发明综合考虑信号的不同特征、不同场景的信号特点,通过动态的数据记录载体结合每次更新时筛选的历史数据与实时数据不断更新历史数据画像,再用于下一次更新时与下一次的实时数据对照;同时,选取有针对性的计算方法以求得在线信号的质量、信号特征的置信度,占据较少存储空间、提高运算效率的同时保留了对历史数据画像的真实刻画,保证了结果的精确性,有利于进一步提取到实时信号中更深层、有效的信息,为在线进行的各类实时信号分析场景提供了信号特征置信度层面的指标参考。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的在线信号测量装置、置信度测量模型的结构示意图。
图2是本发明的在线信号质量测量和置信度测量的流程图。
图3是本发明的实施例一的信号特征置信度测量流程图。
图4是本发明的长程监护场景下的测量流程图。
图5是本发明的术中唤醒场景下的测量流程图。
图6是本发明的术中麻醉场景下的测量流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
在本发明的描述中,需要理解的是,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1至图2所示,本发明的基于记录载体的在线信号测量装置包括:数据记录载体,包括用于存储历史数据画像的历史数据存储模块和用于更新历史数据画像的历史数据更新模块;更新计数模块,计算实时数据的更新次数;历史数据检测模块,计算实时数据在前一次更新后的历史数据画像的历史质量;相似度检测模块,计算实时数据与历史数据画像的相似度;数据质量测量模块,将历史质量归一化为相似度修正值,以修正相似度得出实时数据的质量D;数据筛选模块,在实时数据进入数据记录载体前,对实时数据中的离群值进行去除;输出显示模块,用于显示实时数据的质量D。
需要说明的是,本发明所述的实时数据代指发生更新时进入各模块的数据,而该次更新前的数据统称历史数据,前一次更新后的历史数据画像指前一次更新完成后、该次更新发生前的数据记录载体中已完成存储与修正更新的历史数据画像;当下一次更新发生后,上述实时数据也成为历史数据。换言之,历史数据和实时数据表示在动态数据记录载体中数据的相对新旧,而非描述数据记录载体中的数据是否依旧具有实时性。
需要说明的是,将历史数据集合看作矩阵,历史数据画像包括:历史数据、历史数据的统计特征(如可用于测量置信度的动态参数、矩阵间距离、数据分布的均值、方差、标准差、散度、聚类程度,或历史数据的个数、均值等)中的至少一种。历史数据的统计特征基于历史数据且经过计算可以描述整个历史数据画像,对历史数据的原始值进行统计分析可以得到历史数据分布,通过历史数据的统计特征也能够确定一个历史数据分布。因此,历史数据分布可以基于历史数据本身或者历史数据的统计特征得到。历史数据画像存储于数据记录载体的历史数据存储模块中,又在历史数据更新模块中不断被更新,旨在通过精简的数据概述出大量历史数据原本的整体样貌,只保留数据最核心的部分,并在循环中接收新的实时数据进行自我修正后随着更新次数增加越来越具备真实性和参考性。
例如,本发明设置的数据记录载体包括:用于存储历史数据画像的历史数据存储模块和用于更新历史数据画像的历史数据更新模块。具体的,在数据记录载体中存储和更新历史数据画像的方式为:将进入历史数据更新模块的实时数据加入历史数据画像并执行更新函数,当存储历史数据(原始值)时,直接将当前的实时数据存入历史数据画像中;当存储历史数据分布时,将当前实时数据加入历史分布以更新分布;当存储历史数据的统计特征时,则依据当前实时数据计算各统计值更新情况进行更新。
例如,统计特征为均值的情景一:,其中,数据记录载体存储n个历史数据的均值Mn,历史数据总个数为n,当前实时数据为Xn+1,更新后的均值Mn+1代替Mn存入数据记录载体,以及n更新为n+1。统计特征为均值的情景二:,其中,数据记录载体存储n个历史数据的均值Mn,历史数据总个数为n,当前实时数据为Xn+1、Xn+2、…… Xn+k,更新后的均值Mn+k代替Mn存入数据记录载体,以及n更新为n+k。
例如,统计特征为方差的情景一:,其中,数据记录载体存储n个历史数据的方差Vn,历史数据总个数为n,历史数据均值为Mn,当前实时数据为Xn+1,更新后的方差Vn+1代替Vn存入数据记录载体,以及n更新为n+1,Mn更新为Mn+1。统计特征为方差的情景二:
,其中,数据记录载体存储n个历史数据的方差Vn,历史数据总个数为n,历史数据均值为Mn,当前实时数据为Xn+1、Xn+2、……、 Xn+k,更新后的方差Vn+k代替Vn存入数据记录载体,以及n更新为n+k,Mn更新为Mn+k。
例如,统计特征为标准差的情景一:,其中,数据记录载体存储n个历史数据的标准差Sn,历史数据总个数为n,历史数据均值为Mn,当前实时数据为Xn+1,更新后的标准差Sn+1代替Sn存入数据记录载体,以及n更新为n+1,Mn更新为Mn+1。统计特征为标准差的情景二:
,其中,数据记录载体存储n个历史数据的标准差Sn,历史数据总个数为n,历史数据均值为Mn,当前实时数据为Xn+1、Xn+2、……、 Xn+k,更新后的标准差Sn+k代替Sn存入数据记录载体,以及n更新为n+k,Mn更新为Mn+k。
例如,更新计数模块用于记录实时数据从开始运行至此时所发生的更新次数,当更新次数大于第一阈值时,实时数据进入历史数据检测模块以进一步计算历史质量;当更新次数不大于第一阈值时,实时数据直接存入历史数据存储模块,即这些实时数据直接加入历史数据画像。通常情况下,设备开始采集信号后会经历一段不稳定时期,如采集设备启动噪声对采集的信号造成干扰或设备调试等情况,并且初始时期历史数据集合中的信息量较少导致当前历史数据集合并不能在统计学角度构成一个可信的分布,即很难生成准确的历史数据画像,故根据过往实践将数据达到稳定状态时已更新的次数最优选值设置为第一阈值,拟在数据记录载体中积攒一部分样本后,再开始对后续数据进行质量测量。
例如,历史数据检测模块用于计算实时数据在前一次更新后的历史数据画像的历史质量。由于相似度检测模块中需要结合实时数据与历史数据画像进行计算,也可将历史数据画像视为本次更新的实时数据的对比参照量,显然在历史数据画像不够可信或质量较差的情况下计算相似度无法对实时数据得出最合理的评估,因此,设置数据进入相似度检测模块的条件为:当历史质量大于第二阈值时,实时数据进入相似度检测模块,也进入历史数据更新模块以加入历史数据画像并使其更新;当历史质量不大于第二阈值时,实时数据直接存入历史数据存储模块。设置第二阈值为测量历史数据画像质量符合继续运算标准的阈值,当判断历史数据集合已经不够可信时显然无需依据该不可信的集合继续评判当前样本质量,故当历史数据画像的质量不满足第二阈值时,直接存储当前实时数据不再计算,并且该数据集合在进入数据记录载体前会经过数据筛选模块受到修正或清洗。
需要说明的是,历史质量包括:历史数据分布与理想分布之间的同分布程度,或前一次更新后求得的质量D。特别的,将算法运行前设备中已设置的参数和信息集合称为数据预画像,根据场景符合第一条件或第二条件时确定该次更新的历史质量算法,以提高计算效率。
具体的,第一条件为:数据预画像中包含有对理想分布的设定或假设,并且具备充裕的时间使数据记录载体可存储并实时计算历史数据分布。当场景满足第一条件时,选用合适的统计检验方法计算历史数据分布与理想分布之间的同分布程度,以作为历史质量的值。其中,理想分布为高斯分布、伯努利分布、二项分布、泊松分布、超几何分布、几何分布、负二项分布、指数分布、伽玛分布、贝塔分布、卡方分布、均匀分布、对数正态分布、柯西分布中的任一种。理想分布具体选择哪一种可以根据实际需求进行选择。统计检验方法可以依据数据类型选用KS检验(Kolmogorov-Smirnov test)、KL散度检验(Kullback-LeiblerDivergence)、核密度估计、卡方拟合优度检验等中的任一种。例如,以KS检验作为统计检验方法,得到的结果p值越大,说明历史数据分布与理想分布属于同一分布的可能性越大,即历史数据画像越贴近理想分布,历史质量高;p值越小(越接近0),说明两者属于同一分布的概率越小,即历史数据画像偏离理想分布,历史质量差。一般情况下,当p值小于5%,则证明两分布不服从同一分布,此时考虑将历史质量修正为0,而非直接采用KS检验真实p值。此外,在短程情况下较小的样本量构成的历史数据分布不一定能支持和理想分布求同分布,因此,即使数据预画像中包含有对理想分布的设定或假设也需要选用所述另一方案计算历史质量,在后文阐述。
继续说明其它场景,第二条件为:数据预画像中包含理想分布的统计特征,表现为对数据集中程度或离散程度的假设。以极限情况说明,将集中程度非常高的数据近似为一个点,显然历史数据的均值接近该点,偏离的概率极低,可以直接将均值作为前一次更新后的历史数据画像;假设数据在大范围上非常离散或者其离散程度能够说明,则可以用离散程度作为一个历史数据画像,也就是说已知数据离散而将离散本身视为一种分布,显然样本量较小时不能构成大的离散的分布,只有当离散程度表现为足够大时,说明历史数据更为可信。当场景满足第二条件时,直接将前一次更新后求得的质量D作为历史质量的值,极大简化了运算过程。
例如,设置相似度检测模块,用于计算实时数据与历史数据画像的相似度,由于历史数据画像已经过多次修正,可信度高,显然通过对比实时数据相较历史数据画像的变化可以在一定程度上判断实时数据的质量。需要说明的是,相似度包括:实时数据服从历史数据分布的概率,或实时数据与历史数据的统计特征变化度。特别的,根据场景符合第一条件或第二条件时确定该次更新的相似度的算法,以提高计算效率。
具体的,当场景满足第一条件时,前叙步骤采用历史数据分布与理想分布之间的同分布程度作为历史质量的值,且进入相似度模块的实时数据是经过筛选满足历史质量大于第二阈值的,因此当前需要计算相似度的实时数据必然具有较高质量的历史数据画像,又因为数据记录载体存储并实时计算历史数据分布的时间是充裕的,显然可以将实时数据服从历史数据分布的概率作为相似度的值,以作为可精准衡量当前实时数据质量的指标。该概率表达了数据样本服从某特定分布的程度,是假设检验的结果,可以采用夏皮罗维尔克检验、科尔莫戈罗夫检验、安德森·达令检验等检验方式中的任一种进行计算。
继续说明其它场景,当场景满足第二条件时,数据预画像中包含理想分布的统计特征且表现为对数据集中程度或离散程度的假设,此时将实时数据与历史数据的统计特征变化度作为相似度的值。具体的,对于统计特征表现为数据分布集中的,可以采用欧氏距离公式等方法计算本次更新相较于前一次更新时实时数据矩阵与历史数据矩阵间的距离变化度,以作为相似度的值;对于数据预画像给出数据聚集程度的描述的,还可以计算本次更新相较于前一次更新后实时数据与历史数据分布的散度或聚类程度的变化度,以作为相似度的值,无论集中还是离散的情景都能适用。
也就是说,本发明的在线信号测量装置只对更新次数超过第一阈值并且其前一次更新后的历史数据画像的质量超过第二阈值时的稳定态数据展开质量测量,同时进行筛选和修正后加入数据记录载体并更新历史数据画像,而对于不满足以上条件的实时数据则直接进行筛选和修正后加入数据记录载体并更新历史数据画像,在过程中通过更新迭代不断提高数据记录载体和评估体系的客观性。
例如,数据质量测量模块用于将历史质量归一化为相似度修正值,以修正相似度得出实时数据的质量D。在各场景下可以采用不同的修正方法得到实时数据的质量D:当用户明确要求历史质量对实时数据的质量测量结果的影响程度时,将历史质量归一化为相似度修正值a,将相似度归一化为b,可设置D = θ1*a + θ2*b,即认为历史质量对结果的贡献占比为θ1,当前数据质量对结果的贡献占比为θ2,一般情况下θ1+θ2=1;在用户无明确要求的常规情况下,将历史质量归一化为相似度修正值a,相似度的值为b,b受到a的修正算得实时数据的质量D = a*b,较为快捷简便。
需要说明的是,历史质量可以理解为评分,历史质量的取值一般落在[0,100)之间,其中,85分以上认为历史质量为优秀,50分以下认为历史质量为很差,50-85分之间认为历史质量为一般。假设通过历史数据检测模块得到的历史质量为z,对历史质量z的归一化处理为:z÷100,则相似度修正值a=z÷100。假设通过相似度计算模块得到的相似度为r,相似度的取值一般为0-1之间,考虑到实际场景中,相似度几乎不落于0.95-1的区间,并在0-0.1内具有比较强烈的实际意义,因此可以将相似度取绝对值后进行分段归一化:当相似度绝对值处于0.95-1时,将r直接归一化为b = 1;当绝对值处于0-0.1时,将r直接归一化为b= 0;当绝对值处于0.1-0.95时,b=(r的绝对值-0.1)/0.85。通过归一化处理得到历史质量的归一化值a和相似度的归一化值b后,即计算数据的质量D。
当然,在实际应用中,对历史质量的归一化处理还可以采用以下方式:考虑到实际场景中的历史质量几乎不落于95-100的得分区间,并在40-60分处变化剧烈,可以将历史质量进行分段归一化:当历史质量处于0-40时,a=z÷100;当真实值处于60-95时,a=(r+5)÷100;当真实值处于40-60时,a=(r-40)÷80+0.4。
需要说明的是,在满足第二条件时,可以直接将前一次更新后求得的质量D作为历史质量的值,这里将质量D直接作为历史质量时,需要将D×100,因为历史质量是[0,100)之间的数值,而D是根据归一化后的数值计算得到。
例如,数据筛选模块用于在实时数据进入数据记录载体前,对实时数据中的离群值进行去除,离群值包括:数据突然置零导致的异常值、数据受到不明扰动造成的异常值等明显不符合正常分布的数据,以使得小样本数据足以拟合真实分布,并且避免了数据记录载体中的历史数据画像受离群值影响偏离符合实际的画像。
例如,输出显示模块用于显示计算得出的实时数据的质量D,并在更新次数不大于第一阈值时显示如“样本数不足”、“NAN”、“0”等的字样,在历史质量不大于第二阈值时显示如“当前分布不可信”、“NAN”、“0”等的字样,以及其它应用中所需显示的内容。
本发明还提供一种信号特征的置信度测量装置,包括:预处理模块,对采集的信号进行切片得到数据段;特征计算模块,选取信号的至少一个特征并根据特征计算数据段的特征数据段;数据质量评估模块,计算数据段的数据段质量SQI、特征数据段的特征数据段质量SQIf;置信度测量模块,将数据段质量SQI和特征数据段质量SQIf采用置信度计算函数计算出特征的置信度Con = f(SQI, SQIf)。其中,数据段质量SQI通过SQI测量装置计算得到,特征数据段质量SQIf(即质量D)通过基于记录载体的在线信号测量装置计算得到。
例如,所述的信号段的特征为某种能够反映所需测量数据的置信度的数学表现形式,它基于在线信号实时获取或更新。例如,在本发明的长程监护及术中场景中使用Highgamma频带能量构成的avg矩阵作为特征,其可以反映大脑激活数据、脑网络激活数据、刺激通路的数据等。
需要说明的是,通过SQI测量装置计算数据段质量SQI包括:通过基于记录载体的在线信号测量装置针对数据段求得的质量DSQI(即DSQI与质量D的计算方式相同)为数据段质量SQI;或通过预设模型求得数据段质量SQI。具体的,预设模型一:认定数据段质量为真实可信,即定义SQI为1代入特征的置信度计算中。预设模型二:将实施例一的算法求得的信号置信度作为SQI的值。其中,预设模型一和预设模型二适用于如术中唤醒等任务时间短、噪音类型复杂、无法算得稳定可信的数据质量的场景。预设模型三:例如直接将麻醉参数、脑电双频指数作为SQI,例如将计算脑电双频指数的特征作为SQI,例如结合各参数或特征加权算得SQI,适用于如术中麻醉等信号与往常差异大而需要特殊分析的场景。如长程监护等时间充裕的一般场景中则可以使用在线信号测量装置针对数据段求得质量DSQI作为数据段质量SQI。
例如,信号特征的置信度测量过程中,特征数据段的质量相较于数据段的质量更为重要,故在大多场景中都通过基于记录载体的在线信号测量装置针对特征数据段求得的质量DSQIf(即DSQIf与质量D的计算方式相同)为特征数据段质量SQIf。
需要说明的是,由于实时数据的质量D已经为历史质量和相似度经过修正的加权结果,即所有映射都已经完成,故将数据段质量SQI和特征数据段质量SQIf通过简单的相乘即可计算出特征的置信度Con = f(SQI, SQIf)=SQI × SQIf。
例如,信号特征的置信度测量装置还可以设有显示模块,用以显示每次更新或指定次更新后求得的置信度Con,通过图表、数值等方式展示其变化。随着试次的增加,置信度逐渐升高并趋于平缓,显示模块展示历史置信度及变化过程可供用户判断何时足够可信或何时已趋于稳定,为用户提供衡量标准。在其它可选的实施方式中,可将输出显示模块与显示模块合并,设置在在线信号测量装置或置信度测量模型中,显示实时数据的质量D、特征的置信度Con。
例如,实施例一:数据记录载体中已存储有理想历史数据画像内容的信号特征置信度测量如图3所示。通过采集设备获取实时信号,并对实时信号进行切片得到多个数据段,计算当前数据段的特征数据段。在该应用场景下认为信号总是真实可信的,定义为1,仅需计算特征数据段的质量SQIf,当前特征的置信度可以看作Con=f(SQIf)。该场景可以实现在系统离线状态下基于大量数据获取最接近理想分布的历史数据、历史数据分布、历史数据的统计特征,再加以存储,在在线状态下直接运行置信度测量流程,而在线数据对数据画像的影响很小,因此无需在线更新,当前展示的特征第n次更新,可直接计算当前特征与历史数据画像之间的相似度b,当前特征的质量为D=f(b),并显示数据质量的输出值D。该算法能够简化运算压力,借由理想的数据记录载体为标准提升结果的准确性。
本发明提供一种用于长程监护的信号置信度测量方法,采用信号特征的置信度测量装置计算信号特征的置信度Con,该场景时间充裕, SQI测量装置选用在线信号测量装置求得质量DSQI作为数据段质量SQI,同时通过基于记录载体的在线信号测量装置针对特征数据段求得的质量DSQIf为特征数据段质量SQIf。需要说明的是,长程监护场景为满足第一条件的场景,即在该应用场景下,数据预画像中包含有对理想分布的设定或假设,并且具备充裕的时间使数据记录载体可存储并实时计算历史数据分布,因此,历史质量为历史数据分布与理想分布之间的同分布程度,相似度为实时数据服从历史数据分布的概率。
需要说明的是,长程监护的时间一般为7~14天,监测时间较为宽裕,可以采用更长的范式、更复杂的逻辑、更多的试次。例如图4所示,在长程监护场景中,选取的特征为均值,采集设备采集一段实时信号并对实时信号进行切片得到多个数据段,计算当前数据段的质量SQI和当前数据段的当前展示的avg矩阵(即特征数据段)的质量SQIf。avg矩阵的质量SQIf的计算过程为:设当前展示的avg矩阵第n次更新,判断更新次数n是否大于第一阈值N,若否,则直接将当前展示的avg矩阵存入历史数据画像中;若是,则计算历史数据画像的历史质量a(a=历史数据分布与理想分布之间的同分布程度),若历史质量a大于第二阈值A,则计算当前avg矩阵与历史数据画像之间的相似度b(b=实时数据服从历史数据分布的概率),然后,基于当前数据更新历史数据画像,再计算当前avg矩阵的质量D=f(a,b,n),最后显示质量D;若历史质量a不大于第二阈值A,则修改历史数据集后,再存入历史数据画像中。
在该场景中,由于长程监护时间充裕,通常会进行更多的试次,历史数据画像中可存储实时计算出的avg矩阵构成的分布参数,可以采用分布对应的统计检验方法返回的p值(即历史数据分布与理想分布之间的同分布程度)作为历史数据画像的历史质量a。在长程监护场景中,可以通过统计检验当前avg矩阵是否服从历史数据分布的概率,来衡量当前avg矩阵的可信程度或相对于之前试次的相似度b。在长程监护场景中,可以考虑丢弃历史数据集中比较离群的试次,一方面,可以优化存储空间,另一方面,可以提高基于历史数据计算得到的当前avg矩阵的可信程度。
本发明提供一种用于术中场景的信号置信度测量方法,采用信号特征的置信度测量装置计算信号的特征的置信度Con,该场景的SQI模型为预设模型。需要说明的是,术中场景为满足第二条件的场景,即在该应用场景下,数据预画像中包含理想分布的统计特征,表现为对数据集中程度或离散程度的假设。历史质量为前一次更新后求得的质量D,相似度为实时数据与历史数据的统计特征变化度。
需要说明的是,术中场景可以分为术中唤醒和术中麻醉。术中唤醒是指在手术过程中唤醒患者,由于手术室内环境嘈杂,对患者的脑电信号会产生一定影响,因此,监测过程时间紧,试次少,数据处理过程要简单。术中麻醉是指受到麻醉的患者被动接收测试任务,在该场景下,患者的脑电信号与清醒时的脑电信号有显著差别,故置信度测量过程中不能完全依据实时数据而是需要引入特殊的参数参与测量。
例如图5所示,对于术中唤醒场景:任务时间短、噪音类型复杂、无法算得稳定可信的数据质量,因此选用预设模型一或预设模型二作为SQI测量装置,以计算数据段质量SQI。在术中唤醒场景中,历史数据画像的历史质量a=前一次更新后求得的质量D,当前avg矩阵与历史数据画像之间的相似度b=实时数据与历史数据的统计特征变化度(例如是计算avg矩阵与历史数据画像之间的欧式距离)。在术中唤醒场景中,历史数据画像中仅可存储上一次的avg矩阵,显然,第n-1次的avg矩阵中就包含了前n-1次的监测结果,是前n-1次的监测结果的平均值。因此,可以用第n-1次的avg矩阵的质量(即前一次更新后求得的质量D)直接作为历史数据画像的历史质量的评价指标。当n逐渐增大时,第n次与第n-1次的avg矩阵变化趋于平稳,因此,可以用相似度衡量置信情况。
例如图6所示,对于术中麻醉场景:由于术中麻醉的脑电信号与清醒时有较大差异,选用预设模型三作为SQI测量装置,以计算数据段质量SQI。在术中麻醉场景中,历史数据画像的历史质量a=前一次更新后求得的质量D,当前avg矩阵与历史数据画像之间的相似度b=实时数据与历史数据的统计特征变化度(例如是计算avg矩阵与历史数据画像之间的欧式距离)。在术中麻醉场景中,历史数据画像中仅可存储上一次的avg矩阵,显然,第n-1次的avg矩阵中就包含了前n-1次的监测结果,是前n-1次的监测结果的平均值。因此,可以用第n-1次的avg矩阵的质量(即前一次更新后求得的质量D)直接作为历史数据画像的质量评价指标。当n逐渐增大时,第n次与第n-1次的avg矩阵变化趋于平稳,因此,可以用相似度衡量置信情况。
综上所述,本发明综合考虑信号的不同特征、不同场景的信号特点,通过动态的数据记录载体结合每次更新时筛选的历史数据与实时数据不断更新历史数据画像,再用于下一次更新时与下一次的实时数据对照;同时,选取有针对性的计算方法以求得在线信号的质量、信号特征的置信度,占据较少存储空间、提高运算效率的同时保留了对历史数据画像的真实刻画,保证了结果的精确性,有利于进一步提取到实时信号中更深层、有效的信息,为在线进行的各类实时信号分析场景提供了信号特征置信度层面的指标参考。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种基于记录载体的在线信号测量装置,其特征在于,包括:
数据记录载体,包括用于存储历史数据画像的历史数据存储模块和用于更新历史数据画像的历史数据更新模块;
历史数据检测模块,计算实时数据在前一次更新后的所述历史数据画像的历史质量;
相似度检测模块,计算所述实时数据与所述历史数据画像的相似度;
数据质量测量模块,将所述历史质量归一化为相似度修正值,以修正所述相似度得出所述实时数据的质量D;
更新计数模块,计算所述实时数据的更新次数;当所述更新次数大于第一阈值时,实时数据进入所述历史数据检测模块;否则,实时数据进入历史数据存储模块;
当所述历史质量大于第二阈值时,所述实时数据分别进入所述相似度检测模块以及所述历史数据更新模块;否则,所述实时数据进入所述历史数据存储模块。
2.如权利要求1所述的在线信号测量装置,其特征在于,
所述历史数据画像包括:历史数据、历史数据的统计特征中的至少一种。
3.如权利要求2所述的在线信号测量装置,其特征在于,
所述历史质量包括:历史数据分布与理想分布之间的同分布程度,或前一次更新后求得的质量D;所述历史数据分布基于历史数据画像得到;
所述理想分布为:高斯分布、伯努利分布、二项分布、泊松分布、超几何分布、几何分布、负二项分布、指数分布、伽玛分布、贝塔分布、卡方分布、均匀分布、对数正态分布、柯西分布中的任一种。
4.如权利要求2所述的在线信号测量装置,其特征在于,
所述相似度包括:实时数据服从历史数据分布的概率,或实时数据与历史数据的统计特征变化度。
5.如权利要求1所述的在线信号测量装置,其特征在于,
所述更新历史数据画像包括:将进入所述历史数据更新模块的实时数据加入历史数据画像进行更新。
6.如权利要求1所述的在线信号测量装置,其特征在于,还包括:
数据筛选模块,在所述实时数据进入所述数据记录载体前,对实时数据中的离群值进行去除;
输出显示模块,用于显示所述实时数据的质量D。
7.一种信号特征的置信度测量装置,其特征在于,包括:
预处理模块,对采集的信号进行切片得到数据段;
特征计算模块,选取所述信号的至少一个特征并根据所述特征计算所述数据段的特征数据段;
数据质量评估模块,计算数据段的数据段质量SQI、特征数据段的特征数据段质量SQIf;其中,
所述数据段质量SQI通过SQI测量装置计算得到,所述特征数据段质量SQIf通过如权利要求1-6任一项所述的基于记录载体的在线信号测量装置计算得到;
置信度测量模块,将所述数据段质量SQI和所述特征数据段质量SQIf采用置信度计算函数计算出所述特征的置信度Con。
8.如权利要求7所述的置信度测量装置,其特征在于,
所述SQI测量装置包括:如权利要求1-6任一项所述的基于记录载体的在线信号测量装置或预设模型;
所述预设模型包括:定义SQI为1或预设参数。
9.如权利要求7所述的置信度测量装置,其特征在于,
所述置信度计算函数为:Con = SQI × SQIf。
10.一种用于长程监护的信号置信度测量方法,其特征在于,包括:
采用如权利要求7所述的信号特征的置信度测量装置计算信号特征的置信度Con;其中,
SQI测量装置采用如权利要求1-6任一项所述的基于记录载体的在线信号测量装置;
历史质量为历史数据分布与理想分布之间的同分布程度;
相似度为实时数据服从历史数据分布的概率。
11.一种用于术中场景的信号置信度测量方法,其特征在于,
采用如权利要求7所述的信号特征的置信度测量装置计算信号特征的置信度Con;其中,
SQI测量装置为预设模型;
历史质量为前一次更新后求得的质量D;
相似度为实时数据与历史数据的统计特征变化度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684969.0A CN117390379B (zh) | 2023-12-11 | 2023-12-11 | 在线信号测量装置、信号特征的置信度测量装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684969.0A CN117390379B (zh) | 2023-12-11 | 2023-12-11 | 在线信号测量装置、信号特征的置信度测量装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390379A CN117390379A (zh) | 2024-01-12 |
CN117390379B true CN117390379B (zh) | 2024-03-19 |
Family
ID=89470600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311684969.0A Active CN117390379B (zh) | 2023-12-11 | 2023-12-11 | 在线信号测量装置、信号特征的置信度测量装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390379B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6801898B1 (en) * | 1999-05-06 | 2004-10-05 | Yamaha Corporation | Time-scale modification method and apparatus for digital signals |
CN104915727A (zh) * | 2015-05-22 | 2015-09-16 | 南京国电南自电网自动化有限公司 | 多维度同构异质bp神经网络光功率超短期预测方法 |
CN106199421A (zh) * | 2016-06-27 | 2016-12-07 | 北京协同创新研究院 | 一种基于工业大数据的预警方法和系统 |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
WO2022124276A1 (ja) * | 2020-12-07 | 2022-06-16 | ダイキン工業株式会社 | 室内空気品質予測方法、及び室内空気品質検出システム |
CN114648235A (zh) * | 2022-03-29 | 2022-06-21 | 重庆大学 | 一种基于数据画像的工业数据质量量化分析报告生成方法 |
CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
CN115429292A (zh) * | 2021-06-02 | 2022-12-06 | 博睿康科技(常州)股份有限公司 | 基于频谱分析的脑电信号质量的检测装置及系统 |
CN115775045A (zh) * | 2022-11-29 | 2023-03-10 | 南瑞集团有限公司 | 一种基于历史相似日和实时多维研判的光伏平衡预测方法 |
CN115968088A (zh) * | 2022-12-01 | 2023-04-14 | 广东利通科技投资有限公司 | 隧道智慧调光方法、系统及计算机储存介质 |
CN116258087A (zh) * | 2023-05-15 | 2023-06-13 | 矿冶科技集团有限公司 | 冰铜品位软测量方法、装置、电子设备及存储介质 |
CN116361355A (zh) * | 2023-02-08 | 2023-06-30 | 中国电子信息产业集团有限公司第六研究所 | 一种基于弧度的时间序列数据的处理方法 |
-
2023
- 2023-12-11 CN CN202311684969.0A patent/CN117390379B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6801898B1 (en) * | 1999-05-06 | 2004-10-05 | Yamaha Corporation | Time-scale modification method and apparatus for digital signals |
CN104915727A (zh) * | 2015-05-22 | 2015-09-16 | 南京国电南自电网自动化有限公司 | 多维度同构异质bp神经网络光功率超短期预测方法 |
CN106199421A (zh) * | 2016-06-27 | 2016-12-07 | 北京协同创新研究院 | 一种基于工业大数据的预警方法和系统 |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
WO2022124276A1 (ja) * | 2020-12-07 | 2022-06-16 | ダイキン工業株式会社 | 室内空気品質予測方法、及び室内空気品質検出システム |
CN115429292A (zh) * | 2021-06-02 | 2022-12-06 | 博睿康科技(常州)股份有限公司 | 基于频谱分析的脑电信号质量的检测装置及系统 |
CN114648235A (zh) * | 2022-03-29 | 2022-06-21 | 重庆大学 | 一种基于数据画像的工业数据质量量化分析报告生成方法 |
CN114936325A (zh) * | 2022-07-20 | 2022-08-23 | 北京数慧时空信息技术有限公司 | 基于用户画像的遥感影像推荐方法及系统 |
CN115775045A (zh) * | 2022-11-29 | 2023-03-10 | 南瑞集团有限公司 | 一种基于历史相似日和实时多维研判的光伏平衡预测方法 |
CN115968088A (zh) * | 2022-12-01 | 2023-04-14 | 广东利通科技投资有限公司 | 隧道智慧调光方法、系统及计算机储存介质 |
CN116361355A (zh) * | 2023-02-08 | 2023-06-30 | 中国电子信息产业集团有限公司第六研究所 | 一种基于弧度的时间序列数据的处理方法 |
CN116258087A (zh) * | 2023-05-15 | 2023-06-13 | 矿冶科技集团有限公司 | 冰铜品位软测量方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于元数据质量的全生命周期数据治理系统研究;卜意磊 等;《海峡科技与产业》;第35卷(第12期);63-66 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390379A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093879A (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN113114530B (zh) | 一种网元健康状态的检测方法及设备 | |
GB2491564A (en) | Method of system monitoring | |
CN112911627B (zh) | 无线网络性能检测方法、装置以及存储介质 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
CN115659284B (zh) | 一种大数据融合平台 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN114580572A (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
CN117390379B (zh) | 在线信号测量装置、信号特征的置信度测量装置 | |
CN116760908A (zh) | 基于数字孪生的农业信息优化管理方法及系统 | |
CN112416661B (zh) | 基于压缩感知的多指标时间序列异常检测方法和装置 | |
CN111128327A (zh) | 一种低血糖预警方法和装置 | |
CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
CN108830444B (zh) | 一种探空观测数据的评估和修正方法及装置 | |
CN117235557A (zh) | 基于大数据分析的电气设备故障快速诊断方法 | |
CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
CN115617604A (zh) | 基于图像模式匹配的磁盘故障预测方法及系统 | |
CN110647870B (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
CN113378350A (zh) | 一种温度变化趋势确定方法、装置及电子设备 | |
CN112217749A (zh) | 一种盲信号分离方法及装置 | |
CN116510223B (zh) | 基于物联网的自识别消防泵电参数巡检监测系统 | |
CN117522086B (zh) | 一种数字化低碳社区能耗管理系统 | |
CN110058184B (zh) | 冷头效率的计算方法、及冷头效率的监测方法和系统 | |
CN117473351B (zh) | 基于物联网的电源信息远程传输系统 |
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 |