CN117481632A - 一种无感式呼吸率计算方法、装置和电子设备 - Google Patents
一种无感式呼吸率计算方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117481632A CN117481632A CN202311241855.9A CN202311241855A CN117481632A CN 117481632 A CN117481632 A CN 117481632A CN 202311241855 A CN202311241855 A CN 202311241855A CN 117481632 A CN117481632 A CN 117481632A
- Authority
- CN
- China
- Prior art keywords
- effective
- amplitude
- wave
- trough
- respiration
- 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
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 139
- 238000004364 calculation method Methods 0.000 title claims abstract description 34
- 230000000241 respiratory effect Effects 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000036387 respiratory rate Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 230000001939 inductive effect Effects 0.000 claims abstract description 18
- 101150029607 SS18L1 gene Proteins 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 208000008784 apnea Diseases 0.000 description 18
- 238000001514 detection method Methods 0.000 description 13
- 230000003187 abdominal effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 201000002859 sleep apnea Diseases 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000022852 Letis Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101000878457 Macrocallista nimbosa FMRFamide Proteins 0.000 description 1
- 206010038669 Respiratory arrest Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001615 p wave Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- 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
-
- 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
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Abstract
一种无感式呼吸率计算方法、装置和电子设备,包括:采集呼吸信号并分离得到设定的时间窗口内的呼吸波形;根据所述呼吸波形提取得到振动中心轴、波峰和波谷的坐标,并且自适应地确定所述呼吸波形的上阈值轴和下阈值轴以过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期;根据有效周期中的相邻的所述有效波峰与所述有效波峰之间、相邻的所述有效波谷与所述有效波谷之间的时间间隔,就所述时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率,实现对呼吸率的高精准度计算,进而提高识别准确率。
Description
技术领域
本发明涉及睡眠检测技术领域,特别是指一种无感式呼吸率计算方法、装置和电子设备。
背景技术
睡眠对于人们健康状态息息相关,睡眠质量影响人们的身体健康和精神状态。呼吸暂停是指自主呼吸停止,常为暂时性或自限性。由于呼吸暂停通常发生在睡眠过程中,不易察觉,如果长期的呼吸暂停现象未被发现,得不到有效的治疗,就会出现一系列的疾病,因此,检测呼吸暂停对人体健康至关重要,呼吸暂停事件也是睡眠呼吸监测的重要指标。
目前,一般可将呼吸方式分为胸式呼吸和腹式呼吸,大部分人采用的是以胸式呼吸为主的联合呼吸方式。其中,胸式呼吸一次用时较短、波形也较为简单,而腹式呼吸一次约8-12秒、且波形更为复杂(每一个呼吸周期中存在多个阶段,也就含有多个波峰与波谷)。因此,若仅由呼吸波形的两个相邻波峰或者波谷来标定呼吸的周期,尤其是腹式呼吸,则极易引入无效的“周期”而影响呼吸率的计算准确度。就睡眠监测的产品而言,还需要对睡眠时呼吸暂停等危害事件进行识别与提醒。
公开号为CN115337001A的发明专利《呼吸检测控制方法、呼吸检测装置及存储介质》需要通过缠绕条带状绑带将电极传感器固定在使用者的胸部或腹部。这显然有很大可能会造成使用者受绑带缠绕产生不舒适感。
公开号为CN115089125A的发明专利《一种监测睡眠特征和呼吸率的方法及装置》通过傅里叶变换获取所采集压力信号的卧床体动频谱,并直接以其中幅度最大的频率对应为呼吸率。虽然是针对体动稳定状态的时间区域,但频谱分析要求呼、吸气具有较好节律,即波形需要具备良好的周期性,并不能为变频式呼吸率的计算、呼吸暂停的检测提供任何有益的帮助,结果甚至可能受到睡眠时呼吸暂停的干扰。
公开号为CN115089143A的发明专利《毫米波雷达生命体征信号提取和测量方法》需要将雷达波束照射人体胸腔部位;再从所采集生命体征信号中提取呼吸分量,并通过短时傅里叶变换与谱峰搜索确定呼吸率。一方面,它对生命体征信号的采集条件较高,显然不适合睡眠时使用;另一方面,使用短时傅里叶变换所得结果同样易受到呼吸不规律、暂停等的干扰。
公开号为CN110811647A的发明专利《一种基于心冲击信号的多通道隐蔽性测谎方法》使用到0.3-1Hz的带通滤波器获取呼吸波形。一方面,有一部分人的呼吸率低于每分钟18次,而睡觉时就更低了,对此以0.3Hz为下截止频率会严重影响所滤得呼吸波形的有效性;另一方面,其没有对腹式呼吸方式可能涉及到的多阶段呼气或吸气(在一个呼气或吸气过程中存在多次短暂的停歇)情况做任何处理,必然会大大降低呼吸率的计算准确度。
公开号为CN115316954A的发明专利《一种睡眠呼吸暂停综合检测方法、装置、设备及存储介质》是基于心电信号,根据睡眠呼吸检测阈值、心拍时序特征值和呼吸时序特征值(由特征信号输入到所训练的网络模型中而获得的),确定对呼吸暂停的检测。这种间接的检测方法,有效性大概率受限于网络模型的训练质量,结果的准确度还取决于最终的检测方法。
发明内容
本发明的主要目的在于克服现有技术中的呼吸率计算准确度不够的缺陷,提出一种无感式呼吸率计算方法、装置和电子设备,可智能化地分析出时间窗口内(尤其是腹式呼吸)每个呼吸周期中所含有的多余波峰与波谷,实现对呼吸率的高精准度计算,进而提高识别准确率。
本发明采用如下技术方案:
一种无感式呼吸率计算方法,其特征在于,包括
采集呼吸信号并分离得到设定的时间窗口内的呼吸波形;
根据所述呼吸波形提取得到振动中心轴、波峰和波谷的坐标,并且自适应地确定所述呼吸波形的上阈值轴和下阈值轴以过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期;
根据有效周期中的相邻的所述有效波峰与所述有效波峰之间、相邻的所述有效波谷与所述有效波谷之间的时间间隔,就所述时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率。
进一步的,所述振动中心轴为根据所述呼吸波形的信号幅值确定或者通过傅里叶变换的零频率分量确定或者通过数字滤波器过滤成零轴实现。
进一步的,得到所述时间窗口内的呼吸波形后,若所述呼吸波形的所有信号的幅值处于设定范围带内,则得到所述设定时间窗口内的呼吸率为每分钟0次。
进一步的,所述范围带为在所述呼吸波形的所述振动中心轴附近的设定的幅值上限与设定的幅值下限之间的幅值区域。
进一步的,所述自适应地确定所述呼吸波形的上阈值轴和下阈值轴,具体为:
提取所述设定时间窗口内的所述呼吸波形的全部波峰和全部波谷分别得到波峰序列和波谷序列,根据所述波峰序列的幅值情况,自适应地确定幅值的所述上阈值轴,根据所述波谷序列的幅值情况,自适应地确实幅值的所述下阈值轴。
进一步的,根据所述波峰序列的幅值情况,自适应地确定幅值的所述上阈值轴,具体为:
将所述波峰序列按照设定的顺序排列为上幅值序列,再自适应地去掉所述上幅值序列的前面p1个和后面p2个元素得到上幅值子序列,p1和p2均为自然数且p1+p2<p,p为所述呼吸波形的波峰数量;
计算所述上幅值子序列的统计值,根据所述统计值、所述振动中心轴和设定幅值上限来确定所述上阈值轴sabove:
其中,为所述上幅值子序列的统计值,scenter为所述振动中心轴,/>为在所述呼吸波形的所述振动中心轴附近的设定的幅值上限,0<k1<1。
进一步的,根据所述波谷序列的幅值情况,自适应地确定幅值的所述下阈值轴,具体为:
将所述波谷序列按照设定的顺序排列为下幅值序列,再自适应地去掉所述下幅值序列的前面q1个和后面q2个元素,q1和q2均为自然数且q1+q2<q,q为所述呼吸波形的波谷的数量;
计算所述下幅值子序列的统计值,根据所述统计值、所述振动中心轴和设定的幅值下限来确定所述下阈值轴sbelow:
其中,为所述下幅值子序列的统计值,scenter为所述振动中心轴,/>为在所述呼吸波形的所述振动中心轴附近的设定的幅值下限,0<k2<1。
进一步的,根据所述呼吸波形的上阈值轴和下阈值轴过滤多余的波峰和波谷,具体为:
过滤掉所述波峰序列中幅值分量小于所述上阈值轴的元素,并按所述时间窗口的时刻分量顺序排列为波峰子序列;
过滤掉所述波谷序列中幅值分量大于所述下阈值轴的元素,并按所述时间窗口的时刻分量顺序排列为波谷子序列。
进一步的,所述通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期:
对于所述波峰子序列的任意两个相邻的波峰元素的时刻分量之间,若所述波谷子序列中存在多于一个波谷元素,则仅保留其中一个幅值分量最小的波谷元素并过滤掉其余的波谷元素;
对于所述波谷子序列中任意两个相邻的波谷元素的时刻分量之间,若所述波峰子序列中存在多于一个波峰元素,则仅保留其中一个幅值分量最大的波峰元素并过滤掉其余的波峰元素;
以使得,在所述波峰子序列和所述波谷子序列中,任意两个相邻的波峰元素的时刻分量之间都存在且只存在一个波谷元素,任意两个相邻的波谷元素的时刻分量之间都存在且只存在一个波峰元素。
进一步的,所述中心时刻的呼吸率的瞬时值计算公式如下:
其中为估计的平均呼吸周期,/>为相邻的所述有效波峰和所述有效波峰之间的时间间隔的取值,/>为相邻的所述有效波谷和所述有效波谷的时间间隔的取值。
进一步的,若计算得到的所述中心时刻的呼吸率的瞬时值为每分钟0次时,再进一步检验所述时间窗口内是否存在一段完全处于设定范围带内并且持续时间长度大于设定的时长判定阈值Δtthreshold的呼吸波形段,若存在则识别为呼吸暂停事件。
进一步的,所述设定的时间窗口的所述呼吸波形为在所述呼吸信号中,每隔一个固定的时长则滑动一次所述时间窗口,进而得到对应的所述呼吸波形。
一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序时,实现如所述无感式呼吸率计算方法。
一种无感式呼吸率计算装置,其特征在于,包括
采集模块,采集呼吸信号并分离得到设定时间窗口内的呼吸波形;
过滤模块,根据呼吸波形提取得到振动中心轴、波峰和波谷的坐标,并且自适应地确定所述呼吸波形的上阈值轴和下阈值轴以过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期;
计算模块,根据有效周期中的相邻所述有效波峰与所述有效波峰之间、相邻所述有效波谷与所述有效波谷之间的时间间隔,就所述时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
1、本发明中,提取的时间窗口内的呼吸波形,结合上阈值轴和下阈值轴过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期,就时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率,根据计算得到的呼吸率判断是否存在呼吸暂停事件;可智能化地分析出时间窗口内(尤其是腹式呼吸)每个呼吸周期中所含有的多余波峰与波谷,实现对呼吸率的高精准度计算。
2、本发明中,当得到的呼吸波形完全处于一个较小的范围带内,则识别为呼吸暂停事件,且可直接得到时间窗口内的呼吸率(包括中心时刻的瞬时值)均为每分钟0次。该范围带通过设定的控制阈值进行确定,设置控制阈值可辅助定义呼吸波形信号的强弱,一方面可规避当信号很弱时对呼吸率的错误计算,另一方面也用作对睡眠时呼吸暂停的识别条件。
3、本发明中,先通过自适应地确定上阈值轴和下阈值轴过滤多余的波峰和波谷,再通过循环步骤再次过滤得到成对的有效波峰与有效波谷,以实现对呼吸波形有效周期的智能化分析,提高呼吸率计算的精准度以及呼吸率计算的准确性。
4、本发明中,设置成每隔一个固定的时长则滑动一次所述的时间窗口,根据相应的呼吸波形进行计算得到中心时刻呼吸率的瞬时值,同时识别可能存在的呼吸暂停事件,一次滑动的时长若太短,则计算过于频繁会造成算力的浪费;若太长,则会降低呼吸率计算的实时性、呼吸暂停事件识别的灵敏度,可根据实际情况设定和调整。
5、本发明中,在无感式的基础上,更加智能化地分析出呼吸波形的有效周期,对于多阶段呼气或吸气同样有效,从而提供更高精准度的呼吸率计算值。通过对呼吸波形中信号是否变弱、甚至消失的有效检测,对睡眠时呼吸暂停这一事件进行识别;并在识别到用户存在呼吸暂停时,根据事件发生的频繁程度进行提醒。
附图说明
图1为本发明方法流程图;
图2为本发明呼吸波形举例图一;
图3为本发明呼吸波形举例图二;
图4为本发明装置模块图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明提出一种无感式呼吸率计算方法,参见图1,包括如下步骤:
1)采集呼吸信号并分离得到设定的时间窗口内的呼吸波形。
该步骤中,可在使用如压电薄膜传感器等无感式地检测并采集呼吸信号的基础上分离出时间窗口内可刻画呼吸的较低频波形,即得到设定的时间窗口内的呼吸波形。时间窗口的长度可以根据实际情况设定。
例如,以20秒的时间窗口为例,可取得包含呼吸、心跳等的数字信号,在不存在体动的情况下,再以0.05Hz为下截止频率、0.55Hz为上截止频率的数字带通滤波器分离出呼吸波形
R={(t1,s1),(t2,s2),…,(tM,sM)}
其中,t表示窗口时刻(介于零与时间窗口长度之间)且关于下标值呈严格单调递增,s表示波形的信号幅值,M表示呼吸波形R中元素的总个数。其取值取决于设备的数据采样率,比如100Hz(即一秒采集有100个数据样本),呼吸波形对应的时间窗口是20秒,那么M就等于2000(也就是100*20)。
本发明中,对于呼吸信号,可每隔一个固定的时长则滑动一次所述的时间窗口,得到相应的呼吸波形,再分别对每个呼吸波形进行以下步骤的呼吸率计算。
其中,一次滑动的时长,可预先设定,其可以是固定值或变化值,例如可固定取为常用且适中的1秒钟。这一滑动的时长若太短,则计算过于频繁会造成算力的浪费;若太长,则会降低呼吸率计算的实时性、呼吸暂停事件识别的灵敏度。
2)根据呼吸波形提取得到振动中心轴、波峰和波谷的坐标,并且自适应地确定呼吸波形的上阈值轴和下阈值轴以过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期。
从呼吸波形中提取振动中心轴s=scenter,振动中心轴可根据波形的信号幅值取为也可以由傅里叶变换的零频率分量确定,甚至还可直接由数字滤波器过滤成零轴(即呼吸波形以零轴为中心上下振动,此时有scenter=0)。
进一步的,得到时间窗口内的呼吸波形后,若呼吸波形的所有信号的幅值处于设定范围带内,则得到设定时间窗口内的呼吸率为每分钟0次,并识别为呼吸暂停事件;若否,则继续进行后续的相关呼吸率计算步骤。
范围带为在呼吸波形的振动中心轴附近的设定的幅值上限与设定的幅值下限之间的幅值区域。其中幅值上限为幅值下限为/>且Δs1>0和Δs2>0均为控制阈值。控制阈值是为了定义呼吸波形信号的强弱,一方面可规避当信号很弱时对呼吸率的错误计算,另一方面也用作对睡眠时呼吸暂停的识别条件。对于Δs1和Δs2的取值,一般需分别远小于正常呼吸的波峰和波谷与振动中心轴的最大偏离值。
当呼吸波形完全处于一个较小的范围带内,也就是,对于呼吸波形的所有信号幅值sm均满足:
该步骤中,自适应地确定呼吸波形的上阈值轴和下阈值轴,具体为:提取设定时间窗口内的呼吸波形的全部波峰和全部波谷分别得到波峰序列和波谷序列,根据波峰序列的幅值情况,自适应地确定幅值的上阈值轴,根据波谷序列的幅值情况,自适应地确实幅值的下阈值轴。
其中,提取全部波峰(假设有p个波峰)和波谷(假设有q个波谷),则可得到波峰序列
与波谷序列:
其中N和U均为R的子序列(p<M,q<M,且|p-q|≤1),t表示时间time,s表示信号signal;上标n表示波峰,上标u表示波谷。
波峰序列也就是波形的所有极大值点,且按窗口时刻分量从小到大的顺序排列;波谷序列,也就是波形的所有极小值点,且按窗口时刻分量从小到大的顺序排列。
进一步的,根据波峰序列的幅值情况,自适应地确定幅值的上阈值轴s=sabove,具体为:
首先,将波峰序列按照设定的顺序排列为上幅值序列,再自适应地去掉上幅值序列的前面p1个和后面p2个元素得到上幅值子序列。具体的,就波峰序列N的幅值分量而言,将其按照从小到大的顺序排列为上幅值序列,如再自适应地去掉所述上幅值序列的前面p1个和后面p2个元素,得到上幅值子序列,如/>其中p1和p2均为自然数且p1+p2<p,不妨记中间值p0=p-(p1+p2)。
p1值可优选为p的第一比例的向下取整,如p2值可优选为p的第二比例的四舍五入取整,如/>也可以由第一优化目标函数的最优化值确定,第一优化目标函数可优选为
其中γ为正常数。
其次,计算上幅值子序列的统计值,该统计值可优选为平均值,即 或者,统计值可为中值,即中间值p0为奇数时p0为偶数时/>
最后,根据统计值、振动中心轴和设定的幅值上限来确定上阈值轴sabove:
即上阈值轴为和/>之间的最大值。其中,/>为上幅值子序列的统计值,scenter为振动中心轴,/>为在呼吸波形的振动中心轴附近的设定的幅值上限,0<k1<1。
进一步的,根据波谷序列的幅值情况,自适应地确定幅值的下阈值轴s=sbelow,具体为:
首先,将波谷序列按照设定的顺序排列为下幅值序列,再自适应地去掉下幅值序列的前面q1个和后面q2个元素。具体的,就波谷序列U的幅值分量而言,将其按照从大到小的顺序排列为下幅值序列,如再自适应地去掉下幅值序列的前面q1个和后面q2个元素,得到下幅值子序列,如/>其中q1和q2均为自然数且q1+q2<q,不妨记住q0=q-(q1+q2)。
其中,q1值可优选为q的第一比例的向下取整,如q2值可优选为q的第二比例的四舍五入取整,如/>也可以由第二优化目标函数的最优化值确定,第二优化目标函数可优选为
其中δ为正常数。
其次,计算下幅值子序列的统计值,统计值可优选为平均值,即 )。或者,统计值还可为中值,即q0为奇数时q0为偶数时/>还存在0<k2<1,
根据下幅值子序列的统计值、振动中心轴和设定的幅值下限来确定下阈值轴sbelow:
即下阈值轴为和/>之间的最小值,其中,/>为下幅值子序列的统计值,scenter为振动中心轴,/>在呼吸波形的振动中心轴附近的设定的幅值下限,0<k2<1。
进一步的,根据上阈值轴和下阈值轴过滤多余的波峰和波谷,具体为:
去掉波峰序列中幅值分量小于上阈值轴的元素,并按时间窗口的时刻分量顺序排列为波峰子序列。具体的,去掉所述波峰序列N中幅值分量小于所述上阈值轴sabove的元素,并按时刻分量从小到大的顺序排列为波峰子序列N0;计算N0的元素总数,记为αtotal;记N0中的第一个元素为又令αn=2。
去掉波谷序列中幅值分量大于下阈值轴的元素,并按时间窗口的时刻分量顺序排列为波谷子序列。具体的,去掉所述波谷序列U中幅值分量大于所述下阈值轴sbelow的元素,并按时刻分量从小到大的顺序排列为波谷子序列U0;计算U0的元素总数,记为βtotal;记U0中的第一个元素为又令βn=2。
本步骤中,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期,其中,成对存在的有效波峰和有效波谷是指一个有效波峰与下一个有效波峰之间有且只有一个有效波谷,一个有效波谷与下一个有效波谷之间有且只有一个有效波峰,则有:
对于波峰子序列的任意两个相邻的波峰元素的时刻分量之间,若波谷子序列中存在多于一个波谷元素,则仅保留其中一个幅值分量最小的波谷元素并过滤掉其余的波谷元素;
对于波谷子序列中任意两个相邻的波谷元素的时刻分量之间,若波峰子序列中存在多于一个波峰元素,则仅保留其中一个幅值分量最大的波峰元素并过滤掉其余的波峰元素;
以使得,在波峰子序列和波谷子序列中,任意两个相邻的波峰元素的时刻分量之间都存在且只存在一个波谷元素,任意两个相邻的波谷元素的时刻分量之间都存在且只存在一个波峰元素。这样所得到的波峰子序列中的波峰元素和波谷子序列中的波谷元素,也就是成对存在的有效波峰和有效波谷。
应用举例,参见图2,其中第二行子图的两条虚线分别为自适应确定的上阈值轴和下阈值轴,通过上阈值轴和下阈值轴去掉多余的波峰和波谷后,得到波峰子序列A、C、E、F、H,以及波谷子序列B、D、G、I。采用循环步骤进一步去掉E这一类多余波峰或波谷,包括如下:
最左波峰A后即为波谷B,则波峰A为有效波峰。有效波峰A与下一个波峰C之间有且只有波谷B,因此,确定波谷B为有效波谷。有效波谷B与下一波谷D之间有且只有波峰C,则波峰C为有效波峰。有效波峰C与下一波峰E之间有且只有波谷D,则波谷D为有效波谷。有效波谷D与下一个波谷G之间存在两个波峰E和F,此时根据幅值比较,F更有可能为有效波峰,E为多余的波峰,可将其过滤。有效波峰F与下一波峰H之间有且只有波谷G,则波谷G为有效波谷。有效波谷G与波谷I之间有且只有波峰H,波峰H为有效波峰,波谷I为有效波谷。
经上阈值轴和下阈值轴去掉多余的波峰和波谷后,可能会出现上述的波峰E这类多余波峰或波谷,因此,需要通过上述的循环步骤去除这类多余的波峰或波谷。
实际应用中,对于上述的波峰子序列和波谷子序列,该循环步骤具体操作包括如下:
S1若和/>中至少有一个小于时间窗口长度,则执行S2,否则:结束当前所有的步骤、并输出所标记的全部有效周期的波峰与波谷,也即得到有效周期的若干成对的波峰和波谷;
S2若则执行S3,否则执行S6;
S3若αn≤αtotal,则执行S4,否则:将当前的标记为一个有效周期的波峰、令为时间窗口长度且/>再返回S1;
S4记N0中的第αn个元素为(tn,sn),并令αn自增1,若则执行S5,否则:将当前的/>标记为一个有效周期的波峰、再返回S1;
S5若则用(tn,sn)替代/>则被替代的即为所述多余的波峰,返回S1;
S6若βu≤βtotal,则执行S7,否则:将当前的标记为一个有效周期的波谷、令为时间窗口长度且/>再返回S1;
S7记U0中的第βu个元素为(tu,su),并令βu自增1,若则执行S8,否则将当前的/>标记为一个有效周期的波谷、再返回S1;
S8若则用(tu,su)代替/>则被替代的即为所述多余的波谷,返回S1。
3)根据有效周期中的相邻有效波峰与有效波峰之间、相邻有效波谷与有效波谷之间的时间间隔,就时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率。
对输出的有效周期的有效波峰和有效波谷按照时间窗口的时刻分量进行排列,例如按窗口时刻分量从小到大的顺序分别排列,得到有效周期的波峰序列以及有效周期的波谷序列/>
其中为N的子序列、/>为U的子序列(k≤p,l≤q,且|k-l|≤1),对于/>t表示时间time,s表示信号signal;上标n表示波峰,对应序列N;下标1,2,...,k则表示序列号,可以看出序列中有k个元素。对于/>上标u表示波谷,对应序列U,下标1,2,...,l则表示序列号,可以看出序列中有l个元素。
对于有效周期的有效波峰序列,计算相邻有效波峰与有效波峰之间的时间间隔
其中,i=1,2,…,k-1,时间间隔以秒为单位。
对于有效周期的有效波谷序列,计算相邻有效波谷与有效波谷之间的时间间隔
其中,j=1,2,…,l-1,时间间隔以秒为单位。
为了进一步识别呼吸暂停时间,定义了呼吸暂停的时长判定阈值Δtthreshpld,该时长判定阈值Δtthreshold需小于20秒,可优选为12秒。如果相邻的有效波峰与有效波峰之间的时间间隔或者相邻的有效波谷与有效波谷之间的时间间隔/>出现大于Δtthreshold的情况,则对应的呼吸率低于5次/分钟(呼吸率可检测计算的最低值)。通常正常人的呼吸率不应低于该值,则可将该呼吸率视为无效呼吸率数值,直接取为0。
为了使得呼吸率的瞬时值可直接由公式化计算,还定义参数分别为:
其表示为:当相邻有效波峰与有效波峰之间时间间隔小于Δtthreshold时,/>取值为/>否则/>取值为+∞;且当相邻有效波谷与有效波谷之间时间间隔/>小于Δtthreshold时,/>取值为/>否则/>取值为+∞。
对于时间窗口的中心时刻tmed,若同时存在i0和j0满足和 则计算得到中心时刻的呼吸率的瞬时值
其中为估计的平均呼吸周期;否则,呼吸率的瞬时值直接为每分钟0次。
本发明还可包括步骤4)根据计算得到的中心时刻的呼吸率和呼吸波形来识别是否存在呼吸暂停事件。
若计算得到中心时刻的呼吸率的瞬时值不是每分钟0次时,判定为正常呼吸事件。若计算得到的中心时刻的呼吸率的瞬时值为每分钟0次时,再进一步检验时间窗口内是否存在一段完全处于设定范围带内并且持续时间长度大于设定的时长判定阈值Δtthreshold的呼吸波形段,若存在则识别为呼吸暂停事件,若不存在,则为正常呼吸且呼吸率的瞬时值为每分钟0次。
该步骤中,在识别到呼吸暂停事件后,还可以向用户发出特定的事件提醒。
本发明中,在计算瞬时呼吸率的过程中,当上述输出的有效周期中的相邻波峰与波峰、波谷与波谷之间的时间间隔大于预设阈值时,如果根据上述幅值的上阈值轴和下阈值轴还检测到呼吸信号变弱、甚至消失,则识别为呼吸暂停事件。
举例1:
参见图2,取得20秒时间窗口的数字信号(图2第一行子图,其中包含呼吸、心跳等相关信号),以数字带通滤波器分离出呼吸波形(图2第二行子图),其中每一个呼吸周期中都含有2个波峰与2个波谷。
通过自适应确定的上、下阈值轴(图2第二行子图中上、下两条虚线横轴),成对地过滤掉多余的波峰与波谷。比如,在有效周期内,时间窗口中心时刻第10秒处(图2第二行子图中虚线纵轴)的前一个波峰在第14和13秒之间、后一个波峰在第8和7秒之间,它们之间的时间间隔约为6秒;前一个波谷在第12秒附近、后一个波谷在第6秒附近,它们之间的时间间隔约为6秒,由此可计算得到每分钟10.23次的呼吸率瞬时值。
举例2:
在图3中,不难看出大约从第12秒开始呼吸波形几乎接近于振动中心轴。与之相对应地,在图3第二行子图中,时间窗口中心时刻呼吸率的瞬时值为每分钟0次,同时还可检验到存在一段完全处于所述较小的范围带内、并且持续时间长度大于Δtthreshold(可优选为12秒)的呼吸波形,则将其识别为呼吸暂停事件,并向用户发出特定的事件提醒。
参见图4,本发明还提出一种无感式呼吸率计算装置,可用于执行上述的一种无感式呼吸率计算方法,包括
采集模块10,可采集来自压电薄膜传感器等无感式检测装置检测的呼吸信号,并分离得到设定时间窗口内的呼吸波形。呼吸信号可包含呼吸、心跳等的数字信号。该采集模块10可用于执行上述方法的步骤1)。
过滤模块20,根据呼吸波形提取得到振动中心轴、波峰和波谷的坐标,并且自适应地确定呼吸波形的上阈值轴和下阈值轴以过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期。该过滤模块20可用于执行上述方法的步骤2)。
计算模块30,根据有效周期中的相邻有效波峰与有效波峰、相邻有效波谷与有效波谷之间的时间间隔,基于时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率。该计算模块30可用于执行上述方法的步骤3)。
本发明还可包括判断模块40,根据计算得到的时间窗口的中心时刻的呼吸率识别是否存在呼吸暂停事件。该判断模块40可用于执行上述步骤4)。
上述各模块可以分别执行上述的一种无感式呼吸率计算方法的各个步骤。本领域的技术人员理解:这些单元模块可以单独由硬件、单独由软件或由其组合以各种方式实现,并且本发明不限于它们的任何一个。
一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序时,实现上述的一种无感式呼吸率计算方法。此外,电子设备还可以包括通信单元、输出单元、输入单元和外部设备等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述发明的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (14)
1.一种无感式呼吸率计算方法,其特征在于,包括
采集呼吸信号并分离得到设定的时间窗口内的呼吸波形;
根据所述呼吸波形提取得到振动中心轴、波峰和波谷的坐标,并且自适应地确定所述呼吸波形的上阈值轴和下阈值轴以过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期;
根据有效周期中的相邻的所述有效波峰与所述有效波峰之间、相邻的所述有效波谷与所述有效波谷之间的时间间隔,就所述时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率。
2.如权利要求1所述的一种无感式呼吸率计算方法,其特征在于,所述振动中心轴为根据所述呼吸波形的信号幅值确定或者通过傅里叶变换的零频率分量确定或者通过数字滤波器过滤成零轴实现。
3.如权利要求1所述的一种无感式呼吸率计算方法,其特征在于,得到所述时间窗口内的呼吸波形后,若所述呼吸波形的所有信号的幅值处于设定范围带内,则得到所述设定时间窗口内的呼吸率为每分钟0次。
4.如权利要求3所述的一种无感式呼吸率计算方法,其特征在于,所述范围带为在所述呼吸波形的所述振动中心轴附近的设定的幅值上限与设定的幅值下限之间的幅值区域。
5.如权利要求1所述的一种无感式呼吸率计算方法,其特征在于,所述自适应地确定所述呼吸波形的上阈值轴和下阈值轴,具体为:
提取所述设定时间窗口内的所述呼吸波形的全部波峰和全部波谷分别得到波峰序列和波谷序列,根据所述波峰序列的幅值情况,自适应地确定幅值的所述上阈值轴,根据所述波谷序列的幅值情况,自适应地确实幅值的所述下阈值轴。
6.如权利要求5所述的一种无感式呼吸率计算方法,其特征在于,根据所述波峰序列的幅值情况,自适应地确定幅值的所述上阈值轴,具体为:
将所述波峰序列按照设定的顺序排列为上幅值序列,再自适应地去掉所述上幅值序列的前面p1个和后面p2个元素得到上幅值子序列,p1和p2均为自然数且p1+p2<p,p为所述呼吸波形的波峰数量;
计算所述上幅值子序列的统计值,根据所述统计值、所述振动中心轴和设定幅值上限来确定所述上阈值轴sabove:
其中,为所述上幅值子序列的统计值,scenter为所述振动中心轴,/>为在所述呼吸波形的所述振动中心轴附近的设定的幅值上限,0<k1<1。
7.如权利要求5所述的一种无感式呼吸率计算方法,其特征在于,根据所述波谷序列的幅值情况,自适应地确定幅值的所述下阈值轴,具体为:
将所述波谷序列按照设定的顺序排列为下幅值序列,再自适应地去掉所述下幅值序列的前面q1个和后面q2个元素,q1和q2均为自然数且q1+q2<q,q为所述呼吸波形的波谷的数量;
计算所述下幅值子序列的统计值,根据所述统计值、所述振动中心轴和设定的幅值下限来确定所述下阈值轴sbelow:
其中,为所述下幅值子序列的统计值,scenter为所述振动中心轴,/>为在所述呼吸波形的所述振动中心轴附近的设定的幅值下限,0<k2<1。
8.如权利要求5所述的一种无感式呼吸率计算方法,其特征在于,根据所述呼吸波形的上阈值轴和下阈值轴过滤多余的波峰和波谷,具体为:
过滤掉所述波峰序列中幅值分量小于所述上阈值轴的元素,并按所述时间窗口的时刻分量顺序排列为波峰子序列;
过滤掉所述波谷序列中幅值分量大于所述下阈值轴的元素,并按所述时间窗口的时刻分量顺序排列为波谷子序列。
9.如权利要求8所述的一种无感式呼吸率计算方法,其特征在于,所述通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期:
对于所述波峰子序列的任意两个相邻的波峰元素的时刻分量之间,若所述波谷子序列中存在多于一个波谷元素,则仅保留其中一个幅值分量最小的波谷元素并过滤掉其余的波谷元素;
对于所述波谷子序列中任意两个相邻的波谷元素的时刻分量之间,若所述波峰子序列中存在多于一个波峰元素,则仅保留其中一个幅值分量最大的波峰元素并过滤掉其余的波峰元素;
以使得,在所述波峰子序列和所述波谷子序列中,任意两个相邻的波峰元素的时刻分量之间都存在且只存在一个波谷元素,任意两个相邻的波谷元素的时刻分量之间都存在且只存在一个波峰元素。
10.如权利要求1所述的一种无感式呼吸率计算方法,其特征在于,所述中心时刻的呼吸率的瞬时值计算公式如下:
其中为估计的平均呼吸周期,/>为相邻的所述有效波峰和所述有效波峰之间的时间间隔的取值,/>为相邻的所述有效波谷和所述有效波谷的时间间隔的取值。
11.如权利要求1所述的一种无感式呼吸率计算方法,其特征在于,若计算得到的所述中心时刻的呼吸率的瞬时值为每分钟0次时,再进一步检验所述时间窗口内是否存在一段完全处于设定范围带内并且持续时间长度大于设定的时长判定阈值Δtthreshold的呼吸波形段,若存在则识别为呼吸暂停事件。
12.如权利要求1所述的一种无感式呼吸率计算方法,其特征在于,所述设定的时间窗口的所述呼吸波形为在所述呼吸信号中,每隔一个固定的时长则滑动一次所述时间窗口,进而得到对应的所述呼吸波形。
13.一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-12中任一项所述无感式呼吸率计算方法。
14.一种无感式呼吸率计算装置,其特征在于,包括
采集模块,采集呼吸信号并分离得到设定时间窗口内的呼吸波形;
过滤模块,根据呼吸波形提取得到振动中心轴、波峰和波谷的坐标,并且自适应地确定所述呼吸波形的上阈值轴和下阈值轴以过滤多余的波峰和波谷,通过循环步骤再次过滤得到若干成对存在的有效波峰和有效波谷及其所组成的若干有效周期;
计算模块,根据有效周期中的相邻所述有效波峰与所述有效波峰之间、相邻所述有效波谷与所述有效波谷之间的时间间隔,就所述时间窗口的中心时刻估计平均呼吸周期以计算出对应的呼吸率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241855.9A CN117481632A (zh) | 2023-09-25 | 2023-09-25 | 一种无感式呼吸率计算方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241855.9A CN117481632A (zh) | 2023-09-25 | 2023-09-25 | 一种无感式呼吸率计算方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117481632A true CN117481632A (zh) | 2024-02-02 |
Family
ID=89683646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241855.9A Pending CN117481632A (zh) | 2023-09-25 | 2023-09-25 | 一种无感式呼吸率计算方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117481632A (zh) |
-
2023
- 2023-09-25 CN CN202311241855.9A patent/CN117481632A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boyle et al. | Automatic detection of respiration rate from ambulatory single-lead ECG | |
KR101656611B1 (ko) | 무구속적으로 측정한 생체신호를 이용하여 산소탈포화지수를 획득하는 방법 | |
EP1622512B1 (en) | Systems and methods for respiratory event detection | |
US7909771B2 (en) | Diagnosis of sleep apnea | |
US7025729B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
JP3976752B2 (ja) | 睡眠状態推定装置及びプログラム | |
US20080082018A1 (en) | Systems and methods for respiratory event detection | |
JP2008520384A (ja) | 限られたプロセッサ資源で呼吸数を実時間判定するための方法及びシステム | |
CN105662345B (zh) | 心跳信号处理方法、装置和系统 | |
CN112155560B (zh) | 基于实时心冲击信号的呼吸暂停检测方法及系统 | |
WO2020072434A1 (en) | Methods and systems for monitoring sleep apnea | |
JP2018000224A (ja) | 呼吸検出装置、呼吸検出方法および呼吸検出用プログラム | |
WO2011148793A1 (en) | Method and system for reliable respiration parameter estimation from acoustic physiological signal | |
Pirbhulal et al. | Analysis of efficient biometric index using heart rate variability for remote monitoring of obstructive sleep apnea | |
CN107280650B (zh) | 生命体特征参数获取方法及装置 | |
Khambhati et al. | Extraction of a respiration rate from ECG signal using discrete wavelet transform during exercise | |
CN117481632A (zh) | 一种无感式呼吸率计算方法、装置和电子设备 | |
CN113164055A (zh) | 移动监护设备、生理信号的调整和处理方法 | |
WO2015157591A2 (en) | Systems, methods and apparatuses for monitoring hypoxia events | |
CN108175406A (zh) | 一种治疗中枢性睡眠呼吸暂停症的方法及装置 | |
CN114246581A (zh) | 基于心冲击信号短时能量的床垫传感心率识别系统及方法 | |
AU2011203044C1 (en) | Systems and methods for respiratory event detection | |
CN111481189A (zh) | 睡眠评估方法及装置 | |
EP4335364A1 (en) | A system and method for determining the breathing rate of a subject | |
JP2018130513A (ja) | 呼吸成分抽出方法 |
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 |