CN117598710A - 一种远程心电信号监测方法与系统 - Google Patents

一种远程心电信号监测方法与系统 Download PDF

Info

Publication number
CN117598710A
CN117598710A CN202410092840.9A CN202410092840A CN117598710A CN 117598710 A CN117598710 A CN 117598710A CN 202410092840 A CN202410092840 A CN 202410092840A CN 117598710 A CN117598710 A CN 117598710A
Authority
CN
China
Prior art keywords
signal
electrocardiosignal
representing
pulse signals
monitoring
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
Application number
CN202410092840.9A
Other languages
English (en)
Other versions
CN117598710B (zh
Inventor
李洪举
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.)
Funade Technology Beijing Co ltd
Original Assignee
Funade Technology Beijing 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 Funade Technology Beijing Co ltd filed Critical Funade Technology Beijing Co ltd
Priority to CN202410092840.9A priority Critical patent/CN117598710B/zh
Publication of CN117598710A publication Critical patent/CN117598710A/zh
Application granted granted Critical
Publication of CN117598710B publication Critical patent/CN117598710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • 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
    • A61B5/7203—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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Cardiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)

Abstract

本发明涉及心电信号监测的技术领域，公开了一种远程心电信号监测方法与系统，所述方法包括：利用远程穿戴设备采集脉搏信号并进行预处理；对预处理后的脉搏信号进行噪声抑制，并分离得到心电信号；对构建的多路信号增强模型进行优化求解，利用优化求解得到的模型对心电信号进行增强以及远程监测。本发明利用简易佩戴的远程穿戴设备采集脉搏信号，结合正交分解策略对噪声抑制后的脉搏信号中逐次分解得到独立成分，对第2独立成分进行非线性变换处理，构建得到第1独立成分中的噪声映射信号，实现第1独立成分中的心电噪声抑制处理，增强所监测到的心电信号，实现远程心电信号增强以及监测。

Description

一种远程心电信号监测方法与系统
技术领域
本发明涉及心电信号监测领域，尤其涉及一种远程心电信号监测方法与系统。
背景技术
心脏疾病是全球范围内的主要健康问题之一，及时监测和管理心脏健康对于预防和治疗心脏疾病至关重要。然而，传统的心电监测方法存在时间和空间限制，无法提供持续和即时的监测服务。远程心电信号监测可以使患者在家庭或日常生活环境中进行心电监测，无需去医疗机构，提供便捷和连续的监测服务。它可以实时传输心电数据到医疗专家或云平台进行分析和诊断，及早发现心脏问题并采取相应措施。此外，远程心电监测系统还可以为心脏病患者提供个性化的健康管理方案，并促进医患之间的有效沟通和交流。鉴于此，本发明提出一种远程心电信号监测方法与系统，实现心电信号的远程采集和传输，以满足患者对心脏健康监护的需求。
发明内容
有鉴于此，本发明提供一种远程心电信号监测方法，目的在于：1）利用简易佩戴的远程穿戴设备采集脉搏信号，对所采集脉搏信号进行去中心化处理以及特征分解处理，去除脉搏信号的冗余性并提高可分性，采用自适应滤波降噪方式，结合脉搏信号的信噪比构建自适应滤波器，对预处理后的脉搏信号进行噪声抑制，结合正交分解策略对噪声抑制后的脉搏信号中逐次分解得到独立成分，作为心电信号的第1独立成分以及第2独立成分，实现心电信号的分解处理，远程采集得到心电信号；2）构建多路信号增强模型，对第2独立成分进行非线性变换处理，构建得到第1独立成分中的噪声映射信号，实现第1独立成分中的心电噪声抑制处理，增强所监测到的心电信号，并在多路信号增强模型求解过程中，结合共轭梯度步长对无约束的多路信号增强模型进行快速的模型参数求解，利用优化求解得到的模型对心电信号进行增强以及远程监测。
为实现上述目的，本发明提供的一种远程心电信号监测方法，包括以下步骤：
S1：利用远程穿戴设备采集脉搏信号并进行预处理，得到预处理后的脉搏信号；
S2：对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号，其中改进的独立成分分析为所述信号分离的主要实施方法；
S3：构建多路信号增强模型，所述多路信号增强模型以分离得到的心电信号为输入，以增强后的心电信号为输出；
S4：对构建的多路信号增强模型进行优化求解，利用优化求解得到的模型对心电信号进行监测，其中PRP共轭梯度算法为所述模型优化求解的主要实施方法。
作为本发明的进一步改进方法：
可选地，所述S1步骤中利用远程穿戴设备采集脉搏信号并进行预处理，包括：
利用远程穿戴设备采集脉搏信号，其中所采集脉搏信号的表示形式为：
；
其中：
表示所采集脉搏信号；
表示N个信号时刻的信号值，/>表示所采集脉搏信号在第n个信号时刻/>的信号值；在本发明实施例中，相邻信号时刻的时间间隔为；
对所采集脉搏信号进行预处理，其中预处理流程为：
S11：计算脉搏信号的信号值均值/>：
；
S12：对脉搏信号进行去中心化处理，其中脉搏信号/>中信号值/>的去中心化处理公式为：
；
其中：
表示信号值/>的去中心化处理结果；
S13：构建脉搏信号的协方差矩阵Cov：
；
；
其中：
表示去中心化处理后的脉搏信号；
T表示转置；
S14：对协方差矩阵Cov进行特征分解处理，得到N个特征值以及对应的特征向量，构成特征对角矩阵以及特征向量矩阵：
；
；
其中：
表示特征向量矩阵，/>表示特征分解得到的第n个特征值/>对应的特征向量，/>表示特征对角矩阵，/>表示对角矩阵处理；
S15：生成预处理后的脉搏信号：
；
其中：
表示预处理后的脉搏信号；
表示脉搏信号/>中N个信号时刻的信号值。
可选地，所述S2步骤中对预处理后的脉搏信号进行噪声抑制，包括：
对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号，其中噪声抑制以及心电信号分离流程为：
S21：初始化滤波器的滤波系数：
；
其中：
表示滤波系数/>的第n个系数参数值，滤波器的系数参数长度为N；
S22：设置滤波系数的当前迭代次数为d，则滤波系数的第d次迭代结果为，d的初始值为0；
S23：若小于预设的阈值，则将/>作为线性滤波器的最终滤波系数，并计算得到脉搏信号/>的噪声抑制结果：，并转向步骤S25，否则转向步骤S24，其中/>表示L2范数；
S24：计算滤波系数对脉搏信号/>进行噪声抑制处理后结果的协方差矩阵，并特征分解得到协方差矩阵的最大特征值/>以及特征值之和/>，对滤波系数进行迭代更新，其中迭代更新公式为：
；
其中：
表示L1范数；
表示脉搏信号/>的标准差；
表示信号/>的标准差；
令d=d+1，返回步骤S23；
S25：从噪音抑制后的脉搏信号 中分离得到心电信号。
可选地，所述S25步骤中从噪音抑制后的脉搏信号中分离得到心电信号，包括：
从噪音抑制后的脉搏信号中分离心电信号，其中心电信号的分离流程为：
S251：初始化生成两组长度为N随机权重向量，其中每组随机权重向量满足下式：
；
S252：构建两组待分离分量，其中：
；
其中：
表示分离得到的心电信号的第1独立成分；
S253：设置权重向量的当前迭代次数为m，m的初始值为0，对权重向量进行更新，其中权重向量的更新公式为：
；
；
其中：
表示以自然常数为底的指数函数；
表示计算期望；
表示函数/>的导数；
S254：对更新得到的权重向量进行正交化以及归一化处理：
；
其中：
表示L2范数；
S255：若小于预设的权重迭代阈值，则将/>作为最终的权重向量迭代结果，并从/>中分离得到心电信号的第i独立成分/>，并令，返回步骤S252，直到分离得到心电信号的第1独立成分/>以及第2独立成分作为心电信号分离结果，其中分离公式为：
；
否则令，返回步骤S253。
可选地，所述S3步骤中构建多路信号增强模型，包括：
构建多路信号增强模型，所述多路信号增强模型以分离得到的心电信号为输入，以增强后的心电信号为输出，其中多路信号增强模型包括输入层、非线性变换层以及信号增强层；
输入层用于接收心电信号的分离结果，即心电信号的第1独立成分以及第2独立成分；
非线性变换层用于对心电信号的第2独立成分进行非线性变换处理，得到噪声映射信号；
信号增强层用于从第1独立成分中减去噪声映射信号，构成增强后的心电信号进行心电信号监测。
可选地，所述S4步骤中对构建的多路信号增强模型进行优化求解，包括：
对构建的多路信号增强模型进行优化求解，并利用优化求解得到的模型对心电信号进行监测，其中多路信号增强模型的优化求解流程为：
S41：获取K组心电信号分离结果构成训练数据集data：
；
其中：
表示所获取第k组心电信号分离结果，/>表示第k组心电信号分离结果中的第1独立成分，/>表示第k组心电信号分离结果中的第2独立成分；
S42：构建多路信号增强模型的训练目标函数：
；
其中：
表示训练目标函数，/>表示待优化求解的模型参数，其中模型参数为非线性变换层中的卷积参数以及偏置参数；
表示基于模型参数/>构建的非线性变换处理函数；
表示对/>进行特征分解处理得到的最大特征值；
表示对/>进行特征分解处理得到的每个特征值平方之和；
S43：初始化生成模型参数，设置模型参数的当前迭代次数为z，z的初始值为0，则模型参数的第z次迭代结果为/>；
S44：计算第z次迭代得到的模型参数的训练目标函数值/>，若/>小于预设的目标函数值阈值，则基于/>构建多路信号增强模型，否则转向步骤S45：
S45：计算迭代步长：
；
其中：
表示梯度算子，/>表示/>的梯度值；
表示迭代步长；
S46：基于迭代步长对模型参数进行迭代处理：
；
S47：令，返回步骤S44。
可选地，所述利用优化求解得到的模型对心电信号进行监测，包括：
利用优化求解得到的模型对心电信号进行监测，其中心电信号的监测流程为：
输入层接收分离得到的心电信号第1独立成分以及第2独立成分/>；
非线性变换层对心电信号的第2独立成分进行非线性变换处理，得到噪声映射信号，其中非线性变换处理公式为：
；
其中：
表示第2独立成分/>的非线性变换处理结果，即心电信号中的噪声映射信号；
表示非线性变换处理函数，w表示卷积参数，b表示偏置参数；
信号增强层从第1独立成分中减去噪声映射信号，构成增强后的心电信号：
；
对增强后的心电信号进行监测，实现远程心电信号监测。
为了解决上述问题，本发明提供一种远程心电信号监测系统，其特征在于，所述系统包括：
远程信号采集模块，用于利用远程穿戴设备采集脉搏信号并进行预处理，得到预处理后的脉搏信号；
心电信号分离模块，用于对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号；
心电信号增强监测装置，用于对构建的多路信号增强模型进行优化求解，利用优化求解得到的模型对心电信号进行增强以及远程监测。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的远程心电信号监测方法。
0013.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的远程心电信号监测方法。
相对于现有技术，本发明提出一种远程心电信号监测方法，该技术具有以下优势：
首先，本方案提出一种心电信号分离方法，从噪音抑制后的脉搏信号中分离心电信号，其中心电信号的分离流程为：初始化生成两组长度为N随机权重向量其中每组随机权重向量满足下式：
；
构建两组待分离分量，其中：
；
其中：表示分离得到的心电信号的第1独立成分；设置权重向量的当前迭代次数为m，m的初始值为0，对权重向量进行更新，其中权重向量的更新公式为：
；
；
其中：表示以自然常数为底的指数函数；/>表示计算期望；/>表示函数/>的导数；对更新得到的权重向量进行正交化以及归一化处理：
；
其中：表示L2范数；若/>小于预设的权重迭代阈值，则将/>作为最终的权重向量迭代结果，并从/>中分离得到心电信号的第i独立成分/>，并令/>，直到分离得到心电信号的第1独立成分/>以及第2独立成分作为心电信号分离结果，其中分离公式为：
；
否则令进行迭代。本方案利用简易佩戴的远程穿戴设备采集脉搏信号，对所采集脉搏信号进行去中心化处理以及特征分解处理，去除脉搏信号的冗余性并提高可分性，采用自适应滤波降噪方式，结合脉搏信号的信噪比构建自适应滤波器，对预处理后的脉搏信号进行噪声抑制，结合正交分解策略对噪声抑制后的脉搏信号中逐次分解得到独立成分，作为心电信号的第1独立成分以及第2独立成分，实现心电信号的分解处理，远程采集得到心电信号。
同时，本方案提出一种心电信号增强方法，通过对构建的多路信号增强模型进行优化求解，并利用优化求解得到的模型对心电信号进行监测，其中多路信号增强模型的优化求解流程为：获取K组心电信号分离结果构成训练数据集data：
；
其中：表示所获取第k组心电信号分离结果，/>表示第k组心电信号分离结果中的第1独立成分，/>表示第k组心电信号分离结果中的第2独立成分；构建多路信号增强模型的训练目标函数：
；
其中：表示训练目标函数，/>表示待优化求解的模型参数，其中模型参数为非线性变换层中的卷积参数以及偏置参数；/>表示基于模型参数/>构建的非线性变换处理函数；/>表示对/>进行特征分解处理得到的最大特征值；/>表示对/>进行特征分解处理得到的每个特征值平方之和；初始化生成模型参数/>，设置模型参数的当前迭代次数为z，z的初始值为0，则模型参数的第z次迭代结果为/>；计算第z次迭代得到的模型参数/>的训练目标函数值，若/>小于预设的目标函数值阈值，则基于/>构建多路信号增强模型；计算迭代步长：
；
其中：表示梯度算子，/>表示/>的梯度值；/>表示迭代步长；基于迭代步长对模型参数进行迭代处理：
；
令进行迭代。利用优化求解得到的模型对心电信号进行监测，其中心电信号的监测流程为：输入层接收分离得到的心电信号第1独立成分/>以及第2独立成分/>；非线性变换层对心电信号的第2独立成分/>进行非线性变换处理，得到噪声映射信号，其中非线性变换处理公式为：
；
其中：表示第2独立成分/>的非线性变换处理结果，即心电信号中的噪声映射信号；/>表示非线性变换处理函数，w表示卷积参数，b表示偏置参数；信号增强层从第1独立成分中减去噪声映射信号，构成增强后的心电信号/>： />；
对增强后的心电信号进行监测，实现远程心电信号监测。本方案通过构建多路信号增强模型，对第2独立成分进行非线性变换处理，构建得到第1独立成分中的噪声映射信号，实现第1独立成分中的心电噪声抑制处理，增强所监测到的心电信号，并在多路信号增强模型求解过程中，结合共轭梯度步长对无约束的多路信号增强模型进行快速的模型参数求解，利用优化求解得到的模型对心电信号进行增强以及远程监测。
附图说明
图1为本发明一实施例提供的一种远程心电信号监测方法的流程示意图；
图2为本发明一实施例提供的远程心电信号监测系统的功能模块图；
图2中：100远程心电信号监测系统，101远程信号采集模块，102心电信号分离模块，103心电信号增强监测装置；
图3为本发明一实施例提供的实现远程心电信号监测方法的电子设备的结构示意图。
图3中：1电子设备，10处理器，11存储器，12程序，13通信接口；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种远程心电信号监测方法。所述远程心电信号监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述远程心电信号监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：利用远程穿戴设备采集脉搏信号并进行预处理，得到预处理后的脉搏信号。
所述S1步骤中利用远程穿戴设备采集脉搏信号并进行预处理，包括：
利用远程穿戴设备采集脉搏信号，其中所采集脉搏信号的表示形式为：
；
其中：
表示所采集脉搏信号；
表示N个信号时刻的信号值，/>表示所采集脉搏信号在第n个信号时刻/>的信号值；在本发明实施例中，相邻信号时刻的时间间隔为/>；
对所采集脉搏信号进行预处理，其中预处理流程为：
S11：计算脉搏信号的信号值均值/>：
；
S12：对脉搏信号进行去中心化处理，其中脉搏信号/>中信号值/>的去中心化处理公式为：
；
其中：
表示信号值/>的去中心化处理结果；
S13：构建脉搏信号的协方差矩阵Cov：
；
；
其中：
表示去中心化处理后的脉搏信号；
T表示转置；
S14：对协方差矩阵Cov进行特征分解处理，得到N个特征值以及对应的特征向量，构成特征对角矩阵以及特征向量矩阵：
；
；
其中：
表示特征向量矩阵，/>表示特征分解得到的第n个特征值/>对应的特征向量，表示特征对角矩阵，/>表示对角矩阵处理；
S15：生成预处理后的脉搏信号：
；
其中：
表示预处理后的脉搏信号；
表示脉搏信号/>中N个信号时刻的信号值。
S2：对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号。
所述S2步骤中对预处理后的脉搏信号进行噪声抑制，包括：
对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号，其中噪声抑制以及心电信号分离流程为：
S21：初始化滤波器的滤波系数：
；
其中：
表示滤波系数/>的第n个系数参数值，滤波器的系数参数长度为N；
S22：设置滤波系数的当前迭代次数为d，则滤波系数的第d次迭代结果为，d的初始值为0；
S23：若小于预设的阈值，则将/>作为线性滤波器的最终滤波系数，并计算得到脉搏信号/>的噪声抑制结果：，并转向步骤S25，否则转向步骤S24，其中/>表示L2范数；
S24：计算滤波系数对脉搏信号/>进行噪声抑制处理后结果的协方差矩阵，并特征分解得到协方差矩阵的最大特征值/>以及特征值之和/>，对滤波系数进行迭代更新，其中迭代更新公式为：
；
其中：
表示L1范数；
表示脉搏信号/>的标准差；
表示信号/>的标准差；
令d=d+1，返回步骤S23；
S25：从噪音抑制后的脉搏信号 中分离得到心电信号。
所述S25步骤中从噪音抑制后的脉搏信号中分离得到心电信号，包括：
从噪音抑制后的脉搏信号中分离心电信号，其中心电信号的分离流程为：
S251：初始化生成两组长度为N随机权重向量，其中每组随机权重向量满足下式：
；
S252：构建两组待分离分量，其中：
；
其中：
表示分离得到的心电信号的第1独立成分；
S253：设置权重向量的当前迭代次数为m，m的初始值为0，对权重向量进行更新，其中权重向量的更新公式为：
；
；
其中：
表示以自然常数为底的指数函数；
表示计算期望；
表示函数/>的导数；
S254：对更新得到的权重向量进行正交化以及归一化处理：
；
其中：
表示L2范数；
S255：若小于预设的权重迭代阈值，则将/>作为最终的权重向量迭代结果，并从/>中分离得到心电信号的第i独立成分/>，并令，返回步骤S252，直到分离得到心电信号的第1独立成分/>以及第2独立成分作为心电信号分离结果，其中分离公式为：
；
否则令，返回步骤S253。
S3：构建多路信号增强模型，所述多路信号增强模型以分离得到的心电信号为输入，以增强后的心电信号为输出。
所述S3步骤中构建多路信号增强模型，包括：
构建多路信号增强模型，所述多路信号增强模型以分离得到的心电信号为输入，以增强后的心电信号为输出，其中多路信号增强模型包括输入层、非线性变换层以及信号增强层；
输入层用于接收心电信号的分离结果，即心电信号的第1独立成分以及第2独立成分；
非线性变换层用于对心电信号的第2独立成分进行非线性变换处理，得到噪声映射信号；
信号增强层用于从第1独立成分中减去噪声映射信号，构成增强后的心电信号进行心电信号监测。
S4：对构建的多路信号增强模型进行优化求解，利用优化求解得到的模型对心电信号进行监测。
所述S4步骤中对构建的多路信号增强模型进行优化求解，包括：
对构建的多路信号增强模型进行优化求解，并利用优化求解得到的模型对心电信号进行监测，其中多路信号增强模型的优化求解流程为：
S41：获取K组心电信号分离结果构成训练数据集data：
；
其中：
表示所获取第k组心电信号分离结果，/>表示第k组心电信号分离结果中的第1独立成分，/>表示第k组心电信号分离结果中的第2独立成分；
S42：构建多路信号增强模型的训练目标函数：
；
其中：
表示训练目标函数，/>表示待优化求解的模型参数，其中模型参数为非线性变换层中的卷积参数以及偏置参数；
表示基于模型参数/>构建的非线性变换处理函数；
表示对/>进行特征分解处理得到的最大特征值；
表示对/>进行特征分解处理得到的每个特征值平方之和；
S43：初始化生成模型参数，设置模型参数的当前迭代次数为z，z的初始值为0，则模型参数的第z次迭代结果为/>；
S44：计算第z次迭代得到的模型参数的训练目标函数值/>，若/>小于预设的目标函数值阈值，则基于/>构建多路信号增强模型，否则转向步骤S45：
S45：计算迭代步长：
；
其中：
表示梯度算子，/>表示/>的梯度值；
表示迭代步长；
S46：基于迭代步长对模型参数进行迭代处理：
；
S47：令，返回步骤S44。
所述利用优化求解得到的模型对心电信号进行监测，包括：
利用优化求解得到的模型对心电信号进行监测，其中心电信号的监测流程为：
输入层接收分离得到的心电信号第1独立成分以及第2独立成分/>；
非线性变换层对心电信号的第2独立成分进行非线性变换处理，得到噪声映射信号，其中非线性变换处理公式为：
；
其中：
表示第2独立成分/>的非线性变换处理结果，即心电信号中的噪声映射信号；
表示非线性变换处理函数，w表示卷积参数，b表示偏置参数；
信号增强层从第1独立成分中减去噪声映射信号，构成增强后的心电信号：
；
对增强后的心电信号进行监测，实现远程心电信号监测。
实施例2
如图2所示，是本发明一实施例提供的远程心电信号监测系统的功能模块图，其可以实现实施例1中的远程心电信号监测方法。
本发明所述远程心电信号监测系统100可以安装于电子设备中。根据实现的功能，所述远程心电信号监测系统可以包括远程信号采集模块101、心电信号分离模块102及心电信号增强监测装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
远程信号采集模块101，用于利用远程穿戴设备采集脉搏信号并进行预处理，得到预处理后的脉搏信号；
心电信号分离模块102，用于对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号；
心电信号增强监测装置103，用于对构建的多路信号增强模型进行优化求解，利用优化求解得到的模型对心电信号进行增强以及远程监测。
详细地，本发明实施例中所述远程心电信号监测系统100中的所述各模块在使用时采用与上述的图1中所述的远程心电信号监测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3
如图3所示，是本发明一实施例提供的实现远程心电信号监测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现远程心电信号监测的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种远程心电信号监测方法，其特征在于，所述方法包括：
S1：利用远程穿戴设备采集脉搏信号并进行预处理，得到预处理后的脉搏信号；
S2：对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号；
S3：构建多路信号增强模型，所述多路信号增强模型以分离得到的心电信号为输入，以增强后的心电信号为输出；
S4：对构建的多路信号增强模型进行优化求解，利用优化求解得到的模型对心电信号进行监测。
2.如权利要求1所述的一种远程心电信号监测方法，其特征在于，所述S1步骤中利用远程穿戴设备采集脉搏信号并进行预处理，包括：
利用远程穿戴设备采集脉搏信号，其中所采集脉搏信号的表示形式为：
；
其中：
表示所采集脉搏信号；
表示N个信号时刻的信号值，/>表示所采集脉搏信号在第n个信号时刻/>的信号值；
对所采集脉搏信号进行预处理，其中预处理流程为：
S11：计算脉搏信号的信号值均值/>：
；
S12：对脉搏信号进行去中心化处理，其中脉搏信号/>中信号值/>的去中心化处理公式为：
；
其中：
表示信号值/>的去中心化处理结果；
S13：构建脉搏信号的协方差矩阵Cov：
；
；
其中：
表示去中心化处理后的脉搏信号；
T表示转置；
S14：对协方差矩阵Cov进行特征分解处理，得到N个特征值以及对应的特征向量，构成特征对角矩阵以及特征向量矩阵：
；
；
其中：
表示特征向量矩阵，/>表示特征分解得到的第n个特征值/>对应的特征向量，/>表示特征对角矩阵，/>表示对角矩阵处理；
S15：生成预处理后的脉搏信号：
；
其中：
表示预处理后的脉搏信号；
表示脉搏信号/>中N个信号时刻的信号值。
3.如权利要求2所述的一种远程心电信号监测方法，其特征在于，所述S2步骤中对预处理后的脉搏信号进行噪声抑制，包括：
对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号，其中噪声抑制以及心电信号分离流程为：
S21：初始化滤波器的滤波系数：
；
其中：
表示滤波系数/>的第n个系数参数值，滤波器的系数参数长度为N；
S22：设置滤波系数的当前迭代次数为d，则滤波系数的第d次迭代结果为，d的初始值为0；
S23：若小于预设的阈值，则将/>作为线性滤波器的最终滤波系数，并计算得到脉搏信号/>的噪声抑制结果：，并转向步骤S25，否则转向步骤S24，其中/>表示L2范数；
S24：计算滤波系数对脉搏信号/>进行噪声抑制处理后结果的协方差矩阵，并特征分解得到协方差矩阵的最大特征值/>以及特征值之和/>，对滤波系数进行迭代更新，其中迭代更新公式为：
；
其中：
表示L1范数；
表示脉搏信号/>的标准差；
表示信号/>的标准差；
令d=d+1，返回步骤S23；
S25：从噪音抑制后的脉搏信号 中分离得到心电信号。
4.如权利要求3所述的一种远程心电信号监测方法，其特征在于，所述S25步骤中从噪音抑制后的脉搏信号中分离得到心电信号，包括：
从噪音抑制后的脉搏信号中分离心电信号，其中心电信号的分离流程为：
S251：初始化生成两组长度为N随机权重向量，其中每组随机权重向量满足下式：
；
S252：构建两组待分离分量，其中：
；
其中：
表示分离得到的心电信号的第1独立成分；
S253：设置权重向量的当前迭代次数为m，m的初始值为0，对权重向量进行更新，其中权重向量的更新公式为：
；
；
其中：
表示以自然常数为底的指数函数；
表示计算期望；
表示函数/>的导数；
S254：对更新得到的权重向量进行正交化以及归一化处理：
；
其中：
表示L2范数；
S255：若小于预设的权重迭代阈值，则将/>作为最终的权重向量迭代结果，并从/>中分离得到心电信号的第i独立成分/>，并令，返回步骤S252，直到分离得到心电信号的第1独立成分/>以及第2独立成分作为心电信号分离结果，其中分离公式为：
；
否则令，返回步骤S253。
5.如权利要求1所述的一种远程心电信号监测方法，其特征在于，所述S3步骤中构建多路信号增强模型，包括：
构建多路信号增强模型，所述多路信号增强模型以分离得到的心电信号为输入，以增强后的心电信号为输出，其中多路信号增强模型包括输入层、非线性变换层以及信号增强层；
输入层用于接收心电信号的分离结果，即心电信号的第1独立成分以及第2独立成分；
非线性变换层用于对心电信号的第2独立成分进行非线性变换处理，得到噪声映射信号；
信号增强层用于从第1独立成分中减去噪声映射信号，构成增强后的心电信号进行心电信号监测。
6.如权利要求1所述的一种远程心电信号监测方法，其特征在于，所述S4步骤中对构建的多路信号增强模型进行优化求解，包括：
对构建的多路信号增强模型进行优化求解，并利用优化求解得到的模型对心电信号进行监测，其中多路信号增强模型的优化求解流程为：
S41：获取K组心电信号分离结果构成训练数据集data：
；
其中：
表示所获取第k组心电信号分离结果，/>表示第k组心电信号分离结果中的第1独立成分，/>表示第k组心电信号分离结果中的第2独立成分；
S42：构建多路信号增强模型的训练目标函数：
；
其中：
表示训练目标函数，/>表示待优化求解的模型参数，其中模型参数为非线性变换层中的卷积参数以及偏置参数；
表示基于模型参数/>构建的非线性变换处理函数；
表示对/>进行特征分解处理得到的最大特征值；
表示对/>进行特征分解处理得到的每个特征值平方之和；
S43：初始化生成模型参数，设置模型参数的当前迭代次数为z，z的初始值为0，则模型参数的第z次迭代结果为/>；
S44：计算第z次迭代得到的模型参数的训练目标函数值/>，若/>小于预设的目标函数值阈值，则基于/>构建多路信号增强模型，否则转向步骤S45：
S45：计算迭代步长：
；
其中：
表示梯度算子，/>表示/>的梯度值；
表示迭代步长；
S46：基于迭代步长对模型参数进行迭代处理：
；
S47：令，返回步骤S44。
7.如权利要求6所述的一种远程心电信号监测方法，其特征在于，所述利用优化求解得到的模型对心电信号进行监测，包括：
利用优化求解得到的模型对心电信号进行监测，其中心电信号的监测流程为：
输入层接收分离得到的心电信号第1独立成分以及第2独立成分/>；
非线性变换层对心电信号的第2独立成分进行非线性变换处理，得到噪声映射信号，其中非线性变换处理公式为：
；
其中：
表示第2独立成分/>的非线性变换处理结果，即心电信号中的噪声映射信号；
表示非线性变换处理函数，w表示卷积参数，b表示偏置参数；
信号增强层从第1独立成分中减去噪声映射信号，构成增强后的心电信号：
；
对增强后的心电信号进行监测，实现远程心电信号监测。
8.一种远程心电信号监测系统，其特征在于，所述系统包括：
远程信号采集模块，用于利用远程穿戴设备采集脉搏信号并进行预处理，得到预处理后的脉搏信号；
心电信号分离模块，用于对预处理后的脉搏信号进行噪声抑制，并从噪音抑制后的脉搏信号中分离心电信号；
心电信号增强监测装置，用于对构建的多路信号增强模型进行优化求解，利用优化求解得到的模型对心电信号进行增强以及远程监测，以实现一种如权利要求1-7任一项所述的远程心电信号监测方法。
CN202410092840.9A 2024-01-23 2024-01-23 一种远程心电信号监测方法与系统 Active CN117598710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410092840.9A CN117598710B (zh) 2024-01-23 2024-01-23 一种远程心电信号监测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410092840.9A CN117598710B (zh) 2024-01-23 2024-01-23 一种远程心电信号监测方法与系统

Publications (2)

Publication Number Publication Date
CN117598710A true CN117598710A (zh) 2024-02-27
CN117598710B CN117598710B (zh) 2024-05-14

Family

ID=89948343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410092840.9A Active CN117598710B (zh) 2024-01-23 2024-01-23 一种远程心电信号监测方法与系统

Country Status (1)

Country Link
CN (1) CN117598710B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160360986A1 (en) * 2015-06-12 2016-12-15 ChroniSense Medical Ltd. Wearable Device Electrocardiogram
CN109758143A (zh) * 2019-02-22 2019-05-17 南京大学 一种同步记录的多通道心电信号的增强方法
CN110840436A (zh) * 2018-11-15 2020-02-28 深圳市松恩电子科技有限公司 获取心电信号的方法、装置、终端和计算机可读存储介质
JP2020188963A (ja) * 2019-05-22 2020-11-26 トヨタテクニカルディベロップメント株式会社 心電波形推定装置
CN113035216A (zh) * 2019-12-24 2021-06-25 深圳市三诺数字科技有限公司 麦克风阵列语音的增强方法、及其相关设备
CN115944303A (zh) * 2023-01-05 2023-04-11 常熟理工学院 心电脉搏信号在线压缩方法、系统及存储介质
CN117055726A (zh) * 2023-08-04 2023-11-14 湖南万脉医疗科技有限公司 一种脑机交互的微运动控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160360986A1 (en) * 2015-06-12 2016-12-15 ChroniSense Medical Ltd. Wearable Device Electrocardiogram
CN110840436A (zh) * 2018-11-15 2020-02-28 深圳市松恩电子科技有限公司 获取心电信号的方法、装置、终端和计算机可读存储介质
CN109758143A (zh) * 2019-02-22 2019-05-17 南京大学 一种同步记录的多通道心电信号的增强方法
JP2020188963A (ja) * 2019-05-22 2020-11-26 トヨタテクニカルディベロップメント株式会社 心電波形推定装置
CN113035216A (zh) * 2019-12-24 2021-06-25 深圳市三诺数字科技有限公司 麦克风阵列语音的增强方法、及其相关设备
CN115944303A (zh) * 2023-01-05 2023-04-11 常熟理工学院 心电脉搏信号在线压缩方法、系统及存储介质
CN117055726A (zh) * 2023-08-04 2023-11-14 湖南万脉医疗科技有限公司 一种脑机交互的微运动控制方法

Also Published As

Publication number Publication date
CN117598710B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN111133526B (zh) 发掘可用于机器学习技术中的新颖特征，例如用于诊断医疗状况的机器学习技术
Jain et al. An adaptive thresholding method for the wavelet based denoising of phonocardiogram signal
CN105212919B (zh) 生理信号分析系统
CN109390056A (zh) 健康预测方法、装置、终端设备及计算机可读存储介质
WO2020228420A1 (zh) 降噪自编码器的训练方法、心电信号的降噪方法及其装置
CN110477865A (zh) 一种癫痫发作检测装置、终端设备及存储介质
Zhang et al. Real-time activity and fall risk detection for aging population using deep learning
JP2023104885A (ja) グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法
CN117598710B (zh) 一种远程心电信号监测方法与系统
Chen et al. A remote electrocardiogram monitoring system with good swiftness and high reliablility
Parmar et al. Design of DNN-based low-power VLSI architecture to classify atrial fibrillation for wearable devices
CN117055726A (zh) 一种脑机交互的微运动控制方法
Islam et al. Effects of filter on the classification of brain mri image using convolutional neural network
CN113647905A (zh) 深度神经网络预测血压的训练方法、计算机装置和存储介质
CN116884615A (zh) 一种高血压风险预测方法、系统、电子设备及存储介质
CN114983447B (zh) 一种基于ai技术的人体动作识别、分析与储存的可穿戴装置
CN115721323A (zh) 一种脑机接口信号识别方法、系统及电子设备
Chiang et al. Analysis and design of on-sensor ECG processors for realtime detection of VF, VT, and PVC
CN113827253A (zh) 计算设备和从脑电信号中去除噪声的方法
Almazroa et al. An internet of things (iot) homecare management system using cardiac arrhythmia classification
Luo et al. Classification algorithm for motor imagery EEG signals based on parallel DAMSCN-LSTM
CN116304585B (zh) 情感识别及模型训练方法、装置、电子设备及存储介质
CN117743810B (zh) 一种脑电信号监测的意图理解分析方法
Zhou A Novel Image Recognition-Based Assessment System for Elderly Independent Living Ability and Its Applications
CN115624330A (zh) 一种脑电分析精神类压力量化方法

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
GR01 Patent grant