一种呼吸信号提取方法及装置制造方法及图纸

本发明专利技术公开了一种呼吸信号提取方法和装置，该方法包括步骤：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；将所述参数信号进行降维，得到主成分心电信号，并以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。本发明专利技术通过构建神经网络训练模型从心电信号中准确、高效地获取呼吸信号，适合用于日常实时监测受试者的呼吸状态。

Respiratory signal extracting method and device

The invention discloses a method and apparatus for extracting the respiratory signal, the method comprising the steps of: obtaining the ECG signal and pretreatment, extraction parameters of signal from the ECG signal, the parameters including the training parameters and test parameters for signal signal; the signal parameters for dimension reduction, get into the main by electrical signals, and the training distraction signal as the input sample of neural network into the main parameter signal corresponding to the reference signal obtained by respiratory impedance method as the neural network training target, construct neural network training model; the test signal with distraction input to the neural network training in the model the main parameter signal corresponding to the final acquisition of respiration signal. The invention adopts the neural network training model to obtain the respiratory signal accurately and efficiently from the ECG signal, which is suitable for the real-time monitoring of the respiratory state of the subjects.

【技术实现步骤摘要】

本专利技术涉及信号处理
，特别是涉及一种呼吸信号提取方法及装置。
技术介绍
目前用于计算呼吸率的方法主要有：阻抗容积法，用高频恒流源测量胸部阻抗的变化来提取呼吸信息；传感器法，使用温度、压力、湿度和气流传感器作为鼻孔传感器；电容法，当呼吸时导致电容值产生相应的变化；呼吸音法，通过拾取呼吸音识别呼吸；超声法，利用超声波产生多谱勒现象，检测出呼吸频率。使用这些方法不但需要增加信号采集部件，而且受到运动和环境的影晌，不适合用于日常监护。大量临床资料显示，呼吸运动会引起心电图的变化。通过心电图，我们可以观察到在呼吸周期内由胸部运动和心脏位置变化所引起的心电波形峰峰值的改变。这是由于呼吸周期内，描述心脏电波主要传播方向的心脏电轴旋转造成QRS波群形态发生了变化。从心电信号中提取呼吸信号(ECG－DerivedRespiration，EDR)的方法不需要专用传感器和硬件模块检测呼吸信号，只需要用心电监护仪获取心电信号，避免了上述两种检测方法对人体的束缚，使动态呼吸检测成为可能。然而现有技术中，从心电信号提取呼吸信号的技术并不成熟，提取的呼吸信号不准确、效率低。而且通过心电信号提取呼吸信号的过程中由于心电、呼吸信号的非线性、随机性和非平稳等特性，造成呼吸信号的丢失和交叉干扰的问题，且系统的鲁棒性差。
技术实现思路
鉴于上述状况，有必要针对现有技术中呼吸率信号提取不准确、效率低的问题，提供一种基于心电信号计算呼吸率的方法和装置。本专利技术实施例提供的一种呼吸信号提取方法，包括步骤：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；将所述参数信号进行降维，得到主成分心电信号，并以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。上述方法，其中，所述将所述参数信号进行降维的步骤包括：将所述参数信号进行显著性检验得到显著性特征信号；通过主成分分析对所述显著性特征信号进行降维，得到主成分心电信号。上述方法，其中，所述将所述参数信号进行显著性检验得到显著性特征信号的步骤包括：将所述参数信号进行标准化处理，得到标准心电信号；将所述标准心电信号进行方差分析和F检验，得到显著性特征信号。上述方法，其中，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：w(k+1)＝w(k)+Δw(k+1)其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。上述方法，其中，所述获取心电信号并进行预处理，从所述心电信号中提取参数信号的步骤包括：获取心电信号并进行工频滤波，得到滤波信号；通过阈值法提取所述滤波信号中的RR间期序列信号和RW幅值序列信号。上述方法，其中，所述神经网络通过试凑法确定隐层节点数的个数，所述试凑法包括步骤：先将隐节点数目设置在1+i/2附近，逐渐增加隐节点数至2*i+1，形成误差性能曲线；通过分析误差性能曲线来确定隐节点的数量，其中i是输入层节点数目。本专利技术实施例还提供了一种呼吸信号提取装置，包括：心电信号获取单元，用于获取心电信号；心电信号处理单元，用于对心电信号进行预处理得到参数信号，所述参数信号包括训练用参数信号和测试用参数信号；降维处理单元，用于将所述参数信号进行降维，得到主成分心电信号；训练单元，用于以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标训练所述神经网络；呼吸信号获取单元，用于将所述测试用参数信号对应的主成分心电信号输入到所述训练后的神经网络中，获取最终的呼吸信号。上述装置，其中，所述降维处理单元包括：显著性检验单元，用于对所述参数信号进行显著性检验，并输出显著性特征信号；主成分分析单元，用于对所述显著性特征信号进行降维，得到主成分心电信号。上述装置，其中，所述显著性检验单元包括：标准化处理单元，用于对所述参数信号进行标准化处理，得到标准心电信号；显著性特征信号提取单元，用于将所述标准心电信号进行方差分析和F检验，提取显著性特征信号。上述装置，其中，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：w(k+1)＝w(k)+Δw(k+1)其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。本实施例将预处理后的心电信号进行降维，并作为神经网络的输入样本；以阻抗法同步得到的参考呼吸信号作为神经网络训练的目标，也就是神经网络训练时的输出，构成神经网络的训练样本对，以样本对训练神经网络，得到神经网络训练模型。通过神经网络训练模型从心电信号中准确、高效地获取呼吸信号。构建好的神经网络训练模型，不需要专用的传感器和硬件模块检测呼吸信号，只需要用心电监护仪获取的心电信号，避免了对人体的束缚，适合用于日常监护，可实时监测受试者的呼吸状态。附图说明图1为本专利技术第一实施例提供的一种呼吸信号提取的方法流程图；图2为原始的心电信号图；图3为工频滤波后的心电信号图；图4为本专利技术第二实施例提供的一种呼吸信号提取的方法流程图；图5为本专利技术第三实施例提供的一种呼吸信号提取装置的结构框体；图6为本专利技术第四实施例提供的一种呼吸信号提取装置的结构框体；图7为图6中显著性检验单元的结构框体。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。参照下面的描述和附图，将清楚本专利技术的实施例的这些和其他方面。在这些描述和附图中，具体公开了本专利技术的实施例中的一些特定实施方式，来表示实施本专利技术的实施例的原理的一些方式，但是应当理解，本专利技术的实施例的范围不受此限制。相反，本专利技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。请参阅图1，为本专利技术第一实施例提供了一种呼吸信号提取方法，包括步骤S11～S14。步骤S11，获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号。本专利技术通过加压单极肢体导联获得原始的心电信号，如图2所示，为原始的心电信号图，由于原始心电信号包含大量的工频干扰，需要进行50Hz工频陷波，滤除工频干扰，陷波后的心电信号如图3所示。提取工频滤波后的心电信号的RR间期序列信号和RW幅值序列信号，即为参数信号。本实施例中，所述RR间期序列信号和RW幅值序列信号通过阈值法提取。对于获取的心电信号预处理后一部分用于训练神经网络，另一部分用于输入到训练后的神经网络中提取最终的呼吸信号。步骤S12，将所述参数信号进行降维，得到主成分心电信号。步骤S13，以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻本文档来自技高网...

【技术保护点】
一种呼吸信号提取方法，其特征在于，包括步骤：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；将所述参数信号进行降维，得到主成分心电信号，并以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。

【技术特征摘要】
1.一种呼吸信号提取方法，其特征在于，包括步骤：获取心电信号并进行预处理，从所述心电信号中提取参数信号，所述参数信号包括训练用参数信号和测试用参数信号；将所述参数信号进行降维，得到主成分心电信号，并以所述训练用参数信号对应的主成分心电信号作为神经网络的输入样本，以阻抗法得到的参考呼吸信号作为所述神经网络的训练目标，构建神经网络训练模型；将所述测试用参数信号对应的主成分心电信号输入到所述神经网络训练模型中，获取最终的呼吸信号。2.如权利要求1所述的方法，其特征在于，所述将所述参数信号进行降维的步骤包括：将所述参数信号进行显著性检验得到显著性特征信号；通过主成分分析对所述显著性特征信号进行降维，得到主成分心电信号。3.如权利要求2所述的方法，其特征在于，所述将所述参数信号进行显著性检验得到显著性特征信号的步骤包括：将所述参数信号进行标准化处理，得到标准心电信号；将所述标准心电信号进行方差分析和F检验，得到显著性特征信号。4.如权利要求1所述的方法，其特征在于，所述神经网络采用动态BP算法，所述动态BP算法通过动量因子进行权值调整，权值调整的计算公式为：Δw(k+1)=ηΔw(k)+α(1-η)∂E(k)∂w(k)]]>w(k+1)＝w(k)+Δw(k+1)其中，α表示网络的学习率，η表示动量因子，表示第k次反向传递的误差偏微分，w(k)表示第k次反向传递的阈值或权值，E(k)表示第k次反向传递的误差总和。5.如权利要求1所述的方法，其特征在于，所述获取心电信号并进行预处理，从所述心电信号中提取参数信号的步骤包括：获取心电信号并进行工频滤波，得到滤波信号；通过阈值法提取所述滤波信号中的RR间期序列信号和RW幅值序列信号。6.如权利要求1所述的方法，其特征在于，所述神经网络通过试凑法确定隐层...

【专利技术属性】
技术研发人员：胡静，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东;44