本發(fā)明涉及呼吸檢測(cè)領(lǐng)域，尤其涉及一種呼吸率提取方法及裝置。

背景技術(shù)：

呼吸是人體重要的生理過程，對(duì)人體呼吸的監(jiān)護(hù)檢測(cè)也是現(xiàn)代醫(yī)學(xué)監(jiān)護(hù)技術(shù)的一個(gè)重要組成部分?；颊卟徽撌呛粑到y(tǒng)本身的病變或是其他重要臟器的病變發(fā)展到一定程度都會(huì)影響呼吸中樞。多臟器系統(tǒng)功能衰竭往往累及呼吸功能的衰竭，呼吸功能的衰竭又導(dǎo)致其他臟器功能的衰竭，互為因果。

現(xiàn)有技術(shù)對(duì)呼吸運(yùn)動(dòng)主要使用下列方法檢測(cè)：阻抗容積法：用高頻恒流源測(cè)量胸部阻抗的變化來提取呼吸信息；傳感器法：使用溫度、壓力、濕度和氣流傳感器作為鼻孔傳感器；電容法：當(dāng)呼吸時(shí)導(dǎo)致電容值產(chǎn)生相應(yīng)的變化；呼吸音法：通過拾取呼吸音識(shí)別呼吸；超聲法：利用超聲波產(chǎn)生多譜勒現(xiàn)象，檢測(cè)出呼吸頻率。使用這些方法不但需要增加信號(hào)采集部件，而且受到運(yùn)動(dòng)和環(huán)境的影晌，不適合用于日常監(jiān)護(hù)。

大量臨床資料顯示，呼吸運(yùn)動(dòng)會(huì)引起心電圖的變化。通過心電圖，我們可以觀察到在呼吸周期內(nèi)由胸部運(yùn)動(dòng)和心臟位置變化所引起的心電波形峰峰值的改變。這是由于呼吸周期內(nèi),描述心臟電波主要傳播方向的心臟電軸旋轉(zhuǎn)造成QRS波群形態(tài)發(fā)生了變化。QRS波是指正常心電圖中幅度最大的波群，反映心室除極的全過程。正常心室除極始于室間隔中部，自左向右方向除極，故QRS波群先呈現(xiàn)一個(gè)小向下的q波。正常胸導(dǎo)聯(lián)QRS波群形態(tài)較恒定。從心電信號(hào)中提取呼吸信號(hào)(ECG-DerivedRespiration,EDR)是一種呼吸信號(hào)檢測(cè)技術(shù)，這種技術(shù)不需要專用傳感器和硬件模塊檢測(cè)呼吸信號(hào)，只需要用心電監(jiān)護(hù)儀獲取心電信號(hào)，避免了上述兩種檢測(cè)方法對(duì)人體的束縛，使動(dòng)態(tài)呼吸檢測(cè)成為可能。

但現(xiàn)有從心電信號(hào)中提取呼吸信號(hào)的技術(shù)，在計(jì)算時(shí)主要采用波形法，該方法通過一段時(shí)間內(nèi)波形的平均值(即基線值)，來判定當(dāng)前呼吸波處于上升或下降趨勢(shì)，用極值的方法求得波形的波峰、波谷。根據(jù)一定的閾值條件來判定有效的波峰或波谷，再根據(jù)有效波峰或波谷的周期計(jì)算波形周期，從而得到呼吸率。這種算法雖然具有比較直觀、運(yùn)算量小的優(yōu)點(diǎn)，但在實(shí)際過程中獲取的呼吸波形或多或少會(huì)受到心電活動(dòng)的影響，當(dāng)波形出現(xiàn)基線漂移時(shí)，計(jì)算的基線值無法很快更新，會(huì)導(dǎo)致波形漏檢致使呼吸率值偏低，其結(jié)果會(huì)有較大偏差。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問題，本發(fā)明的目的在于提供一種呼吸率提取方法及裝置，實(shí)現(xiàn)準(zhǔn)確可靠的呼吸率的測(cè)量，并可減輕由于外界或環(huán)境的干擾而引起的測(cè)量波動(dòng)或誤差。

本發(fā)明提供了一種呼吸率提取方法，包括：

通過預(yù)先訓(xùn)練好的關(guān)于呼吸信號(hào)的神經(jīng)網(wǎng)絡(luò)模型對(duì)接收到的心電信號(hào)進(jìn)行提取，得到第一呼吸信號(hào)，并根據(jù)所述第一呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第一呼吸率；

通過構(gòu)建好的關(guān)于呼吸信號(hào)的自回歸模型對(duì)所述心電信號(hào)進(jìn)行提取，得到第二呼吸信號(hào)，并根據(jù)所述第二呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第二呼吸率；

基于信號(hào)質(zhì)量指數(shù)，對(duì)所述第一呼吸信號(hào)和所述第二呼吸信號(hào)進(jìn)行分析，得到與所述第一呼吸信號(hào)對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸信號(hào)對(duì)應(yīng)的第二權(quán)重因子；

根據(jù)所述第一呼吸率、第一權(quán)重因子、第二呼吸率及第二權(quán)重因子，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

優(yōu)選地，在所述通過預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)所述待處理心電信號(hào)進(jìn)行提取，得到第一呼吸信號(hào)，并根據(jù)所述第一呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第一呼吸率之前，還包括：

接收多導(dǎo)聯(lián)心電信號(hào)，分別計(jì)算每個(gè)導(dǎo)聯(lián)心電信號(hào)的RR間期和R峰幅值，得到輸入樣本空間，其中，所述輸入樣本空間的維度為p，p/2為多導(dǎo)聯(lián)心電信號(hào)的導(dǎo)聯(lián)數(shù)目；

基于主成本分析法對(duì)根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行處理，得到主成分得分矩陣；

以所述主成分得分矩陣和通過阻抗法同步采集得到的目標(biāo)呼吸信號(hào)為訓(xùn)練樣本對(duì)進(jìn)行訓(xùn)練，獲得神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選地，所述基于主成本分析法對(duì)根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行處理，得到主成分得分矩陣，具體包括：

對(duì)所述輸入樣本空間進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理；

根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化處理后的所述輸入樣本空間得到協(xié)方差矩陣；

計(jì)算所述協(xié)方差矩陣的特征根和與每個(gè)特征根對(duì)應(yīng)的特征向量；其中，所述特征根的數(shù)量為p個(gè)，且所述的p個(gè)特征根按照大小排序；

獲取所述的p個(gè)特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個(gè)特征根；其中，每個(gè)特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個(gè)特征根的值之和；

根據(jù)與所述的前m個(gè)特征根對(duì)應(yīng)的特征向量及所述輸入樣本空間，得到主成分得分矩陣。

優(yōu)選地，所述自回歸模型為經(jīng)過滑動(dòng)平均法優(yōu)化后的自回歸模型。

優(yōu)選地，所述根據(jù)所述第一呼吸率、第一權(quán)重因子、第二呼吸率及第二權(quán)重因子，計(jì)算得到當(dāng)前時(shí)刻的呼吸率具體為：

當(dāng)判斷所述第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，將所述第一呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率；

當(dāng)判斷所述第一權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子大于所述基準(zhǔn)值時(shí)，將所述第二呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率；

當(dāng)判斷所述第一權(quán)重因子計(jì)所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時(shí)，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對(duì)所述第一呼吸率和第二呼吸率進(jìn)行加權(quán)求和，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

本發(fā)明還提供了一種呼吸率提取裝置，包括:

神經(jīng)網(wǎng)絡(luò)提取單元，用于通過預(yù)先訓(xùn)練好的關(guān)于呼吸信號(hào)的神經(jīng)網(wǎng)絡(luò)模型對(duì)接收到的心電信號(hào)進(jìn)行提取，得到第一呼吸信號(hào)，并根據(jù)所述第一呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第一呼吸率；

自回歸提取單元，用于通過構(gòu)建好的關(guān)于呼吸信號(hào)的自回歸模型對(duì)所述心電信號(hào)進(jìn)行提取，得到第二呼吸信號(hào)，并根據(jù)所述第二呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第二呼吸率；

信號(hào)質(zhì)量分析單元，用于基于信號(hào)質(zhì)量指數(shù)，對(duì)所述第一呼吸信號(hào)和所述第二呼吸信號(hào)進(jìn)行分析，得到與所述第一呼吸信號(hào)對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸信號(hào)對(duì)應(yīng)的第二權(quán)重因子；

呼吸率計(jì)算單元，用于根據(jù)所述第一呼吸率、第一權(quán)重因子、第二呼吸率及第二權(quán)重因子，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

優(yōu)選地，還包括：

輸入樣本空間獲取單元，用于接收多導(dǎo)聯(lián)心電信號(hào)，分別計(jì)算每個(gè)導(dǎo)聯(lián)心電信號(hào)的RR間期和R峰幅值，得到輸入樣本空間，其中，所述輸入樣本空間的維度為p，p/2為多導(dǎo)聯(lián)心電信號(hào)的導(dǎo)聯(lián)數(shù)；

主成分分析單元，用于基于主成本分析法對(duì)根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行處理，得到主成分得分矩陣；

神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元，用于以所述主成分得分矩陣和通過阻抗法同步采集得到的目標(biāo)呼吸信號(hào)為訓(xùn)練樣本對(duì)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選地，所述主成分分析單元具體包括：

標(biāo)準(zhǔn)化處理模塊，用于對(duì)所述輸入樣本空間數(shù)據(jù)標(biāo)準(zhǔn)化處理；

協(xié)方差矩陣計(jì)算模塊，用于根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化處理后的所述輸入樣本空間得到協(xié)方差矩陣；

特征計(jì)算模塊，用于計(jì)算所述協(xié)方差矩陣的特征根和與每個(gè)特征根對(duì)應(yīng)的特征向量；其中，所述特征根的數(shù)量為p個(gè)，且所述的p個(gè)特征根按照大小排序；

篩選模塊，用于獲取所述的p個(gè)特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個(gè)特征根；其中，每個(gè)特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個(gè)特征根的值之和；

得分矩陣獲取模塊，用于根據(jù)與所述的前m個(gè)特征根對(duì)應(yīng)的特征向量及所述輸入樣本空間，得到主成分得分矩陣。

優(yōu)選地，所述自回歸模型為經(jīng)過滑動(dòng)平均法優(yōu)化后的自回歸模型。

優(yōu)選地，所述呼吸率計(jì)算單元具體包括：

第一判斷模塊，用于當(dāng)判斷所述第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，將所述第一呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率；

第二判斷模塊，用于當(dāng)判斷所述第一權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子大于所述基準(zhǔn)值時(shí)，將所述第二呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率；

第三判斷模塊，用于當(dāng)判斷所述第一權(quán)重因子計(jì)所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時(shí)，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對(duì)所述第一呼吸率和第二呼吸率進(jìn)行加權(quán)求和，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

本發(fā)明提供的呼吸率提取方法及裝置，通過利用神經(jīng)網(wǎng)絡(luò)模型與自回歸時(shí)間序列技術(shù)相結(jié)合的方式處理心電信號(hào)得到第一呼吸率及第二呼吸率，并根據(jù)與所述第一呼吸率對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸率對(duì)應(yīng)的第二權(quán)重因子得到當(dāng)前時(shí)刻的呼吸率，相比于現(xiàn)有由單一技術(shù)從心電信號(hào)得到呼吸信號(hào)的方案，計(jì)算結(jié)果更準(zhǔn)確可靠，并可減輕由于外界或環(huán)境的干擾而引起的測(cè)量波動(dòng)或誤差，從而能夠得到更為準(zhǔn)確穩(wěn)定的測(cè)量結(jié)果。

附圖說明

圖1是本發(fā)明實(shí)施例提供的一種呼吸率提取方法的流程圖；

圖2是本發(fā)明實(shí)施例提供的原始心電信號(hào)的波形圖；

圖3是本發(fā)明實(shí)施例提供的工頻陷波后的待處理心電信號(hào)的波形圖；

圖4是本發(fā)明實(shí)施例提供的通過神經(jīng)網(wǎng)絡(luò)模型提取得到的第一呼吸信號(hào)的波形圖；

圖5是本發(fā)明實(shí)施例提供的通過自回歸模型提取得到的第二呼吸信號(hào)的波形圖。

圖6是本發(fā)明實(shí)施例提供的呼吸率提取裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明提供了一種呼吸率提取方法，用于從心電信號(hào)中提取出呼吸信息，由于呼吸作用引起的心電圖中的基線漂移，把呼吸信息看作是心電信號(hào)的低頻成分，通過去除呼吸頻率以外的信號(hào)，從而得到所需提取的呼吸信息。

參見圖1，為本發(fā)明實(shí)施例提供的一種呼吸率提取方法，包括如下步驟：

S1：通過預(yù)先訓(xùn)練好的關(guān)于呼吸信號(hào)的神經(jīng)網(wǎng)絡(luò)模型對(duì)接收到的心電信號(hào)進(jìn)行提取，得到第一呼吸信號(hào)，并根據(jù)所述第一呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第一呼吸率。

需要說明的是，如圖2所示由于原始的心電信號(hào)往往包含大量的工頻干擾，需要進(jìn)行50Hz工頻陷波，以濾除工頻干擾，參見圖3，為根據(jù)本發(fā)明實(shí)施例的工頻陷波后的心電信號(hào)的波形圖。

在本發(fā)明實(shí)施例中，在利用神經(jīng)網(wǎng)絡(luò)模型對(duì)所述待處理心電信號(hào)進(jìn)行提取時(shí)，需先通過訓(xùn)練得到可以用于提取呼吸信號(hào)的神經(jīng)網(wǎng)絡(luò)模型。

具體地，在本發(fā)明實(shí)施例中，可通過如下方法來進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的計(jì)算：

S01，接收多導(dǎo)聯(lián)心電信號(hào)，分別計(jì)算每個(gè)導(dǎo)聯(lián)心電信號(hào)的RR間期和R峰幅值，得到輸入樣本空間，其中，所述輸入樣本空間的維度為p，p/2為多導(dǎo)聯(lián)心電信號(hào)的導(dǎo)聯(lián)數(shù)。

在本發(fā)明實(shí)施例中，輸入樣本空間X＝[x1，x2，...，xn]表示m*n維向量，其中x1表示長度為m的列向量，通過計(jì)算1導(dǎo)聯(lián)的RR間期，得到x1，計(jì)算1導(dǎo)聯(lián)的R峰幅值，得到x2，計(jì)算2導(dǎo)聯(lián)的RR間期，得到x3；計(jì)算2導(dǎo)聯(lián)的R峰幅值，得到x4；...以此類推得到。

S02，基于主成本分析法對(duì)根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行處理，得到主成分得分矩陣。

在本發(fā)明實(shí)施例中，考慮到標(biāo)準(zhǔn)多導(dǎo)聯(lián)心電信號(hào)為12導(dǎo)聯(lián)，分別計(jì)算每個(gè)導(dǎo)聯(lián)的RR間期和R峰幅值后，需要輸入到神經(jīng)網(wǎng)絡(luò)的特征值達(dá)到24個(gè)，且各導(dǎo)聯(lián)之間互相關(guān)聯(lián)，導(dǎo)致輸入樣本的維度較大且含有線性相關(guān)的輸入項(xiàng)，不利于計(jì)算分析，為此需要利用主成分分析法對(duì)其進(jìn)行降維。

具體地，步驟S12可包括：

S021，對(duì)所述輸入樣本空間進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。

具體地，

其中：

其中，X_i'_j是標(biāo)準(zhǔn)化后的新數(shù)據(jù)；M_j、S_j分別表示原始數(shù)據(jù)某一列的算術(shù)平均值和標(biāo)準(zhǔn)(偏)差。

S022，根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化處理后的所述輸入樣本空間得到協(xié)方差矩陣。

其中，協(xié)方差矩陣D＝X^TX，即：

其中：

S023，計(jì)算所述協(xié)方差矩陣的特征根和與每個(gè)特征根對(duì)應(yīng)的特征向量；其中，所述特征根的數(shù)量為p個(gè)，且所述的p個(gè)特征根按照大小排序。

其中，DP＝Pλ (6)

當(dāng)只考慮第j個(gè)特征值時(shí)，有DP_j＝P_jλ_j，即求解|D-λ_jI|＝0。依次解出各個(gè)λ，并使其按大小順序排列，即λ₁≥λ₂≥…,≥λ_p≥0；然后可求出各特征值對(duì)應(yīng)的特征向量P，進(jìn)而特征方程求解完成。

S024，獲取所述的p個(gè)特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個(gè)特征根；其中，每個(gè)特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個(gè)特征根的值之和。

首先，計(jì)算單個(gè)主成分的貢獻(xiàn)率并進(jìn)行累計(jì)，根據(jù)累計(jì)貢獻(xiàn)率確定主成分的個(gè)數(shù)m，從而確定所需要選取的主成分。貢獻(xiàn)率的計(jì)算公式如公式(7)所述。累計(jì)貢獻(xiàn)率即前m個(gè)貢獻(xiàn)率的累積和，如公式(8)所示。所述閾值Dmax一般取在85％～95％之間。根據(jù)上一步驟中的特征根排序可知，λ₁≥λ₂≥…,≥λ_p≥0，從前往后(也是從大到小)依次對(duì)特征根進(jìn)行累加，當(dāng)累計(jì)貢獻(xiàn)率大于Dmax時(shí)，停止計(jì)算，此時(shí)累計(jì)計(jì)算的特征根λ的數(shù)目為m，則只需要選取前m個(gè)主成分即可。

S025，根據(jù)與所述的前m個(gè)特征根對(duì)應(yīng)的特征向量及所述輸入樣本空間，得到主成分得分矩陣。

其中，所述主成分得分矩陣

需要說明的是，在本發(fā)明實(shí)施例中，還可計(jì)算主成分的載荷，其中，所述主成分載荷主要反映主成分得分與原變量x_j的關(guān)聯(lián)程度，計(jì)算公式為：得到各主成分的載荷以后，就可以知道選取的每一個(gè)主成分分別對(duì)應(yīng)的原始特征，如有需要，可以根據(jù)原始特征的量綱轉(zhuǎn)換回去。

S13，以所述主成分得分矩陣和通過阻抗法同步采集得到的目標(biāo)呼吸信號(hào)為訓(xùn)練樣本對(duì)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得神經(jīng)網(wǎng)絡(luò)模型。

在本發(fā)明實(shí)施例中，在得到主成分得分矩陣T和通過阻抗法同步采集得到的目標(biāo)呼吸信號(hào)Y，就可以進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，具體地：

神經(jīng)網(wǎng)絡(luò)模型由輸入層(特征)、隱層、輸出層組成。其中，每層都對(duì)應(yīng)一個(gè)相應(yīng)的函數(shù)。在訓(xùn)練時(shí)，將所述主成分特征矩陣T輸入到輸入層，將通過阻抗法同步采集得到的目標(biāo)呼吸信號(hào)輸入到輸出層(如輸出層采用softmax函數(shù))，即可用得到隱含層的參數(shù)(如sigmod函數(shù)的參數(shù))。其中，神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，包括權(quán)重，偏置等。

在本發(fā)明實(shí)施例中，神經(jīng)網(wǎng)絡(luò)模型的隱層可為1個(gè)(可取其他值，當(dāng)前情況下，1個(gè)已能夠滿足要求)，隱層節(jié)點(diǎn)數(shù)為K個(gè)，學(xué)習(xí)速率為μ，通常將學(xué)習(xí)速率選在0.02～0.2之間。為了獲得最佳的網(wǎng)絡(luò)訓(xùn)練效果，可采用試湊法確定網(wǎng)絡(luò)學(xué)習(xí)速率。

在本發(fā)明實(shí)施例中，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法可選取Levenberg-Marquart算法，也可采用其他學(xué)習(xí)算法，本發(fā)明不做具體限定。

在本發(fā)明實(shí)施例中，在獲得訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型后，只需將所述待處理心電信號(hào)作為輸入輸入到所述神經(jīng)網(wǎng)絡(luò)模型的輸入層，即可以在輸出層得到從所述心電信號(hào)中提取得到如圖4所示的第一呼吸信號(hào)，此后，即可根據(jù)所述第一呼吸信號(hào)計(jì)算得到第一呼吸率。

具體地，可通過求極值法在所述第一呼吸信號(hào)的波形圖中尋找第一呼吸信號(hào)的波峰(或者波谷)，參見圖4中的點(diǎn)標(biāo)記；

通過提取最近生成的兩個(gè)波峰之間的時(shí)間間隔，以得到當(dāng)前時(shí)刻的周期T。

對(duì)所述周期進(jìn)行采樣率換算即可得到當(dāng)前時(shí)刻的第一呼吸率R1。

例如，R1＝60/T1。

S2：通過構(gòu)建好的關(guān)于呼吸信號(hào)的自回歸模型對(duì)所述心電信號(hào)進(jìn)行提取，得到第二呼吸信號(hào)，并根據(jù)所述第二呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第二呼吸率。

在本發(fā)明實(shí)施例中，利用所述自回歸模型對(duì)所述待處理心電信號(hào)進(jìn)行提取時(shí)，需先構(gòu)建自回歸模型，其構(gòu)建過程如下：

對(duì)于自回歸模型AR(p)，可表示為：

φ(B)y_t＝a_t (10)

其中，B為延遲算子，By_t＝y(tǒng)_t-1；p為模型的階數(shù)，表示自回歸項(xiàng)數(shù)，y_t為時(shí)間序列的當(dāng)前值；a_t為隨機(jī)干擾。滿足平穩(wěn)性條件。在AR模型中，當(dāng)前時(shí)刻的觀測(cè)y_t由過去p個(gè)歷史時(shí)刻的觀測(cè)值和一個(gè)當(dāng)前時(shí)刻的隨機(jī)干擾來表示。

在本發(fā)明實(shí)施例中，為了降噪，尤其是白噪聲，還可利用滑動(dòng)平均法來優(yōu)化自回歸模型，假設(shè)滑動(dòng)平均法的階數(shù)為q，則θ(B)＝1-θ₁-...-θ_qB^q，滑動(dòng)平均模型MA(q)如公式11所示，當(dāng)前時(shí)刻的觀測(cè)y_t由過去q個(gè)歷史時(shí)刻的觀測(cè)值和一個(gè)當(dāng)前時(shí)刻的隨機(jī)干擾來表示，y_t為時(shí)間序列的當(dāng)前值；a_t為隨機(jī)干擾。利用該模型對(duì)自回歸模型進(jìn)行優(yōu)化，則可得到自回歸-滑動(dòng)平均模型ARMA(p，q)，其中，p、q為模型階數(shù)(p為自回歸項(xiàng)數(shù)，q為滑動(dòng)平均項(xiàng)數(shù))，如公式12所示。

y_t＝θ(B)·a_t (11)

φ(B)y_t＝θ(B)·a_t (12)

在本發(fā)明實(shí)施例中，在獲得所述自回歸-滑動(dòng)平均模型后，即可進(jìn)行呼吸信號(hào)的提取。具體地，自回歸-滑動(dòng)平均模型是一種盲源分離的信號(hào)提取方法。首先，通過估計(jì)模型中的加權(quán)參數(shù)，計(jì)算ECG混合信號(hào)(及所述待處理心電信號(hào)，其中包括了呼吸信號(hào))的ARMA(p，q)模型的系數(shù)矩陣，作為呼吸信號(hào)的特征；其次，結(jié)合估計(jì)得到的呼吸信號(hào)的特征，采用自相關(guān)分離算法，對(duì)所述待處理心電信號(hào)進(jìn)行抽取，達(dá)到純凈ECG信號(hào)和呼吸信號(hào)分離的目的提取得到呼吸信號(hào)。

參見圖5，為根據(jù)本發(fā)明實(shí)施的自回歸模型提取得到的第二呼吸信號(hào)的波形圖。

在本發(fā)明實(shí)施例中，在獲得所述第二呼吸信號(hào)后，即可計(jì)算第二呼吸率R2，具體為：

通過求極值法在所述第二呼吸信號(hào)的波形圖中尋找第二呼吸信號(hào)的波峰(或者波谷)，參見圖5中的點(diǎn)標(biāo)記；

通過提取最近生成的兩個(gè)波峰之間的時(shí)間間隔，以得到周期T2。

根據(jù)采樣率換算即可得到實(shí)時(shí)的第二呼吸率R2。

S3：基于信號(hào)質(zhì)量指數(shù)，對(duì)所述第一呼吸信號(hào)和所述第二呼吸信號(hào)進(jìn)行分析，得到與所述第一呼吸信號(hào)對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸信號(hào)對(duì)應(yīng)的第二權(quán)重因子。具體為：

對(duì)所述第一呼吸信號(hào)和所述第二呼吸信號(hào)進(jìn)行功率譜分析(或峰值譜分析)，分析所述第一呼吸信號(hào)和所述第二呼吸信號(hào)的譜分布，得到與所述第一呼吸信號(hào)對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸信號(hào)對(duì)應(yīng)的第二權(quán)重因子。

S4：根據(jù)所述第一呼吸率、第一權(quán)重因子、第二呼吸率及第二權(quán)重因子，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

在一個(gè)優(yōu)選實(shí)施例中，可通過對(duì)所述第一呼吸率、第一權(quán)重因子、第二呼吸率及第二權(quán)重因子進(jìn)行加權(quán)平均來得到當(dāng)前時(shí)刻的呼吸率，即：

R＝μ1*R1+μ2*R2 (13)

需要說明的是，在進(jìn)行加權(quán)平均之前，需先對(duì)μ1和μ2進(jìn)行歸一化處理，具體地，假設(shè)μ1+μ2＝a，則需要分別對(duì)μ1和μ2乘以歸一化系數(shù)1/a進(jìn)行歸一化，保證歸一化后的μ1+μ2＝1。

在另一個(gè)實(shí)施例中，計(jì)算得到當(dāng)前時(shí)刻的呼吸率具體包括：

當(dāng)判斷所述第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，將所述第一呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率。

當(dāng)所述第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，可以認(rèn)為第二呼吸信號(hào)的信號(hào)質(zhì)量較差，此時(shí)，直接將所述第一呼吸率R1設(shè)置為當(dāng)前時(shí)刻的呼吸率R。

當(dāng)判斷所述第一權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子大于所述基準(zhǔn)值時(shí)，將所述第二呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率。

當(dāng)所述第一權(quán)重因子小于所述基準(zhǔn)值時(shí)，可以認(rèn)為第一呼吸信號(hào)的信號(hào)質(zhì)量較差，此時(shí)，直接將所述第一呼吸率R1設(shè)置為當(dāng)前時(shí)刻的呼吸率R。

當(dāng)判斷所述第一權(quán)重因子計(jì)所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時(shí)，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對(duì)所述第一呼吸率和第二呼吸率進(jìn)行加權(quán)求和，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

即：R＝μ1*R1+μ2*R2。

如果權(quán)重因子較小，則說明對(duì)應(yīng)的呼吸信號(hào)質(zhì)量較差，則直接去掉與質(zhì)量較差呼吸信號(hào)對(duì)應(yīng)的呼吸率，保證計(jì)算結(jié)果的準(zhǔn)確和穩(wěn)定。

本發(fā)明實(shí)施例中，通過神經(jīng)網(wǎng)絡(luò)模型與自回歸時(shí)間序列技術(shù)相結(jié)合的方式處理心電信號(hào)得到第一呼吸率及第二呼吸率，并根據(jù)與所述第一呼吸率對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸率對(duì)應(yīng)的第二權(quán)重因子得到當(dāng)前時(shí)刻的呼吸率，計(jì)算結(jié)果更準(zhǔn)確可靠，并可減輕由于外界或環(huán)境的干擾而引起的測(cè)量波動(dòng)或誤差，從而能夠得到更為準(zhǔn)確穩(wěn)定的測(cè)量結(jié)果。

參閱圖6，本發(fā)明實(shí)施例還提供一種呼吸率提取裝置100，包括：

神經(jīng)網(wǎng)絡(luò)提取單元10，用于通過預(yù)先訓(xùn)練好的關(guān)于呼吸信號(hào)的神經(jīng)網(wǎng)絡(luò)模型對(duì)接收到的心電信號(hào)進(jìn)行提取，得到第一呼吸信號(hào)，并根據(jù)所述第一呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第一呼吸率。

自回歸提取單元20，用于通過構(gòu)建好的關(guān)于呼吸信號(hào)的自回歸模型對(duì)所述心電信號(hào)進(jìn)行提取，得到第二呼吸信號(hào)，并根據(jù)所述第二呼吸信號(hào)計(jì)算得到當(dāng)前時(shí)刻的第二呼吸率。

信號(hào)質(zhì)量分析單元30，用于基于信號(hào)質(zhì)量指數(shù)，對(duì)所述第一呼吸信號(hào)和所述第二呼吸信號(hào)進(jìn)行分析，得到與所述第一呼吸信號(hào)對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸信號(hào)對(duì)應(yīng)的第二權(quán)重因子。

呼吸率計(jì)算單元40，用于根據(jù)所述第一呼吸率、第一權(quán)重因子、第二呼吸率及第二權(quán)重因子，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

本發(fā)明實(shí)施例中，通過利用神經(jīng)網(wǎng)絡(luò)模型與自回歸時(shí)間序列技術(shù)相結(jié)合的方式處理心電信號(hào)得到第一呼吸率及第二呼吸率，并根據(jù)與所述第一呼吸率對(duì)應(yīng)的第一權(quán)重因子和與所述第二呼吸率對(duì)應(yīng)的第二權(quán)重因子得到當(dāng)前時(shí)刻的呼吸率，計(jì)算結(jié)果更準(zhǔn)確可靠，并可減輕由于外界或環(huán)境的干擾而引起的測(cè)量波動(dòng)或誤差，從而能夠得到更為準(zhǔn)確穩(wěn)定的測(cè)量結(jié)果。

優(yōu)選地，所述呼吸率提取裝置100還包括：

輸入樣本空間獲取單元50，用于接收多導(dǎo)聯(lián)心電信號(hào)，分別計(jì)算每個(gè)導(dǎo)聯(lián)心電信號(hào)的RR間期和R峰幅值，得到輸入樣本空間，其中，所述輸入樣本空間的維度為p，p/2為多導(dǎo)聯(lián)心電信號(hào)的導(dǎo)聯(lián)數(shù)；

主成分分析單元60，用于基于主成本分析法對(duì)根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行處理，得到主成分得分矩陣；

神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元70，用于以所述主成分得分矩陣和通過阻抗法同步采集得到的目標(biāo)呼吸信號(hào)為訓(xùn)練樣本對(duì)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得神經(jīng)網(wǎng)絡(luò)模型。

優(yōu)選地，所述主成分分析單元60具體包括：

標(biāo)準(zhǔn)化處理模塊61，用于對(duì)所述輸入樣本空間數(shù)據(jù)標(biāo)準(zhǔn)化處理；

協(xié)方差矩陣計(jì)算模塊62，用于根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化處理后的所述輸入樣本空間得到協(xié)方差矩陣；

特征計(jì)算模塊63，用于計(jì)算所述協(xié)方差矩陣的特征根和與每個(gè)特征根對(duì)應(yīng)的特征向量；其中，所述特征根的數(shù)量為p個(gè)，且所述的p個(gè)特征根按照大小排序；

篩選模塊64，用于獲取所述的p個(gè)特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個(gè)特征根；其中，每個(gè)特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個(gè)特征根的值之和；

得分矩陣獲取模塊65，用于根據(jù)與所述的前m個(gè)特征根對(duì)應(yīng)的特征向量及所述輸入樣本空間，得到主成分得分矩陣。

優(yōu)選地，所述自回歸模型為經(jīng)過滑動(dòng)平均法優(yōu)化后的自回歸模型。

優(yōu)選地，所述呼吸率計(jì)算單元40具體包括：

第一判斷模塊41，用于當(dāng)判斷所述第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，將所述第一呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率；

第二判斷模塊42，用于當(dāng)判斷所述第一權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述第二權(quán)重因子大于所述基準(zhǔn)值時(shí)，將所述第二呼吸率設(shè)置為當(dāng)前時(shí)刻的呼吸率；

第三判斷模塊43，用于當(dāng)判斷所述第一權(quán)重因子計(jì)所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時(shí)，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對(duì)所述第一呼吸率和第二呼吸率進(jìn)行加權(quán)求和，計(jì)算得到當(dāng)前時(shí)刻的呼吸率。

以上所揭露的僅為本發(fā)明兩種較佳實(shí)施例而已，當(dāng)然不能以此來限定本發(fā)明之權(quán)利范圍，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例的全部或部分流程，并依本發(fā)明權(quán)利要求所作的等同變化，仍屬于發(fā)明所涵蓋的范圍。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過計(jì)算機(jī)程序來指令相關(guān)的硬件來完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤、只讀存儲(chǔ)記憶體(Read-Only Memory，ROM)或隨機(jī)存儲(chǔ)記憶體(Random Access Memory，RAM)等。