本發(fā)明涉及呼吸檢測領(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，對人體呼吸的監(jiān)護(hù)檢測也是現(xiàn)代醫(yī)學(xué)監(jiān)護(hù)技術(shù)的一個重要組成部分。患者不論是呼吸系統(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)對呼吸運(yùn)動主要使用下列方法檢測：阻抗容積法：用高頻恒流源測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：通過拾取呼吸音識別呼吸；超聲法：利用超聲波產(chǎn)生多譜勒現(xiàn)象，檢測出呼吸頻率。使用這些方法不但需要增加信號采集部件，而且受到運(yùn)動和環(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)動會引起心電圖的變化。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。從心電信號中提取呼吸信號(ECG-DerivedRespiration,EDR)是一種呼吸信號檢測技術(shù)，這種技術(shù)不需要專用傳感器和硬件模塊檢測呼吸信號，只需要用心電監(jiān)護(hù)儀獲取心電信號，避免了上述兩種檢測方法對人體的束縛，使動態(tài)呼吸檢測成為可能。

但現(xiàn)有從心電信號中提取呼吸信號的技術(shù)，在計算時主要采用波形法，該方法通過一段時間內(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，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受到心電活動的影響，當(dāng)波形出現(xiàn)基線漂移時，計算的基線值無法很快更新，會導(dǎo)致波形漏檢致使呼吸率值偏低，其結(jié)果會有較大偏差。

人工神經(jīng)網(wǎng)絡(luò)(Artifical Neural Network,ANN)是由大量簡單的處理單元(神經(jīng)元)相互連接而構(gòu)成的網(wǎng)絡(luò)系統(tǒng)，是一個高度復(fù)雜的非線性動力學(xué)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)及魯棒性強(qiáng)的特點(diǎn)，近年來在信號檢測研究中得到廣泛地關(guān)注。

利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信號檢測和提取前先需根據(jù)輸入樣本及目標(biāo)樣本進(jìn)行訓(xùn)練。對于心電信號，可將多導(dǎo)聯(lián)心電信號作為輸入樣本，但是標(biāo)準(zhǔn)的多導(dǎo)聯(lián)心電信號為12導(dǎo)聯(lián)，在分別計算每個導(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，且各導(dǎo)聯(lián)之間互相關(guān)聯(lián)，因此輸入樣本的維度較大且含有線性相關(guān)的輸入項(xiàng)，導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效率和訓(xùn)練效果不佳，進(jìn)而影響信號提取的準(zhǔn)確度及檢測的呼吸率的精確度。

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明的目的在于提供一種呼吸率提取方法及裝置，可提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率及訓(xùn)練效果，從而提高信號提取的速度和準(zhǔn)確度，以保證計算得到的呼吸率具有較高的精確度。

本發(fā)明提供了一種呼吸率提取方法，包括：

獲取原始心電信號，并對所述原始心電信號進(jìn)行工頻陷波后得到待處理心電信號；

通過預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對所述待處理心電信號進(jìn)行提取，得到第一呼吸信號，并根據(jù)所述第一呼吸信號計算得到當(dāng)前時刻的第一呼吸率；其中，通過主成分分析法對采集的多導(dǎo)聯(lián)心電信號的每個導(dǎo)聯(lián)的RR間期和R峰幅值構(gòu)成的輸入樣本空間進(jìn)行處理獲得主成分得分矩陣，并根據(jù)所述主成分得分矩陣和目標(biāo)呼吸信號進(jìn)行訓(xùn)練獲得所述神經(jīng)網(wǎng)絡(luò)模型。

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

接收多導(dǎo)聯(lián)心電信號，分別計算每個導(dǎo)聯(lián)心電信號的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2p，p為多導(dǎo)聯(lián)心電信號的導(dǎo)聯(lián)數(shù)；

基于主成本分析法對根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行降維處理，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)呼吸信號為訓(xùn)練樣本對進(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，所述基于主成本分析法對根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行降維處理，得到主成分得分矩陣，具體包括：

對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；

計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量；其中，所述特征根的數(shù)量為2p個，且所述的2p個特征根按照大小排序；

獲取所述的2p個特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個特征根；其中，每個特征根的貢獻(xiàn)率等于所述特征根的值除以全部的2p個特征根的值之和；

根據(jù)與所述的前m個特征根對應(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，還包括：

通過構(gòu)建好的自回歸模型對所述待處理心電信號進(jìn)行提取，得到第二呼吸信號，并根據(jù)所述第二呼吸信號計算得到當(dāng)前時刻的第二呼吸率；

基于信號質(zhì)量指數(shù)，對所述第一呼吸信號和所述第二呼吸信號進(jìn)行分析，得到與所述第一呼吸信號對應(yīng)的第一權(quán)重因子和與所述第二呼吸信號對應(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，計算得到當(dāng)前時刻的呼吸率。

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，計算得到當(dāng)前時刻的呼吸率具體為：

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，將所述第一呼吸率設(shè)置為當(dāng)前時刻的呼吸率；

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，將所述第二呼吸率設(shè)置為當(dāng)前時刻的呼吸率；

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

本發(fā)明還提供一種呼吸率提取裝置，包括:

工頻陷波單元，用于獲取原始心電信號，并對所述原始心電信號進(jìn)行工頻陷波后得到待處理心電信號；

神經(jīng)網(wǎng)絡(luò)提取單元，用于通過預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對所述待處理心電信號進(jìn)行提取，得到第一呼吸信號，并根據(jù)所述第一呼吸信號計算得到當(dāng)前時刻的第一呼吸率；其中，通過主成分分析法對采集的多導(dǎo)聯(lián)心電信號的每個導(dǎo)聯(lián)的RR間期和R峰幅值構(gòu)成的輸入樣本空間進(jìn)行處理獲得主成分得分矩陣，并根據(jù)所述主成分得分矩陣和目標(biāo)呼吸信號進(jìn)行訓(xùn)練獲得所述神經(jīng)網(wǎng)絡(luò)模型。

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，分別計算每個導(dǎo)聯(lián)心電信號的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2p，p為多導(dǎo)聯(lián)心電信號的導(dǎo)聯(lián)數(shù)；

主成分分析單元，用于基于主成本分析法對根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行降維處理，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)呼吸信號為訓(xùn)練樣本對進(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；

特征計算模塊，用于計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量；其中，所述特征根的數(shù)量為2p個，且所述的2p個特征根按照大小排序；

篩選模塊，用于獲取所述的2p個特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個特征根；其中，每個特征根的貢獻(xiàn)率等于所述特征根的值除以全部的2p個特征根的值之和；

得分矩陣獲取模塊，用于根據(jù)與所述的前m個特征根對應(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，還包括：

自回歸提取單元，用于通過構(gòu)建好的自回歸模型對所述待處理心電信號進(jìn)行提取，得到第二呼吸信號，并根據(jù)所述第二呼吸信號計算得到當(dāng)前時刻的第二呼吸率；

信號質(zhì)量分析單元，用于基于信號質(zhì)量指數(shù)，對所述第一呼吸信號和所述第二呼吸信號進(jìn)行分析，得到與所述第一呼吸信號對應(yīng)的第一權(quán)重因子和與所述第二呼吸信號對應(yīng)的第二權(quán)重因子；

呼吸率計算單元，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，計算得到當(dāng)前時刻的呼吸率。

優(yōu)選地，所述呼吸率計算單元具體包括：

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，將所述第一呼吸率設(shè)置為當(dāng)前時刻的呼吸率；

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，將所述第二呼吸率設(shè)置為當(dāng)前時刻的呼吸率；

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

本發(fā)明提供的呼吸率提取方法及裝置，利用主成分分析法對采集的多導(dǎo)聯(lián)心電信號進(jìn)行降維和去相關(guān)處理，得到用于訓(xùn)練的輸入樣本，并以此輸入樣本進(jìn)行訓(xùn)練，得到用于信號提取的神經(jīng)網(wǎng)絡(luò)模型，并以此神經(jīng)網(wǎng)絡(luò)模型對心電信號中的呼吸信號進(jìn)行提取，保證信號提取的速度及準(zhǔn)確度，進(jìn)而保證計算得到的呼吸率的精度。此外，由于神經(jīng)網(wǎng)絡(luò)的非線性，極大得提高映射與實(shí)際值的逼近程度，使得測量結(jié)果更準(zhǔn)確可靠。

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?；诒景l(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的低頻成分，通過去除呼吸頻率以外的信號，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，獲取原始心電信號，并對所述原始心電信號進(jìn)行工頻陷波后得到待處理心電信號。

參見圖2，為根據(jù)本發(fā)明實(shí)施例的原始心電信號的波形圖。所述原始心電信號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)施例的工頻陷波后心電信號圖。

S2，通過預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對所述待處理心電信號進(jìn)行提取，得到第一呼吸信號，并根據(jù)所述第一呼吸信號計算得到當(dāng)前時刻的第一呼吸率；其中，通過主成分分析法對采集的多導(dǎo)聯(lián)心電信號的每個導(dǎo)聯(lián)的RR間期和R峰幅值構(gòu)成的輸入樣本空間進(jìn)行處理獲得主成分得分矩陣，并根據(jù)所述主成分得分矩陣和目標(biāo)呼吸信號進(jìn)行訓(xùn)練獲得所述神經(jīng)網(wǎng)絡(luò)模型。

在本發(fā)明實(shí)施例中，在利用神經(jīng)網(wǎng)絡(luò)模型對所述待處理心電信號進(jìn)行呼吸信號提取時，需先通過訓(xùn)練得到可以用于提取呼吸信號的神經(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)模型的計算：

S3，接收多導(dǎo)聯(lián)心電信號，分別計算每個導(dǎo)聯(lián)心電信號的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，通過計算1導(dǎo)聯(lián)的RR間期，得到x1，計算1導(dǎo)聯(lián)的R峰幅值，得到x2，計算2導(dǎo)聯(lián)的RR間期，得到x3；計算2導(dǎo)聯(lián)的R峰幅值，得到x4；...以此類推得到。

S4，基于主成本分析法對根據(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)的多導(dǎo)聯(lián)心電信號為12導(dǎo)聯(lián)，分別計算每個導(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，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)，不利于計算分析，為此需要利用主成分分析法對其進(jìn)行降維。

具體地，步驟S4可包括：

S41，對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’_ij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。

S42，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：

S43，計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量；其中，所述特征根的數(shù)量為p個，且所述的p個特征根按照大小排序。

其中，DP＝Pλ (6)

當(dāng)只考慮第j個特征值時，有DP_j＝P_jλ_j，即求解|D-λ_jI|＝0。依次解出各個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應(yīng)的特征向量P，進(jìn)而特征方程求解完成。

S44，獲取所述的p個特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個特征根；其中，每個特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個特征根的值之和。

首先，計算單個主成分的貢獻(xiàn)率并進(jìn)行累計，根據(jù)累計貢獻(xiàn)率確定主成分的個數(shù)m，從而確定所需要選取的主成分。貢獻(xiàn)率的計算公式如公式(7)所述。累計貢獻(xiàn)率即前m個貢獻(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)依次對特征根進(jìn)行累加，當(dāng)累計貢獻(xiàn)率大于Dmax時，停止計算，此時累計計算的特征根λ的數(shù)目為m，則只需要選取前m個主成分即可。

S45，根據(jù)與所述的前m個特征根對應(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主成分分別對應(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。

S5，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)呼吸信號為訓(xùn)練樣本對進(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，每層都對應(yīng)一個相應(yīng)的函數(shù)。在訓(xùn)練時，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(可取其他值，當(dāng)前情況下，1個已能夠滿足要求)，隱層節(jié)點(diǎn)數(shù)為K個，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中提取得到如圖4所示的第一呼吸信號，此后，即可根據(jù)所述第一呼吸信號計算得到第一呼吸率。

具體地，可通過求極值法在所述第一呼吸信號的波形圖中尋找第一呼吸信號的波峰(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波峰之間的時間間隔，以得到當(dāng)前時刻的周期T。

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

例如，R1＝60/T1。

在本發(fā)明實(shí)施例中，利用主成分分析法對采集的多導(dǎo)聯(lián)心電信號進(jìn)行降維和去相關(guān)處理，得到用于訓(xùn)練的輸入樣本，并以此輸入樣本進(jìn)行訓(xùn)練，得到用于信號提取的神經(jīng)網(wǎng)絡(luò)模型，并以此神經(jīng)網(wǎng)絡(luò)模型對心電信號中的呼吸信號進(jìn)行提取，保證信號提取的速度及準(zhǔn)確度，進(jìn)而保證計算得到的呼吸率的精度。此外，由于神經(jīng)網(wǎng)絡(luò)的非線性，極大得提高映射與實(shí)際值的逼近程度，使得測量結(jié)果更準(zhǔn)確可靠。

為了便于對本發(fā)明的理解，下面將對本發(fā)明的一些優(yōu)選實(shí)施例做更進(jìn)一步的描述。

優(yōu)選地，在步驟S2之后，還包括：

S6，通過構(gòu)建好的自回歸模型對所述待處理心電信號進(jìn)行提取，得到第二呼吸信號，并根據(jù)所述第二呼吸信號計算得到當(dāng)前時刻的第二呼吸率。

在本優(yōu)選實(shí)施例中，利用所述自回歸模型對所述待處理心電信號進(jìn)行提取時，需先構(gòu)建自回歸模型，其構(gòu)建過程如下：

對于自回歸模型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)前時刻的觀測y_t由過去p個歷史時刻的觀測值和一個當(dāng)前時刻的隨機(jī)干擾來表示。

在本優(yōu)選實(shí)施例中，為了降噪，尤其是白噪聲，還可利用滑動平均法來優(yōu)化自回歸模型，假設(shè)滑動平均法的階數(shù)為q，則θ(B)＝1-θ₁-...-θ_qB^q，滑動平均模型MA(q)如公式11所示，當(dāng)前時刻的觀測y_t由過去q個歷史時刻的觀測值和一個當(dāng)前時刻的隨機(jī)干擾來表示，y_t為時間序列的當(dāng)前值；a_t為隨機(jī)干擾。利用該模型對自回歸模型進(jìn)行優(yōu)化，則可得到自回歸-滑動平均模型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)

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

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的波形圖。

在本發(fā)明實(shí)施例二中，在獲得所述第二呼吸信號后，即可計算第二呼吸率R2，具體為：

通過求極值法在所述第二呼吸信號的波形圖中尋找第二呼吸信號的波峰(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波峰之間的時間間隔，以得到周期T2。

根據(jù)采樣率換算即可得到實(shí)時的第二呼吸率R2。

S7，基于信號質(zhì)量指數(shù)，對所述第一呼吸信號和所述第二呼吸信號進(jìn)行分析，得到與所述第一呼吸信號對應(yīng)的第一權(quán)重因子和與所述第二呼吸信號對應(yīng)的第二權(quán)重因子。

具體為：

對所述第一呼吸信號和所述第二呼吸信號進(jìn)行功率譜分析(或峰值譜分析)，分析所述第一呼吸信號和所述第二呼吸信號的譜分布，得到與所述第一呼吸信號對應(yīng)的第一權(quán)重因子和與所述第二呼吸信號對應(yīng)的第二權(quán)重因子。

S8，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，計算得到當(dāng)前時刻的呼吸率。

在一個優(yōu)選實(shí)施例中，可通過對所述第一呼吸率、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。

在另一個實(shí)施例中，計算得到當(dāng)前時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，將所述第一呼吸率設(shè)置為當(dāng)前時刻的呼吸率。

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

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

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

即：R＝μ1*R1+μ2*R2。

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

本優(yōu)選實(shí)施例中，通過利用經(jīng)主成分分析優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型與自回歸時間序列技術(shù)相結(jié)合的方式處理心電信號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應(yīng)的第一權(quán)重因子和與所述第二呼吸率對應(yīng)的第二權(quán)重因子得到當(dāng)前時刻的呼吸率，計算結(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量波動或誤差，從而能夠得到更為準(zhǔn)確穩(wěn)定的測量結(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：

工頻陷波單元10，用于獲取原始心電信號，并對所述原始心電信號進(jìn)行工頻陷波后得到待處理心電信號。

神經(jīng)網(wǎng)絡(luò)提取單元20，用于通過預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對所述待處理心電信號進(jìn)行提取，得到第一呼吸信號，并根據(jù)所述第一呼吸信號計算得到當(dāng)前時刻的第一呼吸率；其中，通過主成分分析法對采集的多導(dǎo)聯(lián)心電信號的每個導(dǎo)聯(lián)的RR間期和R峰幅值構(gòu)成的輸入樣本空間進(jìn)行處理獲得主成分得分矩陣，并根據(jù)所述主成分得分矩陣和目標(biāo)呼吸信號進(jìn)行訓(xùn)練獲得所述神經(jīng)網(wǎng)絡(luò)模型。

在本發(fā)明實(shí)施例中，利用主成分分析法對采集的多導(dǎo)聯(lián)心電信號進(jìn)行降維和去相關(guān)處理，得到用于訓(xùn)練的輸入樣本，并以此輸入樣本進(jìn)行訓(xùn)練，得到用于信號提取的神經(jīng)網(wǎng)絡(luò)模型，并以此神經(jīng)網(wǎng)絡(luò)模型對心電信號中的呼吸信號進(jìn)行提取，保證信號提取的速度及準(zhǔn)確度，進(jìn)而保證計算得到的呼吸率的精度。此外，由于神經(jīng)網(wǎng)絡(luò)的非線性，極大得提高映射與實(shí)際值的逼近程度，使得測量結(jié)果更準(zhǔn)確可靠。

其中，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30，用于接收多導(dǎo)聯(lián)心電信號，分別計算每個導(dǎo)聯(lián)心電信號的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)心電信號的導(dǎo)聯(lián)數(shù)；

主成分分析單元40，用于基于主成本分析法對根據(jù)所述輸入樣本空間形成的協(xié)方差矩陣進(jìn)行降維處理，得到主成分得分矩陣；

神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元50，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)呼吸信號為訓(xùn)練樣本對進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，獲得神經(jīng)網(wǎng)絡(luò)模型。

其中，優(yōu)選地，

所述主成分分析單元40具體包括：

標(biāo)準(zhǔn)化處理模塊41，用于對所述輸入樣本空間數(shù)據(jù)標(biāo)準(zhǔn)化處理；

協(xié)方差矩陣計算模塊42，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；

特征計算模塊43，用于計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量；其中，所述特征根的數(shù)量為p個，且所述的p個特征根按照大小排序；

篩選模塊44，用于獲取所述的p個特征根中，貢獻(xiàn)率之和大于預(yù)定閾值的前m個特征根；其中，每個特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個特征根的值之和；

得分矩陣獲取模塊45，用于根據(jù)與所述的前m個特征根對應(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，優(yōu)選地，所述呼吸率提取裝置100還包括：

自回歸提取單元60，用于通過構(gòu)建好的自回歸模型對所述待處理心電信號進(jìn)行提取，得到第二呼吸信號，并根據(jù)所述第二呼吸信號計算得到當(dāng)前時刻的第二呼吸率；

信號質(zhì)量分析單元70，用于基于信號質(zhì)量指數(shù)，對所述第一呼吸信號和所述第二呼吸信號進(jìn)行分析，得到與所述第一呼吸信號對應(yīng)的第一權(quán)重因子和與所述第二呼吸信號對應(yīng)的第二權(quán)重因子；

呼吸率計算單元80，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，計算得到當(dāng)前時刻的呼吸率。

其中，所述呼吸率計算單元80具體包括：

第一判斷模塊81，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，將所述第一呼吸率設(shè)置為當(dāng)前時刻的呼吸率；

第二判斷模塊82，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，將所述第二呼吸率設(shè)置為當(dāng)前時刻的呼吸率；

第三判斷模塊83，用于當(dāng)判斷所述第一權(quán)重因子計所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對所述第一呼吸率和第二呼吸率進(jìn)行加權(quán)求和，計算得到當(dāng)前時刻的呼吸率。

本優(yōu)選實(shí)施例中，通過利用經(jīng)主成分分析優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型與自回歸時間序列技術(shù)相結(jié)合的方式處理心電信號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應(yīng)的第一權(quán)重因子和與所述第二呼吸率對應(yīng)的第二權(quán)重因子得到當(dāng)前時刻的呼吸率，計算結(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量波動或誤差，從而能夠得到更為準(zhǔn)確穩(wěn)定的測量結(jié)果。

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，所述的程序可存儲于一計算機(jī)可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機(jī)存儲記憶體(Random Access Memory，RAM)等。