光电容积脉搏波的质量评估方法与流程

本发明涉及医疗数字计算领域，特别涉及一种光电容积脉搏波的质量评估方法。
背景技术：
：光电容积脉搏波(photoplethysmogram，简称ppg)信号已经被用于测量很多生理参数，包括心率、血氧饱和度、呼吸频率等。然而这些参数测量的准确度依赖于采集到的信号的质量。在实际中，ppg信号经常会受到背景光、运动等因素的干扰。当干扰十分严重时，难以通过滤波方法得到可用的ppg信号。如果继续在这样的信号上进行各类生理参数的测量，其结果将会不准确。技术实现要素：本发明的目的是为了提高光电容积脉搏波的质量，提出一种光电容积脉搏波的质量评估方法。为解决上述技术问题，本发明采用以下技术方案：一种光电容积脉搏波的质量评估方法，包括建立质量评估模型和评估信号的质量；所述建立质量评估模型包括：获取脉搏波及脉搏波质量信息的训练样本数据集；对训练样本中的脉搏波提取频域和时间序列特征，所述频域包括功率谱信息，所述时间序列特征包括关联维、盒维数、模糊熵和lempei-ziv复杂度；将频域和时间序列特征作为svm模型的输入，将质量信息作为svm模型的输出，在训练样本上进行训练，获取脉搏波质量评估模型；所述评估信号质量包括：采集脉搏波数据，提取频域和时间序列特征；将提取的特征参数输入到已建立的脉搏波质量评估模型中，得到脉搏波质量评估的结果。在一些优选的实施方式中，提取频域包括：将原始脉搏波信号变换到频域空间上的信号；计算功率谱；选择频域范围；将各个样本的选出的功率谱密度归一化到[0,1]区间；主成分分析及降维，得到n个特征；对得到的特征进行归一化处理。在一些优选的实施方式中，提取时间序列特征包括：计算提取到的时间序列特征；对得到的特征进行归一化处理。在一些优选的实施方式中，所述svm模型采用的核函数为径向基核函数：φ(u，v)＝exp(-r*|u-v|2)训练好的模型的决策函数为：其中，n为训练得到的模型中的支持向量的数量，xi为第i个支持向量，x为待预测的样本的特征向量，wi为模型的系数，b为模型的常量。在进一步优选的实施方式中，所述选择频域范围选择0.1～20hz范围内的所有功率谱密度。在进一步优选的实施方式中，所述将原始脉搏波信号变换到频域空间上的信号采用快速傅里叶变换。在一些优选的实施方式中，脉搏波质量评估的结果为两种。在进一步优选的实施方式中，所述主成分分析及降维提取原始数据的80％至90％的主成分。在一些优选的实施方式中，关联维的计算采用的是g-p算法，盒维数的计算采用的是时间序列曲线盒维数的一种快速算法，模糊熵的计算是fuzzyen算法，lempei-ziv复杂度的计算采用的是lempei-ziv复杂度算法。在另一方面，本发明还提供一种计算机可读存储介质：一种计算机可读存储介质，其存储有与计算设备结合使用的计算机程序，所述计算机程序被处理器执行以实现上述方法。与现有技术相比，本发明的有益效果有：建立质量评估模型和评估信号质量提取的都是脉搏波的频域和时间序列特征，而时间序列特征包括关联维、盒维数、模糊熵和lempei-ziv复杂度，这些时间序列特征从不同方面反映了脉搏波的状况，本发明将这些特征综合在一起，全面反映了脉搏波的状况，使得质量评估结果更准确。同时，时间序列特征描述的是整段脉搏波信号的特征，与周期无关，因此在提取的时候不需要进行预处理和周期分割等操作，方便提取。在优选的实施方式中，本发明还具有如下有益效果：进一步地，svm具有优秀的泛化能力，因为其本身的优化目标是结构化风险最小，而不是经验风险最小，通过最大化分类边际的思想，可得到特征空间划分的最优超平面，特别适合于二维结果的评估，而本发明的脉搏波质量评估的结果为两种，进一步提升了评估结果的准确度。附图说明图1为光电容积脉搏波的质量评估方法的流程图；图2为步骤s121的流程图。具体实施方式以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。参考图1，光电容积脉搏波的质量评估方法包括两部分：s100、建立质量评估模型；s200、评估信号的质量。参考图1，具体的，s100、建立质量评估模型包括如下步骤：s110、获取脉搏波及脉搏波质量信息的训练样本数据集；脉搏波及其质量信息的获取可以通过带有脉搏波质量标记的公开数据库整理得到，也可通过自己采集并对各段脉搏波质量信息进行标定得到。这里的脉搏波质量信息分为两种：质量好的可用脉搏波，质量差的不可用脉搏波。s120、对训练样本中的脉搏波提取频域和时间序列特征，频域包括功率谱信息，时间序列特征包括关联维、盒维数、模糊熵和lempei-ziv复杂度；步骤s120具体包括：s121、信号频域特征的提取及其处理和s122、时间序列特征的提取；步骤s121、信号频域特征的提取及其处理，主要是提取出脉搏波的功率谱信息，参考图2，具体包括：s1211、将原始脉搏波信号变换到频域空间上的信号；采用快速傅里叶变换直接将原始脉搏波信号变换到频域空间上的信号；s1212、计算功率谱；将频域空间上的信号求幅值，可得信号在各个频率上的功率谱密度。s1213、选择频域范围；脉搏波主要有效信号范围在0.2～45hz之间，主要能量范围在0.2～20hz之间。选择0.1～20hz范围内的所有功率谱密度，有效保留了脉搏波信号的主要特征。实验结果表明(参见表二)，该范围的效果较好。s1214、将各个样本的选出的功率谱密度归一化到[0,1]区间；这一步是数据标准化，将各个样本的选出的功率谱密度归一化到[0,1]区间。公式如下：fn[i]＝f[i]-fmin/fmax-fmin其中，f[i]为该样本功率谱的第i个数据点，fn[i]为该点标准化之后的值，fmin和fmax分别为该样本功率谱密度中的最小值和最大值。将各个样本的选出的功率谱密度归一化到[0,1]区间，将信号标准化，便于质量评估，提高评估的准确度。s1215、主成分分析及降维，得到n个特征；对s1214中得到的所有样本特征组成的矩阵进行主成分(principalcomponentanalysis，简称pca)分析，并降维，提取原始数据的90％的主成分，得到新的特征，并保存pca分析中得到的特征向量(用于在脉搏波质量评估过程中的降维操作)。设这里得到了n维特征，即每个样本经转换后得到n个特征。为进一步降低计算量，也可以提取原始数据的80％的主成分。在实验中，选用带有脉搏波质量标记的公开数据库mimicii作为实验数据，对这些实验数据进行主成分分析及降维，结果如下表一所示。降维保证了大多数的主成分，降低了计算量，最终的实验结果(参见表二)表明也保证了较好的评估结果。表一不同百分比的主成分(pca)对应的维数序号pca百分比维数180％11290％15399％24499.9％345100％163s1216、对得到的特征进行归一化处理。对上一步得到的特征进行归一化处理，公式如下：pn[i]＝p[i]-pmin/pmax-pmin其中，p[i]为第i个样本的某一维特征，fn[i]为该特征标准化之后的值。fmin和fmax分别为所有样本中该维特征中的最小值和最大值。步骤s122、时间序列特征的提取，具体包括：s1221、计算提取到的时间序列特征；该过程提取的特征有四个，分别是关联维，盒维数，模糊熵和lempei-ziv复杂度。关联维的计算采用的是g-p算法，该算法在期刊《计算物理》1999年第16卷的论文《从混沌时间序列同时计算关联维和kolmogorov熵》中有详细的介绍；盒维数的计算采用的是时间序列曲线盒维数的一种快速算法，该算法在期刊《系统工程》2000年第18卷的论文《时间序列曲线盒维数的一种快速算法》中有详细的介绍；模糊熵的计算是fuzzyen算法，该算法在期刊《medicalengineering&physics》2009年第31卷的论文《measuringcomplexityusingfuzzyen,apen,andsampen》中有详细的介绍；lempei-ziv复杂度(a.lempei和j.ziv于1976年提出了一种简单易行的复杂度算法，称为lempei-ziv复杂度)的计算采用的是lempei-ziv复杂度算法，该算法在期刊《复杂系统与复杂性科学》2005年第2卷的论文《lempel-ziv复杂度在非线性检测中的应用研究》中有详细的介绍。综合上述四种时间序列特征，这里每个样本将得到了四维时间序列特征。s1222、对得到的特征进行归一化处理。该过程与步骤s1216相同。s130、将频域和时间序列特征作为svm模型的输入，将质量信息作为svm模型的输出，在训练样本上进行训练，获取脉搏波质量评估模型。将上述得到的各个样本的所有特征和对应的质量信息输入到svm算法中得到训练好的svm模型。该svm模型采用的核函数为径向基核函数，具体公式如下：φ(u，v)＝exp(-r*|u-v|2)训练好的模型的决策函数为：其中，sgn()为符号函数，exp是指数函数，n为训练得到的模型中的支持向量的数量，xi为第i个支持向量，x为待预测的样本的特征向量，wi为模型的系数，b为模型的常量；r是与样本的训练拟合度相关的参数，实际中根据训练效果设定。参考图1，s200、评估信号的质量包括如下步骤：s210、采集脉搏波数据，提取频域和时间序列特征；这里的脉搏波信号为待评估的脉搏波信号，可以为新采集的脉搏波信号，也可以为待分析的脉搏波信号。提取频域和时间序列特征，具体方法与步骤s100中的相同。然后对得到的数据进行降维处理，降维所使用的特征向量为步骤s1215中进行pca分析所保存的特征向量。s220、将提取的特征参数输入到已建立的脉搏波质量评估模型中，得到脉搏波质量评估的结果。步骤s220采用的svm模型为步骤s130中建立的质量评估模型，将得到的特征向量输入模型，即可得到模型对该段脉搏波信号质量的评估结果。脉搏波质量评估的结果为两种，分别是可用和不可用。svm具有优秀的泛化能力，因为其本身的优化目标是结构化风险最小，而不是经验风险最小，通过最大化分类边际的思想，可得到特征空间划分的最优超平面，特别适合于二维结果的评估，而本发明的脉搏波质量评估的结果为两种，可进一步提升评估结果的准确度。在实验中，选用带有脉搏波质量标记的公开数据库mimicii作为实验数据，该数据包括测试数据集和训练数据集，质量信息分为质量好的可用脉搏波和质量差的不可用脉搏波。使用本发明的方法对测试数据集和训练数据集进行评估，对评估的结果从灵敏度、特异度和精确度进行统计，得到的统计结果如下表二。表二实验结果统计对照组为现有技术的质量评估的统计结果。与对照组相比，无论是测试数据集还是训练数据集，本发明的表现都较好，特别是对于测试数据集，本发明在特异度的表现更突出。根据上述可知，建立质量评估模型和评估信号质量提取的都是脉搏波的频域和时间序列特征，而时间序列特征包括关联维、盒维数、模糊熵和lempei-ziv复杂度，这些时间序列特征从不同方面反映了脉搏波的状况，本发明将这些特征综合在一起，全面反映了脉搏波的状况，使得质量评估结果更准确。同时，时间序列特征描述的是整段脉搏波信号的特征，与周期无关，因此在提取的时候不需要进行预处理和周期分割等操作，方便提取。svm是一种有坚实理论基础的新颖的小样本学习方法，在少量训练数据样本下也可以得到很好的效果；svm的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，少数支持向量决定了最终结果，这不但可以抓住关键样本、剔除大量冗余样本，还使得该方法不但算法简单，具有较好的鲁棒性，从而使得本发明具有计算量小、准确度高的特点。本发明还提供一种计算机可读存储介质，其存储有与计算设备结合使用的计算机程序，该计算机程序被处理器执行以实现上述方法。以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属
技术领域：
的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。当前第1页12