一种基于小波分析的呼吸异常监测方法及系统与流程
本发明涉及呼吸监测的技术领域，尤其涉及一种基于小波分析的呼吸异常监测方法及系统。
背景技术：
随着科学技术的不断进步，人们越来越重视自己的身体健康，如何更为便捷地对身体健康状况进行监测成为亟待解决的问题。
呼吸监测方法是比较常见的预防呼吸暂停综合征突然发作的方法，当患有睡眠呼吸暂停综合征的患者睡眠期间出现呼吸暂停的情况时，呼吸监测系统就可以在第一时间发现此状况并发出警报，这样为其突发性呼吸暂停的救治赢得宝贵的时间。
传统的呼吸监测方法为利用压力传感器监测呼吸，这种方法的原理是当受试者呼出空气时，传感器监测的压力增加，从而监测到患者的呼吸，然而患者必须佩戴沉重并且不灵活的口罩和不舒服的鼻插管，会对患者的呼吸造成负面影响。
鉴于此，如何实现更为简单、便捷的呼吸异常监测，成为本领域技术人员亟待解决的问题。
技术实现要素：
本发明提供一种基于小波分析的呼吸异常监测方法，通过利用湿度传感器监测到用户的呼吸波形信号，并利用基于插值函数的拟合方法确定呼吸波形信号的频带边界，基于所确定的频带边界设计小波滤波器，利用小波滤波器对呼吸波形信号进行自适应分解处理，并利用小波阈值函数对分解信号进行降噪处理，利用随机森林模型对降噪后的呼吸信号进行呼吸异常识别。
为实现上述目的，本发明提供的一种基于小波分析的呼吸异常监测方法，包括：
设计湿度传感器，利用湿度传感器监测到用户的呼吸波形信号；
利用基于插值函数的拟合方法对呼吸波形信号进行拟合，确定呼吸波形信号的频带边界；
根据所确定的频带边界设计小波滤波器，利用小波滤波器对呼吸波形信号进行自适应分解处理，得到自适应分解信号；
利用小波阈值函数对自适应分解信号进行降噪处理，得到降噪信号；
利用随机森林模型对降噪后的呼吸信号进行呼吸异常识别监测。
可选地，所述利用湿度传感器监测到用户的呼吸波形信号，包括：
在本发明一个具体实施例中，本发明将含巯基倍半硅氧烷作为疏水的基体材料，将乙烯基己基咪唑溴盐作为感湿基团，利用原位烯-巯点击化学中的一步法制备得到电阻型高分子湿敏元件；
所述根据湿度传感器在不同环境下的阻抗变化计算用户的实时呼吸波形信号的流程为：
1)读取湿敏元件在不同湿度环境下的振荡频率；其中湿敏元件的输出信号为方波信号；
2)在同一恒定温度t0下，利用频率补偿公式对湿敏元件的频率进行频率补偿处理，所述频率补偿公式为：
f′＝f+(t-t0)*1.5
其中：
t0为当前环境温度；
t为标准温度，将其设置为20摄氏度；
f为所读取的湿敏元件频率；
f′为补偿后的湿敏元件频率；
3)将不同的相对湿度值分别为11％rh、51％rh、72％rh、85％rh的频率作为标准点，并根据标准点绘制出湿敏元件频率随湿度的变化曲线；
4)当测得未知湿度的输出频率，利用分段线性插值法计算得到用户呼出的湿度值；所述分段线性插值法的公式为：
其中：
x为待测的未知湿度值；
y为所监测到的湿敏元件频率；
(a0，b0)和(a1，b1)为未知湿度值所在频率区间的标准点；
将用户湿度变化的波形作为用户的实时呼吸波形，并将用户的湿度波形信号作为用户的实时呼吸波形信号。
可选地，所述利用基于插值函数的拟合方法对呼吸波形信号进行拟合，包括：
1)对呼吸波形信号进行离散傅里叶变换处理，得到x(k)；
2)利用离散尺度空间公式对x(k)进行离散空间表达处理，所述离散尺度空间公式为：
l(k，δ)＝g(k,δ)x(k)
其中：
g(k，δ)为离散高斯核，可进行迭代卷积；
δ为比例系数；
通过不断对离散高斯核进行迭代卷积处理，得到若干不同的尺度l(k，δ)；
3)x(k)在x轴的局部极小值i生成不同尺度的空间曲线，若局部极小值i对应的空间曲线长度小于阈值，则该局部极小值i对应的x轴坐标即为呼吸波形信号的信号边界wi；在本发明一个具体实施例中，本发明利用otsu算法确定空间曲线长度阈值；
4)根据所确定的m个信号边界，将x(k)划分为m个分段，对应的信号边界为w＝{w0,…,wm-1}，其中w0＝0，wm-1为所监测到的湿敏元件频率；
5)在每个分段i内搜索幅值谱x(k)的最大值xi，max，得到m个离散幅值q＝{(x1，max，x1)，…，(xm，max,xm)}，其中xi表示第i个分段内xi,max的横坐标；利用二次样条插值法对q进行拟合，得到曲线y(k)；
6)利用曲线y(k)极小值点的对应频率将x(k)划分为n个频段，这些频段对应的区间边界为w′＝{w′0，…，w′n-1}，即为呼吸波形信号的频带边界。
可选地，所述利用小波滤波器对呼吸波形信号进行自适应分解处理，包括：
所述小波滤波器为：
其中：
β(x)＝x4(35-84x+70x2-20x3)；
εi为第i个频段的控制参数；
利用小波滤波器将呼吸波形信号x(t)进行自适应分解，分解结果如下：
其中：
xi(t)表示第i个频段的呼吸波形信号；
在本发明一个具体实施例中，最终分解得到的自适应分解信号为{x′1(t)，…，x′i(t)，…，x′n(t)}，其中n为所划分的频段数量。
可选地，所述利用小波阈值函数对自适应分解信号进行降噪处理，包括：
所述小波阈值函数为：
其中：
λ为临界阈值。
可选地，所述利用随机森林模型对降噪后的呼吸信号进行呼吸识别监测，包括：
获取n个正常呼吸信号和异常呼吸信号，并将这些信号作为训练集；对训练集进行m轮自助采样(有放回的重复独立采样)，获得m个包含n个训练样本的训练集，再基于这些训练集训练出m棵未剪枝的决策树；
对于每棵决策树，采用基尼系数指标进行决策树的剪枝处理；
采取投票的方式确定最优决策树，并将降噪后的呼吸信号输入到最优决策树中，最终决策树的输出结果为正常呼吸信号/异常呼吸信号。
此外，为实现上述目的，本发明还提供一种基于小波分析的呼吸异常监测系统，所述系统包括：
呼吸信号获取装置，用于利用湿度传感器监测到用户的呼吸波形信号；
数据处理器，用于利用基于插值函数的拟合方法对呼吸波形信号进行拟合，确定呼吸波形信号的频带边界；根据所确定的频带边界设计小波滤波器，利用小波滤波器对呼吸波形信号进行自适应分解处理，得到自适应分解信号；利用小波阈值函数对自适应分解信号进行降噪处理，得到降噪信号；
呼吸异常监测装置，用于利用随机森林模型对降噪后的呼吸信号进行呼吸异常识别监测。
此外，为实现上述目的，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上存储有呼吸异常监测程序指令，所述呼吸异常监测程序指令可被一个或者多个处理器执行，以实现如上所述的基于小波分析的呼吸异常监测的实现方法的步骤。
相对于现有技术，本发明提出一种基于小波分析的呼吸异常监测方法，该技术具有以下优势：
首先，本发明利用电阻型高分子湿敏元件设计湿度传感器，根据湿度传感器在不同环境下的阻抗变化计算得到用户的实时呼吸波形信号，在本发明一个具体实施例中，本发明将含巯基倍半硅氧烷作为疏水的基体材料，将乙烯基己基咪唑溴盐作为感湿基团，利用原位烯-巯点击化学中的一步法制备得到电阻型高分子湿敏元件；所述根据湿度传感器在不同环境下的阻抗变化计算用户的实时呼吸波形信号的流程为：读取湿敏元件在不同湿度环境下的振荡频率；其中湿敏元件的输出信号为方波信号；同时由于电阻型高分子湿敏元件随温度的变化其感湿程度会发生变化，因此要加入温度补偿，即在同一恒定温度t0下，利用频率补偿公式对湿敏元件的频率进行频率补偿处理，所述频率补偿公式为：
f′＝f+(t-t0)*1.5
其中：t0为当前环境温度；t为标准温度，将其设置为20摄氏度；f为所读取的湿敏元件频率；f′为补偿后的湿敏元件频率；将不同的相对湿度值分别为11％rh、51％rh、72％rh、85％rh的频率作为标准点，并根据标准点绘制出湿敏元件频率随湿度的变化曲线；当测得未知湿度的输出频率，利用分段线性插值法计算得到用户呼出的湿度值；所述分段线性插值法的公式为：
其中：x为待测的未知湿度值；y为所监测到的湿敏元件频率；(a0,b0)和(a1,b1)为未知湿度值所在频率区间的标准点；通过将用户湿度变化的波形作为用户的实时呼吸波形，从而有效将用户的实时呼吸波形信号进行表征。
同时本发明利用基于插值函数的拟合方法对呼吸波形信号进行拟合，确定呼吸波形信号的频带边界。首先对呼吸波形信号进行离散傅里叶变换处理，得到x(k)；并利用离散尺度空间公式对x(k)进行离散空间表达处理，所述离散尺度空间公式为：
l(k,δ)＝g(k,δ)x(k)
其中：g(k，δ)为离散高斯核，可进行迭代卷积；δ为比例系数；通过不断对离散高斯核进行迭代卷积处理，得到若干不同的尺度l(k,δ)；利用x(k)在x轴的局部极小值i生成不同尺度的空间曲线，若局部极小值i对应的空间曲线长度小于阈值，则该局部极小值i对应的x轴坐标即为呼吸波形信号的信号边界wi；根据所确定的m个信号边界，将x(k)划分为m个分段，对应的信号边界为w＝{w0，…，wm-1}，其中w0＝0，wm-1为所监测到的湿敏元件频率；在每个分段i内搜索幅值谱x(k)的最大值xi,max，得到m个离散幅值q＝{(x1,max，x1)，…，(xm，max，xm)}，其中xi表示第i个分段内xi,max的横坐标；利用二次样条插值法对q进行拟合，得到曲线y(k)；利用曲线y(k)极小值点的对应频率将x(k)划分为n个频段，这些频段对应的区间边界为w′＝{w′0,…,w′n-1}，即为呼吸波形信号的频带边界。相较于传统算法中峭度指标受噪声的干扰较大，本发明利用基于离散尺度空间的尺度表达方法进行启发式频带边界的确定，根据所确定的频带边界进行自适应信号分解，最后本发明利用小波阈值函数对自适应分解信号进行降噪处理，所述小波阈值函数为：
其中：
附图说明
图1为本发明一实施例提供的一种基于小波分析的呼吸异常监测方法的流程示意图；
图2为本发明一实施例提供的一种基于小波分析的呼吸异常监测系统的结构示意图；
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。
通过利用湿度传感器监测到用户的呼吸波形信号，并利用基于插值函数的拟合方法确定呼吸波形信号的频带边界，基于所确定的频带边界设计小波滤波器，利用小波滤波器对呼吸波形信号进行自适应分解处理，并利用小波阈值函数对分解信号进行降噪处理，利用随机森林模型对降噪后的呼吸信号进行呼吸异常识别。参照图1所示，为本发明一实施例提供的基于小波分析的呼吸异常监测方法示意图。
在本实施例中，基于小波分析的呼吸异常监测方法包括：
s1、设计湿度传感器，利用湿度传感器监测到用户的呼吸波形信号。
首先，本发明利用电阻型高分子湿敏元件设计湿度传感器，根据湿度传感器在不同环境下的阻抗变化计算得到用户的实时呼吸波形信号，在本发明一个具体实施例中，本发明将含巯基倍半硅氧烷作为疏水的基体材料，将乙烯基己基咪唑溴盐作为感湿基团，利用原位烯-巯点击化学中的一步法制备得到电阻型高分子湿敏元件；
所述根据湿度传感器在不同环境下的阻抗变化计算用户的实时呼吸波形信号的流程为：
1)读取湿敏元件在不同湿度环境下的振荡频率；其中湿敏元件的输出信号为方波信号；
2)在同一恒定温度t0下，利用频率补偿公式对湿敏元件的频率进行频率补偿处理，所述频率补偿公式为：
f′＝f+(t-t0)*1.5
其中：
t0为当前环境温度；
t为标准温度，将其设置为20摄氏度；
f为所读取的湿敏元件频率；
f′为补偿后的湿敏元件频率；
3)将不同的相对湿度值分别为11％rh、51％rh、72％rh、85％rh的频率作为标准点，并根据标准点绘制出湿敏元件频率随湿度的变化曲线；
4)当测得未知湿度的输出频率，利用分段线性插值法计算得到用户呼出的湿度值；所述分段线性插值法的公式为：
其中：
x为待测的未知湿度值；
y为所监测到的湿敏元件频率；
(a0，b0)和(a1，b1)为未知湿度值所在频率区间的标准点；
将用户湿度变化的波形作为用户的实时呼吸波形，并将用户的湿度波形信号作为用户的实时呼吸波形信号。
s2、利用基于插值函数的拟合方法对呼吸波形信号进行拟合，确定呼吸波形信号的频带边界。
进一步地，本发明利用基于插值函数的拟合方法对呼吸波形信号进行拟合，所述拟合流程为：
1)对呼吸波形信号进行离散傅里叶变换处理，得到x(k)；
2)利用离散尺度空间公式对x(k)进行离散空间表达处理，所述离散尺度空间公式为：
l(k，δ)＝g(k,δ)x(k)
其中：
g(k，δ)为离散高斯核，可进行迭代卷积；
δ为比例系数；
通过不断对离散高斯核进行迭代卷积处理，得到若干不同的尺度l(k，δ)；
3)x(k)在x轴的局部极小值i生成不同尺度的空间曲线，若局部极小值i对应的空间曲线长度小于阈值，则该局部极小值i对应的x轴坐标即为呼吸波形信号的信号边界wi；在本发明一个具体实施例中，本发明利用otsu算法确定空间曲线长度阈值；
4)根据所确定的m个信号边界，将x(k)划分为m个分段，对应的信号边界为w＝{w0,…，wm-1}，其中w0＝0，wm-1为所监测到的湿敏元件频率；
5)在每个分段i内搜索幅值谱x(k)的最大值xi,max，得到m个离散幅值q＝{(x1,max,x1)，…，(xm，max，xm)}，其中xi表示第i个分段内xi，max的横坐标；利用二次样条插值法对q进行拟合，得到曲线y(k)；
6)利用曲线y(k)极小值点的对应频率将x(k)划分为n个频段，这些频段对应的区间边界为w′＝{w′0，…,w′n-1}，即为呼吸波形信号的频带边界。
s3、根据所确定的频带边界设计小波滤波器，利用小波滤波器对呼吸波形信号进行自适应分解处理，得到自适应分解信号。
进一步地，本发明根据所确定的频带边界设计小波滤波器，所述小波滤波器为：
其中：
β(x)＝x4(35-84x+70x2-20x3)；
εi为第i个频段的控制参数；
进一步地，本发明利用小波滤波器将呼吸波形信号x(t)进行自适应分解，分解结果如下：
其中：
xi(t)表示第i个频段的呼吸波形信号；
在本发明一个具体实施例中，最终分解得到的自适应分解信号为{x′1(t),…,x′i(t)，…，x′n(t)}，其中n为所划分的频段数量。
s4、利用小波阈值函数对自适应分解信号进行降噪处理，得到降噪信号。
进一步地，本发明利用小波阈值函数对自适应分解信号进行降噪处理，所述小波阈值函数为：
其中：
λ为临界阈值。
s5、利用随机森林模型对降噪后的呼吸信号进行呼吸异常识别监测。
进一步地，本发明利用随机森林模型对降噪后的呼吸信号进行呼吸异常识别监测，所述呼吸异常识别监测流程为：
获取n个正常呼吸信号和异常呼吸信号，并将这些信号作为训练集；对训练集进行m轮自助采样(有放回的重复独立采样)，获得m个包含n个训练样本的训练集，再基于这些训练集训练出m棵未剪枝的决策树；
对于每棵决策树，采用基尼系数指标进行决策树的剪枝处理；
采取投票的方式确定最优决策树，并将降噪后的呼吸信号输入到最优决策树中，最终决策树的输出结果为正常呼吸信号/异常呼吸信号。
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：inter(r)core(tm)i7-6700kcpu，软件为matlab2018a；对比方法为基于svm的呼吸异常监测方法以及基于rnn的呼吸异常监测方法。
在本发明所述算法实验中，数据集为10g的呼吸信号数据。本实验通过将呼吸信号数据输入到算法模型中，将呼吸监测的准确率作为算法可行性的评价指标，其中呼吸监测的准确率越高，则说明算法的有效性、可行性越高。
根据实验结果，基于svm的呼吸异常监测方法的呼吸异常监测准确率为83.1％，基于rnn的呼吸异常监测方法的呼吸异常监测准确率为79.34％，本发明所述方法的呼吸异常监测准确率为86.73％，相较于对比算法，本发明所提出的基于小波分析的呼吸异常监测方法能够实现更高的呼吸异常监测准确率。
发明还提供一种基于小波分析的呼吸异常监测系统。参照图2所示，为本发明一实施例提供的基于小波分析的呼吸异常监测系统的内部结构示意图。
在本实施例中，所述基于小波分析的呼吸异常监测系统1至少包括呼吸信号获取装置11、数据处理器12、呼吸异常监测装置13，通信总线14，以及网络接口15。
其中，呼吸信号获取装置11可以是pc(personalcomputer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。
数据处理器12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、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。数据处理器12在一些实施例中可以是基于小波分析的呼吸异常监测系统1的内部存储单元，例如该基于小波分析的呼吸异常监测系统1的硬盘。数据处理器12在另一些实施例中也可以是基于小波分析的呼吸异常监测系统1的外部存储设备，例如基于小波分析的呼吸异常监测系统1上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，数据处理器12还可以既包括基于小波分析的呼吸异常监测系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于基于小波分析的呼吸异常监测系统1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
呼吸异常监测装置13在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行数据处理器12中存储的程序代码或处理数据，例如呼吸异常监测程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通常用于在该系统1与其他电子设备之间建立通信连接。
可选地，该系统1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、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(organiclight-emittingdiode，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，用于显示在基于小波分析的呼吸异常监测系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及基于小波分析的呼吸异常监测系统1，本领域技术人员可以理解的是，图1示出的结构并不构成对基于小波分析的呼吸异常监测系统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。
在图2所示的装置1实施例中，数据处理器12中存储有呼吸异常监测程序指令；呼吸异常监测装置13执行数据处理器12中存储的呼吸异常监测程序指令的步骤，与基于小波分析的呼吸异常监测方法的实现方法相同，在此不作类述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有呼吸异常监测程序指令，所述呼吸异常监测程序指令可被一个或多个处理器执行，以实现如下操作：
设计湿度传感器，利用湿度传感器监测到用户的呼吸波形信号；
利用基于插值函数的拟合方法对呼吸波形信号进行拟合，确定呼吸波形信号的频带边界；
根据所确定的频带边界设计小波滤波器，利用小波滤波器对呼吸波形信号进行自适应分解处理，得到自适应分解信号；
利用小波阈值函数对自适应分解信号进行降噪处理，得到降噪信号；
利用随机森林模型对降噪后的呼吸信号进行呼吸异常识别监测。
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。
- 还没有人留言评论。精彩留言会获得点赞！