CN109464147A - 呼吸信号检测方法、装置及计算机可读存储介质 - Google Patents
呼吸信号检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109464147A CN109464147A CN201910020803.6A CN201910020803A CN109464147A CN 109464147 A CN109464147 A CN 109464147A CN 201910020803 A CN201910020803 A CN 201910020803A CN 109464147 A CN109464147 A CN 109464147A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- neural network
- breath signal
- detected
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 210000004218 nerve net Anatomy 0.000 claims description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 45
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000718 qrs complex Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Measuring devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种呼吸信号检测方法，该方法包括：获取待检测心电信号；对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号。本发明还公开了一种呼吸信号检测装置及计算机可读存储介质。本发明能够提高从心电信号中检测出呼吸信号的效率和准确度。
Description
技术领域
本发明涉及医学信号处理技术领域，尤其涉及一种呼吸信号检测方法、装置及计算机可读存储介质。
背景技术
心电图(electrocardiogram，简称ECG)是指心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。心电图的心电信号不仅包含了心脏的功能信息，而且包含了人体其他系统(如呼吸系统)的信息。随着技术的发展，人们已经能够从心电信号中检测出呼吸信息(ECG-DerivedRespiration，简称EDR)，通过分析呼吸信号，可以了解用户的呼吸状态，检测呼吸疾病。
然而，现有从心电信号中检测出呼吸信号的技术并不成熟，检测出的呼吸信号与真实呼吸信号相比，误差较大，不够准确。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种呼吸信号检测方法、装置及计算机可读存储介质，旨在解决现有从心电信号中检测呼吸信号的方法，误差较大，不够准确的技术问题。
为实现上述目的，本发明提供一种呼吸信号检测方法，所述方法包括以下步骤：
获取待检测心电信号；
对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；
根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号。
可选地，所述获取待检测心电信号的步骤之前，包括：
获取用于训练RBM神经网络模型的心电信号；
对所述用于训练RBM神经网络模型的心电信号进行特征提取，得到所述心电信号的特征向量；
生成所述心电信号的特征向量构成的用于训练RBM神经网络模型的心电信号样本；
根据所述心电信号样本，训练RBM神经网络模型。
可选地，所述根据所述心电信号样本，训练RBM神经网络模型的步骤包括：
构建RBM神经网络结构；
根据所述心电信号样本，逐一训练所述RBM神经网络结构的每一层RBM神经网络，以确定每一层RBM神经网络的参数，得到训练完成的RBM神经网络模型。
可选地，所述每一层RBM神经网络包括可见层和隐藏层，所述每一层RBM神经网络的参数包括所述可见层和隐藏层之间的权重矩阵、可见层中可见节点的偏移量和隐藏层中隐藏节点的偏移量。
可选地，所述根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号的步骤包括：
将所述待检测心电信号的特征向量，代入预先训练完成的RBM神经网络模型，以对所述待检测心电信号进行降维和聚类，得到若干个群组；
对所述若干个群组进行频谱分析，以从所述若干个群组中确定呼吸信号。
可选地，所述对所述若干个群组进行频谱分析，以从所述若干个群组中确定呼吸信号的步骤包括：
分别对各个群组进行傅里叶变换，得到各个群组对应的峰值频率；
将各个群组对应的峰值频率与预存参考呼吸信号的峰值频率进行比对；
将峰值频率与预存参考呼吸信号的峰值频率匹配的群组，确定为呼吸信号。
可选地，所述根据所述心电信号样本，训练RBM神经网络模型的步骤之后，包括：
判断训练完成的RBM神经网络模型的成熟度是否满足预设条件；
若所述训练完成的RBM神经网络模型的成熟度满足预设条件，则获取待检测心电信号。
可选地，所述方法还包括：
将所述待检测心电信号与所述用于训练RBM神经网络模型的心电信号进行合并，用以更新用于训练RBM神经网络模型的心电信号样本；
根据更新的心电信号样本，对所述RBM神经网络模型进行进一步的训练。
此外，为实现上述目的，本发明还提供一种呼吸信号检测装置，所述呼吸信号检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的呼吸信号检测程序，所述呼吸信号检测程序被所述处理器执行时实现如上所述的呼吸信号检测方法的步骤。
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信号检测程序，所述呼吸信号检测程序被处理器执行时实现如上所述的呼吸信号检测方法的步骤。
本发明提出的呼吸信号检测方法，先获取待检测心电信号；对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号，实现了基于RBM神经网络模型从心电信号中检测出呼吸信号，为呼吸信号的检测提供了较为准确的分析依据，提高了从心电信号中检测出呼吸信号的效率和准确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明呼吸信号检测方法第一实施例的流程示意图；
图3为本发明呼吸信号检测方法第一实施例的细化流程示意图；
图4为本发明呼吸信号检测方法涉及的每一层RBM神经网络的示意图；
图5为本发明呼吸信号检测方法第二实施例的细化流程示意图。
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。
本发明实施例的主要解决方案是：获取待检测心电信号；对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC、服务器等具有数据处理功能的设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及呼吸信号检测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的呼吸信号检测程序，并执行以下操作：
获取待检测心电信号；
对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；
根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号
进一步地，处理器1001可以调用存储器1005中存储的呼吸信号检测程序，还执行以下操作：
获取用于训练RBM神经网络模型的心电信号；
对所述用于训练RBM神经网络模型的心电信号进行特征提取，得到所述心电信号的特征向量；
生成所述心电信号的特征向量构成的用于训练RBM神经网络模型的心电信号样本；
根据所述心电信号样本，训练RBM神经网络模型。
进一步地，处理器1001可以调用存储器1005中存储的呼吸信号检测程序，还执行以下操作：
构建RBM神经网络结构；
根据所述心电信号样本，逐一训练所述RBM神经网络结构的每一层RBM神经网络，以确定每一层RBM神经网络的参数，得到训练完成的RBM神经网络模型。
进一步地，所述每一层RBM神经网络包括可见层和隐藏层，所述每一层RBM神经网络的参数包括所述可见层和隐藏层之间的权重矩阵、可见层中可见节点的偏移量和隐藏层中隐藏节点的偏移量。
进一步地，处理器1001可以调用存储器1005中存储的呼吸信号检测程序，还执行以下操作：
将所述待检测心电信号的特征向量，代入预先训练完成的RBM神经网络模型，以对所述待检测心电信号进行降维和聚类，得到若干个群组；
对所述若干个群组进行频谱分析，以从所述若干个群组中确定呼吸信号。
进一步地，处理器1001可以调用存储器1005中存储的呼吸信号检测程序，还执行以下操作：
分别对各个群组进行傅里叶变换，得到各个群组对应的峰值频率；
将各个群组对应的峰值频率与预存参考呼吸信号的峰值频率进行比对；
将峰值频率与预存参考呼吸信号的峰值频率匹配的群组，确定为呼吸信号。
进一步地，处理器1001可以调用存储器1005中存储的呼吸信号检测程序，还执行以下操作：
判断训练完成的RBM神经网络模型的成熟度是否满足预设条件；
若所述训练完成的RBM神经网络模型的成熟度满足预设条件，则获取待检测心电信号。
进一步地，处理器1001可以调用存储器1005中存储的呼吸信号检测程序，还执行以下操作：
将所述待检测心电信号与所述用于训练RBM神经网络模型的心电信号进行合并，用以更新用于训练RBM神经网络模型的心电信号样本；
根据更新的心电信号样本，对所述RBM神经网络模型进行进一步的训练。
基于上述硬件结构，提出本发明呼吸信号检测方法的各个实施例。
参照图2，图2为本发明呼吸信号检测方法第一实施例的流程示意图。
本实施例提出一种呼吸信号自动检测方法，所述呼吸信号检测方法包括：
步骤S10，获取待检测心电信号；
在本实施例中，参照图3，所述步骤S10之前，包括：
步骤S40，获取用于训练RBM神经网络模型的心电信号；
步骤S50，对所述用于训练RBM神经网络模型的心电信号进行特征提取，得到所述心电信号的特征向量；
步骤S60，生成所述心电信号的特征向量构成的用于训练RBM神经网络模型的心电信号样本；
步骤S70，根据所述心电信号样本，训练RBM神经网络模型。
在本实施例中，在获取待检测心电信号的步骤之前，需预先训练RBM(RestrictedBoltzmann Machine，受限玻尔兹曼机)神经网络模型。
RBM(Restricted Boltzmann Machine，受限玻尔兹曼机)是一种可用随机神经网络来解释的概率图模型，神经元之间的连接具有层内无连接、层间全连接的特点。训练完成的RBM神经网络模型可用来对心电信号进行降维和聚类。具体地，首先获取用于训练RBM神经网络模型的心电信号，即采集用于训练RBM神经网络模型的心电信号，可通过预设的心电信号采集设备进行采集。此处采集心电信号的方式可与传统采集方式一致。获取到用于训练RBM神经网络模型的心电信号之后，由于心电信号在采集过程中，常常掺杂各种噪声，噪声的来源主要有工频干扰、基线漂移、肌电干扰或其他噪声干扰等，在本实施例中，可以对获取到的心电信号进行选滤除心电信号的工频干扰、基线漂移、肌电干扰或及其他噪声干扰的处理，提高心电信号的信噪比。然后对处理后的心电信号进行特征提取，由于现有的心电图的每个心动周期内出现的波形变化存在一定的规律，心电图中以周期形式出现的波形分别有P波、QRS波群、T波等，在本实施例中，可以提取心电信号中的P波、QRS波群和T波等波形对应的特征参数，得到特征向量。之后，根据得到的特征向量建立用于训练RBM神经网络模型的心电信号样本，建立用于训练RBM神经网络模型的心电信号样本的方式例如：该心电信号样本是一个集合，集合里面的元素是一个个心电样本，即
心电信号样本＝{心电样本1，心电样本2，...}
＝{心电特征向量1，心电特征向量2，...}。
进一步地，根据建立的心电信号样本，训练RBM神经网络模型；其中，所述根据所述心电信号样本，训练RBM神经网络模型步骤包括：
构建RBM神经网络结构；
根据所述心电信号样本，逐一训练所述RBM神经网络结构的每一层RBM神经网络，以确定每一层RBM神经网络的参数，得到训练完成的RBM神经网络模型。
在本实施例中，需要构建堆叠的RBM神经网络结构，并基于心电信号样本对该RBM神经网络结构进行训练。可以设置RBM神经网络结构的层数和每一层RBM神经网络的输出节点数，来构建RBM神经网络结构。然后，根据心电信号样本，逐一对每一层的RBM神经网络结构进行训练，在学习的过程中不断调整每一层RBM神经网络的参数，直至收敛，也就是说，训练的过程就是利用心电信号样本，确定RBM神经网络参数的过程。其中，参照图4，图4为每一层RBM神经网络的示意图，每一层RBM神经网络包括可见层和隐藏层，每一层RBM神经网络的参数包括所述可见层和隐藏层之间的权重矩阵wi,j，wi,j表示可见层中第i个可见节点(神经元)与隐藏层中第j个隐藏节点(神经元)之间的连接权重；每一层RBM神经网络的参数还包括可见层中可见节点的偏移量b＝(b1,b2,b3,…,bi)，bi表示可见层中第i个可见节点的偏移量；每一层RBM神经网络的参数还包括隐藏层中隐藏节点的偏移量c＝(c1,c2,c3,…,cj)，cj表示隐藏层中第j个隐藏节点的偏移量。确定了各层RBM神经网络的参数，即表示各层RBM神经网络训练完成，将训练完成的各层RBM神经网络进行堆叠，可得到训练完成的RBM神经网络模型。
在RBM神经网络模型训练完成之后，获取待检测心电信号。
步骤S20，对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；
在该步骤中，同样先对待检测心电信号进行预处理，以去除待检测心电信号的工频干扰、基线漂移及其他噪声干扰等，提高待检测心电信号的信噪比，然后提取待检测心电信号中的P波、QRS波群和T波等波形的特征参数，得到待检测心电信号的特征向量。
步骤S30，根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号。
在本实施例中，步骤30包括：
将所述待检测心电信号的特征向量，代入预先训练完成的RBM神经网络模型，以对所述待检测心电信号进行降维和聚类，得到若干个群组；
对所述若干个群组进行频谱分析，以从所述若干个群组中确定呼吸信号。
其中，所述对所述若干个群组进行频谱分析，以从所述若干个群组中确定呼吸信号的步骤，可以包括：
分别对各个群组进行傅里叶变换，得到各个群组对应的峰值频率；
将各个群组对应的峰值频率与预存参考呼吸信号的峰值频率进行比对；
将峰值频率与预存参考呼吸信号的峰值频率匹配的群组，确定为呼吸信号。
在本实施例中，根据待检测心电信号的特征向量以及训练完成的RBM神经网络模型，分析待检测心电信号的过程包括：将待检测心电信号的特征向量代入训练完成的RBM神经网络模型，以对待检测心电信号进行降维和聚类，得出若干个群组。然后对得出的若干个群组进行频谱分析，具体地，分别对各个群组进行傅里叶变换，得到各个群组对应的峰值频率，其中，傅里叶变换是一种积分变换，它来源于函数的傅里叶积分表示，分别对各个群组进行傅里叶变换的具体过程可参照现有技术，此处不再赘述。之后，将各个群组对应的峰值频率与预存参考呼吸信号的峰值频率进行比对，其中，该预存参考呼吸信号的峰值频率是预先设置并存储的标准呼吸信号的峰值频率，是一个峰值频率范围。将各个群组对应的峰值频率与预存参考呼吸信号的峰值频率进行比对之后，峰值频率与预存参考呼吸信号的峰值频率匹配的群组，即可确定为呼吸信号。
在更多的实施中，所述呼吸信号检测方法还包括：
将所述待检测心电信号与所述用于训练RBM神经网络模型的心电信号进行合并，用以更新用于训练RBM神经网络模型的心电信号样本；
根据更新的心电信号样本，对所述RBM神经网络模型进行进一步的训练。
即，可以将检测过的待检测心电信号并入到原有建模时的心电信号样本中，利用不断新增的训练样本，对RBM神经网络模型进行不断调整和优化，增加心电信号的分析数据，有助于分析待检测的心电信号时，提高更多典型以及精确度高的分析依据，进而提高从从心电信号中检测出呼吸信号的准确度。通过加入检测过的心电信号，实现实时更新数据，同时更新后的心电信号样本，其用于训练的数据更多，优化RBM神经网络模型。
本实施例提出的呼吸信号检测方法，先获取待检测心电信号；对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号，实现了基于RBM神经网络模型从心电信号中检测出呼吸信号，为呼吸信号的检测提供了较为准确的分析依据，提高了从心电信号中检测出呼吸信号的效率和准确度。
进一步地，基于第一实施例提出本发明呼吸信号检测方法的第二实施例。
呼吸信号检测方法的第二实施例与呼吸信号检测方法的第一实施例的区别在于，在本实施例中，参照图5，所述步骤S70之后，包括：
步骤S80，判断训练完成的RBM神经网络模型的成熟度是否满足预设条件；
步骤S90，若所述训练完成的RBM神经网络模型的成熟度满足预设条件，则获取待检测心电信号。
即，RBM神经网络模型训练完成后，并不立即投入使用，而是先检测训练完成的RBM神经网络模型的成熟度，可通过成熟度计算公式mature＝ε*rate计算得到RBM神经网络模型的成熟度，其中，mature表示训练完成的RBM神经网络模型的成熟度，rate表示RBM神经网络模型的准确率(也就是样本检测结果与实际的差距)，ε表示权重值(可根据实际进行设定)。预设条件是指预先设定的成熟度阈值(比如80％)，将训练完成的RBM神经网络模型的成熟度与预设成熟度阈值进行比对，如果训练完成的RBM神经网络模型的成熟度大于预设成熟度阈值，则判定训练完成的RBM神经网络模型的成熟度满足条件，可以投入使用，即可获取待检测心电信号，再按照第一实施例中所述的处理方法从待检测心电信号中检测出呼吸信号。
在本实施例中，RBM神经网络模型训练完成后需先检测其对应的成熟度，当训练完成的RBM神经网络的成熟度满足条件时才用于分析待检测心电信号，从而提高从从心电信号中检测出呼吸信号的准确度。
此外，本发明实施例还提出一种计算机可读存储介质。
本发明所计算机可读存储介质上存储有呼吸信号检测程序，所述呼吸信号检测程序被处理器执行时实现如下操作：
获取待检测心电信号；
对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；
根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号。
本发明计算机可读存储介质的具体实施例与上述呼吸信号检测方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
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。
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，空调器，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。
Claims (10)
1.一种呼吸信号检测方法，其特征在于，所述方法包括以下步骤：
获取待检测心电信号；
对所述待检测心电信号进行特征提取，得到所述待检测心电信号的特征向量；
根据所述待检测心电信号的特征向量以及预先训练完成的受限玻尔兹曼机RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号。
2.如权利要求1所述的呼吸信号检测方法，其特征在于，所述获取待检测心电信号的步骤之前，包括：
获取用于训练RBM神经网络模型的心电信号；
对所述用于训练RBM神经网络模型的心电信号进行特征提取，得到所述心电信号的特征向量；
生成所述心电信号的特征向量构成的用于训练RBM神经网络模型的心电信号样本；
根据所述心电信号样本，训练RBM神经网络模型。
3.如权利要求2所述的呼吸信号检测方法，其特征在于，所述根据所述心电信号样本，训练RBM神经网络模型的步骤包括：
构建RBM神经网络结构；
根据所述心电信号样本，逐一训练所述RBM神经网络结构的每一层RBM神经网络，以确定每一层RBM神经网络的参数，得到训练完成的RBM神经网络模型。
4.如权利要求3所述的呼吸信号检测方法，其特征在于，所述每一层RBM神经网络包括可见层和隐藏层，所述每一层RBM神经网络的参数包括所述可见层和隐藏层之间的权重矩阵、可见层中可见节点的偏移量和隐藏层中隐藏节点的偏移量。
5.如权利要求1所述的呼吸信号检测方法，其特征在于，所述根据所述待检测心电信号的特征向量以及预先训练完成的RBM神经网络模型，分析所述待检测心电信号，以从所述待检测心电信号中检测出呼吸信号的步骤包括：
将所述待检测心电信号的特征向量，代入预先训练完成的RBM神经网络模型，以对所述待检测心电信号进行降维和聚类，得到若干个群组；
对所述若干个群组进行频谱分析，以从所述若干个群组中确定呼吸信号。
6.如权利要求5所述的呼吸信号检测方法，其特征在于，所述对所述若干个群组进行频谱分析，以从所述若干个群组中确定呼吸信号的步骤包括：
分别对各个群组进行傅里叶变换，得到各个群组对应的峰值频率；
将各个群组对应的峰值频率与预存参考呼吸信号的峰值频率进行比对；
将峰值频率与预存参考呼吸信号的峰值频率匹配的群组，确定为呼吸信号。
7.如权利要求2所述的呼吸信号检测方法，其特征在于，所述根据所述心电信号样本，训练RBM神经网络模型的步骤之后，包括：
判断训练完成的RBM神经网络模型的成熟度是否满足预设条件；
若所述训练完成的RBM神经网络模型的成熟度满足预设条件，则获取待检测心电信号。
8.如权利要求1至7中任一项所述的呼吸信号检测方法，其特征在于，所述方法还包括：
将所述待检测心电信号与所述用于训练RBM神经网络模型的心电信号进行合并，用以更新用于训练RBM神经网络模型的心电信号样本；
根据更新的心电信号样本，对所述RBM神经网络模型进行进一步的训练。
9.一种呼吸信号检测装置，其特征在于，所述呼吸信号检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的呼吸信号检测程序，所述呼吸信号检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的呼吸信号检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有呼吸信号检测程序，所述呼吸信号检测程序被处理器执行时实现如权利要求1至8中任一项所述的呼吸信号检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910020803.6A CN109464147A (zh) | 2019-01-09 | 2019-01-09 | 呼吸信号检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910020803.6A CN109464147A (zh) | 2019-01-09 | 2019-01-09 | 呼吸信号检测方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109464147A true CN109464147A (zh) | 2019-03-15 |
Family
ID=65678358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910020803.6A Pending CN109464147A (zh) | 2019-01-09 | 2019-01-09 | 呼吸信号检测方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109464147A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236527A (zh) * | 2019-07-05 | 2019-09-17 | 北京理工大学 | 一种获取呼吸信息的方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
| CN104965822A (zh) * | 2015-07-29 | 2015-10-07 | 中南大学 | 一种基于计算机信息处理技术的中文文本情感分析方法 |
| CN105962915A (zh) * | 2016-06-02 | 2016-09-28 | 安徽大学 | 非接触式人体呼吸率与心率同步测量方法及系统 |
| CN106539586A (zh) * | 2016-11-07 | 2017-03-29 | 广州视源电子科技股份有限公司 | 一种呼吸率计算方法及装置 |
| CN106580324A (zh) * | 2016-11-07 | 2017-04-26 | 广州视源电子科技股份有限公司 | 一种呼吸信号提取方法及装置 |
| US20170112388A1 (en) * | 2015-10-22 | 2017-04-27 | Welch Allyn, Inc. | Method and apparatus for performing biological measurements |
| US20180144243A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Hardware system design improvement using deep learning algorithms |
-
2019
- 2019-01-09 CN CN201910020803.6A patent/CN109464147A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101957313A (zh) * | 2010-09-21 | 2011-01-26 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
| CN104965822A (zh) * | 2015-07-29 | 2015-10-07 | 中南大学 | 一种基于计算机信息处理技术的中文文本情感分析方法 |
| US20170112388A1 (en) * | 2015-10-22 | 2017-04-27 | Welch Allyn, Inc. | Method and apparatus for performing biological measurements |
| CN105962915A (zh) * | 2016-06-02 | 2016-09-28 | 安徽大学 | 非接触式人体呼吸率与心率同步测量方法及系统 |
| CN106539586A (zh) * | 2016-11-07 | 2017-03-29 | 广州视源电子科技股份有限公司 | 一种呼吸率计算方法及装置 |
| CN106580324A (zh) * | 2016-11-07 | 2017-04-26 | 广州视源电子科技股份有限公司 | 一种呼吸信号提取方法及装置 |
| US20180144243A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Hardware system design improvement using deep learning algorithms |
Non-Patent Citations (3)
| Title |
|---|
| FÁBIO等: ""A Review of Obstructive Sleep Apnea Detection Approaches"", 《 IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 * |
| 吴岸城: "《神经网络与深度学习》", 30 June 2016 * |
| 陈敏: "《认知计算导论》", 31 May 2017 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110236527A (zh) * | 2019-07-05 | 2019-09-17 | 北京理工大学 | 一种获取呼吸信息的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| CN106214123B (zh) | 一种基于深度学习算法的心电图综合分类方法 | |
| CN108186011A (zh) | 房颤检测方法、装置及可读存储介质 | |
| CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
| CN109998500A (zh) | 一种基于生成式对抗网络的脉搏信号生成方法及系统 | |
| CN108095708A (zh) | 一种基于混合传感的生理监测及分析方法、系统 | |
| CN109411041A (zh) | 心电信息处理方法和心电工作站系统 | |
| CN107693044A (zh) | 冠心病监测诊断设备 | |
| CN109411042A (zh) | 心电信息处理方法和心电工作站 | |
| CN107945817A (zh) | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 | |
| CN109091138A (zh) | 心律失常起源点的判断装置及标测系统 | |
| CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
| CN114469120B (zh) | 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法 | |
| CN111553618A (zh) | 操控工效分析方法、设备及系统 | |
| CN111598453A (zh) | 基于虚拟场景中执行力的操控工效分析方法、设备及系统 | |
| CN111553617A (zh) | 基于虚拟场景中认知力的操控工效分析方法、设备及系统 | |
| CN105212949A (zh) | 一种使用皮肤电信号进行文化体验情感识别的方法 | |
| CN109887594A (zh) | 一种基于modwt和tdcnn的多导联心律失常智能诊断方法 | |
| CN109065163A (zh) | 中医诊断服务平台 | |
| Senyurek et al. | A comparison of SVM and CNN-LSTM based approach for detecting smoke inhalations from respiratory signal | |
| CN109044347A (zh) | 识别心电波图像交界性逸搏方法、装置、系统和电子设备 | |
| CN109464147A (zh) | 呼吸信号检测方法、装置及计算机可读存储介质 | |
| CN111345814A (zh) | 一种心电信号中心拍的分析方法、装置、设备和存储介质 | |
| CN106388824B (zh) | 一种呼吸率提取方法及装置 | |
| CN109147945A (zh) | 中医诊断系统及手环 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190315 |