许多方法已经发展到呼吸信号来自心电图(ecg)。然而,传统的方法有两个主要问题:(1)专注于某些特定的形态特征和(2)不考虑ecg和呼吸之间的非线性关系。本文改进ECG-derived呼吸(EDR)基于经验的小波变换(易)和核主成分分析(KPCA)提出。介绍了解决第一个问题,易分解的心电信号提取低频部分。解决第二个问题,KPCA和原象捕捉ecg和呼吸之间的非线性关系。径向基函数的参数选择内核在KPCA也改善,确保准确性和减少计算成本。相关系数和振幅平方相干系数作为指标进行定量和定性的比较与传统三个功能算法。结果表明,该方法执行比传统的功能算法获得single-lead-EDR信号。
呼吸信号是重要的生理信号常用的临床监测。它们用于睡眠呼吸暂停和压力测试的检测;此外,他们发挥重要作用在疾病的临床诊断
软传感器的概念是一个一个解决方案来克服检测呼吸信号的问题。软传感器是一个推理模型,使用方便的变量来估计变量,它是很难获得的。目前,软传感器已经被广泛采用在工业过程
获得呼吸信号的心电图是一个典型的软测量在医学领域的应用。心电图信号获得动物使用一些电极和记录方便而不干扰自然的气息。呼吸影响心电图信号主要是通过机械相互作用和呼吸性窦性心律不齐(RSA) [
由于功能算法的优点,科学家们在这个领域进行了多项研究。大多数功能方法分为两类(
解决现有方法的局限性,实现一个准确和全自动EDR信号获取方法,一种改进的功能提出了基于易和KPCA算法。心电图信号分解得到的低频分量。多个信号分解方法,如小波方法或经验模态分解(EMD) [
使用后易将ECG信号分解成五个模式,三种模式频率最低的选择形成新的信号。与此同时,<我t一个lic>
R我t一个lic>使用Pan-Tompkins峰值位置确定算法来帮助定位QRS复合物。然后,新的信号采样基于QRS复合物的位置。然而,一些异位样本采样期间捕获。为了解决这个挑战,开发的一种基于方差的方法来自动删除异位样本。最后,呼吸道和心电图捕捉非线性关系,处理过的样品处理利用KPCA和原象获得功能的信号。采用径向基函数(RBF) KPCA的核函数;因此,需要相当大的计算在选择RBF核函数的参数(
我们在本文的贡献如下。(1)易的功能算法框架+ KPCA克服传统功能算法的缺点提出了基于形态特征的心电图信号,而且呼吸之间的非线性关系和心电图。(2)基于方差的一个新的方法来自动删除在抽样程序介绍了异常样本。(3)RBF核函数参数的选择在KPCA算法改进以减少计算的要求。
本文的其余部分组织如下。节
EDR方法提出了本研究分为两个部分,如图
该功能基于易和KPCA方法。
一般来说,人类的呼吸速率大约是0.1 - -0.5赫兹。提取低频心电图信号完全和自适应模式,易用于分解ECG信号。低频模式的重构,形成一个新的信号。
易是一个模态分解算法提出的Gilles [
当地的最大值在ECG信号的频谱<我nline-formula>
确定边界后,经验扩展功能<我nline-formula>
在哪里<我nline-formula>
因为数值函数满足上述条件,我们选择<我nline-formula>
不同的模式<我nline-formula>
在哪里<我nline-formula>
三个步骤的处理后,心电图信号分解成五个模式。图
10年代ECG信号的时间和频率域:(a)心电图信号和相应的傅里叶谱,在频谱图中红色虚线边界的不同模式,和绿色框表示高频噪声和(b)的五个模式易在时间和频率域。
如图
的分布<我nline-formula>
图
KPCA概括,提出Scholkopf et al。
在执行KPCA算法之前,输入矩阵<我t一个lic>
X我t一个lic>应该确定。的评价<我t一个lic>
X我t一个lic>包括以下步骤:
第一步是发现<我t一个lic>
R我t一个lic>峰:所有的位置<我t一个lic>
R我t一个lic>峰在<我nline-formula>
第二步是采样的信号<我nline-formula>
第三步是删除异位样本:如图
首先,<我nline-formula>
矩阵<我t一个lic>
Y我t一个lic>被定义为<我nline-formula>
它假定异位样品<我nline-formula>
结果Pan-Tompkins算法(红圈的位置<我t一个lic> R我t一个lic>山峰)。
概述(一)<我nline-formula>
矩阵的轮廓<我t一个lic>
X我t一个lic>如图
后输入矩阵<我t一个lic>
X我t一个lic>决定,KPCA介绍。KPCA的本质是解决以下方程:
方程(
当<我nline-formula>
后确定核函数,方程(
上述计算在高维特征空间进行F,而建设的功能信号是基于第一个输入空间的特征向量。在获得的特征值和特征向量F信号不能直接用于构建功能。为了解决这个问题,可以使用有限数量的特征向量近似输入空间中的数据。这个过程称为“原象”(
在KPCA的过程中,参数<我nline-formula>
KPCA应用范围<我nline-formula>
在这里,<我nline-formula>
尽管上述方法可以确定适当的<我nline-formula>
曲线图表<我t一个lic>
d我t一个lic>:(a)应用KPCA范围<我nline-formula>
在本节中,该功能方法与三个传统EDR方法相比,包括KPCA-based [
提供的ECG信号和参考RESP信号是幻想曲数据库和汕头超声仪器研究所有限公司有限公司(SIUI)。幻想曲数据库(
定量测量,形态相似EDR信号和参考之间的呼吸信号,相关系数(C)和大小的平方相干系数(MSC)介绍了(
比较该方法的三个传统功能以直观的方式方法,本节中给出一些实验结果。
如图
比较功能的信号通过该方法,参考RESP信号。在每个图片,上面的次要情节是EDR信号,下面的次要情节是参考RESP信号。
图
该方法的性能与KPCA-based相比,R-peaks-interval-based (RR间隔),和R-peaks-amplitude-based(战)功能的方法。
除了上述定性的比较结果,该方法的性能和三个传统EDR方法评估使用C和MSC。
图
对比该方法和三个传统EDR方法:(a)和(b)相关系数平方级相干系数。
C、MSC和差的四个功能的方法。
| 方法 | 易+ KPCA | KPCA | RR间隔 | 战 |
|---|---|---|---|---|
| C | 0.730 | 0.600 | 0.439 | 0.485 |
| 差(C) | 0.685 - -0.808 | 0.706 - -0.498 | 0.6130 - -0.267 | 0.311 - -0.665 |
| MSC | 0.784 | 0.680 | 0.516 | 0.655 |
| 差(MSC) | 0.755 - -0.897 | 0.626 - -0.782 | 0.657 - -0.400 | 0.504 - -0.780 |
测量方法的性能不同的年龄组,年轻的(还是岁)和老年(68 - 85岁)选择科目进行实验。实验结果如图所示
比较四个功能算法基于不同年龄的ECG信号:(a, b)的结果老年人样品和(c, d)小样本的结果。
所示不同年龄段,方法基于单一ECG信号形态特征鲁棒性差、精度低的缺点。该方法表现出更好的性能在不同年龄的样本。
在这项研究中,心电图信号被分解为五个不同的模式,以及三种模式较低频率选择构建一个新的EDR信号采集信号。不引入该方法去噪算法。这是因为RESP信号频率相对较低导致心电信号的基线漂移。基线漂移的校正的影响去噪算法提取RESP信号在一定程度上。高频噪声的影响也减轻因为频率较低的三种模式是为后续的计算,选择部分中提到
本文介绍了易ECG信号自适应分解成5模式,和低频模式是形成一个新的信号重建。在本节中,我们进行了实验的影响模式从易提取的数量。这里,30 ECG信号长度的10年代被随机选择和分解为4,5和6模式,分别。介绍了C和MSC对性能进行评估。结果呈现在图
比较不同的数字(<我t一个lic> N我t一个lic>从易提取)的模式。
一般来说,功能涉及KPCA方法计算量。该方法的评估额外的计算工作的三个传统功能方法,计算时间记录。因为所有的提到EDR方法必须定位<我t一个lic>
R我t一个lic>通过Pan-Tompkins算法峰值,扣除PTK算法所需的时间。这个实验是基于英特尔酷睿i7 - 9750 h 2.60 GHz和MATLAB 2018上运行。5 ECG信号的长度10 s是随机选择五幻想曲数据库的测试。结果表明,该方法的平均计算时间和EDR功能基于KPCA算法,<我t一个lic>
R我t一个lic>peaks-interval,则是0.161,0.312,0.006,和0.013 s,分别。数据显示,功能方法基于心电信号的形态特征有一个更高的运算速度比功能使用KPCA方法,但以牺牲准确性和鲁棒性。有两个主要原因的差异计算复杂度:
EDR算法基于心电信号的形态特征(如仅处理特定的特征<我t一个lic> R我t一个lic>波振幅和<我t一个lic> R我t一个lic>每个心动周期的波间隔),而功能使用KPCA算法应该处理整个每个心动周期的QRS波群。有一个巨大的差距要处理的数据量的两种方法。
KPCA算法复杂。此外,重复计算时需要选择参数<我t一个lic> δ我t一个lic>RBF核函数。通过实验发现,在传统KPCA-based EDR算法,寻找合适的计算时间参数<我t一个lic> δ我t一个lic>占90%以上的KPCA的总计算时间。
在拟议的方法中,KPCA部分的平均计算时间只有0.074 s由于确定参数的机制<我t一个lic> d我t一个lic>,而所需的平均时间计算KPCA一部分传统KPCA-based EDR算法是0.267秒。储蓄率达到72.3%,大大减少了计算工作量。
该功能基于易和KPCA方法显示了良好的性能比传统的功能方法从single-lead-ECG EDR信号提取的信号。心电图信号通过易分解为五个不同的模式,和一个新的信号是由构造低频率的三个组件。然后,新的形式输入信号采样矩阵基于QRS波群的位置,和一个异位样本删除方法用于删除异位样本。随后,KPCA用于获得特征向量和特征值。最后,EDR信号可以通过处理使用原像和三次样条插值的结果。RBF的参数选择方法后的内核在KPCA改进,计算时间大大减少,减轻高计算努力EDR的问题在一定程度上与KPCA方法。实验结果表明,该方法执行比三个传统功能的方法和适用于监测呼吸通过single-lead-ECG信号没有额外的传感器。
本文中使用的数据部分可以在网站找到
作者宣称没有利益冲突有关这项研究的出版物。
作者要感谢本先生李汕头超声仪器研究所有限公司有限公司(SIUI)为他贡献数据和专业的建议。这项工作是支持的基础研究和应用基础研究的基础广东省(批准号2020 b1515120061),中国国家自然科学基金(批准号82071992),广东大学优先级字段(人工智能)项目(批准号2019 kzdzx1013),中国国家重点研发项目(批准号2020 yfc0122103)。