專利名稱：基于修正算法的顱內(nèi)壓信號單波特征點提取方法
技術領域：
本發(fā)明涉及顱內(nèi)壓信號的自動檢測與分析技術領域，特別涉及一種基于特殊的修 正算法的顱內(nèi)壓信號單波特征點提取方法。
背景技術：
顱內(nèi)高壓是引起顱內(nèi)疾病患者死亡的常見原因，及時、準確地掌握患者顱內(nèi)壓的 水平和定量診斷，是臨床治療至關重要的一步。顱內(nèi)壓增高，可導致一系列的生理功能紊亂 和病理改變，表現(xiàn)出頭痛惡心、嘔吐、視乳頭水腫等典型表現(xiàn)，嚴重顱內(nèi)壓增高還可并發(fā)肺 水腫等并發(fā)癥；亦可因腦疝形成壓迫或破壞下丘腦造成植物神經(jīng)功能紊亂，并可在短時間 內(nèi)危及生命，是神經(jīng)內(nèi)外科疾病引起死亡的主要原因。對于臨床醫(yī)生而言，精確獲知患者顱 內(nèi)壓高低以及顱內(nèi)壓變化趨勢，對于判斷病情、指導治療、搶救生命以及治愈后的復查判斷 都是非常重要的。顱內(nèi)壓信號隨著心臟的搏動而波動，這是心臟的每一搏出引起動脈擴張的結果， 因此顱內(nèi)壓信號是一種以連續(xù)波動的方式傳播的準周期逐拍信號，連續(xù)逐拍中每一節(jié)拍的 起點代表著一次心臟搏動期間的顱內(nèi)壓信號成分的到來。如圖1所示的一段顱內(nèi)壓信號， 其中圈點即為單個波形的起始點。從圖1中所示的顱內(nèi)壓信號波形能夠看到，盡管顱內(nèi)壓 信號隨心臟的搏動呈準周期變化，其波形形態(tài)卻非常不規(guī)律，信號波形中還同時伴隨著高 頻率的節(jié)律性波動，并且信號的基線也存在起伏漂移，這主要是因為顱內(nèi)壓信號受到多方 面因素的影響，例如全身血管和腦血管活躍的運動影響著顱內(nèi)壓，顱內(nèi)壓對靜脈壓的變動 也非常敏感等。同時，因為靜脈壓的影響，憋氣、用力也會引起顱內(nèi)壓信號的基線產(chǎn)生相應 的明顯漂移，特別是咳嗽、噴嚏等動作更會引起顱內(nèi)壓信號產(chǎn)生相應的劇烈抖動。由于這些 復雜的因素，采用計算機方法對顱內(nèi)壓信號中單個波形的特征提取和波形識別比較困難， 因此現(xiàn)有臨床顱內(nèi)壓檢測設備大多以顱內(nèi)壓平均值Micp (各采樣點顱內(nèi)壓力之和/采樣點 數(shù))作為臨床指標；但是，顱內(nèi)壓信號單波的特征信息，如單波波形的時長、單波中極大值 點的幅值等可以提供更豐富的臨床信息，顱內(nèi)壓信號單波的這些特征信息也往往與腦血流 的自律和腦脊液系統(tǒng)的順應性有關，因此，對顱內(nèi)壓信號進行單個波形的有效識別和特征 信息的提取，在前沿醫(yī)療領域具有重要意義。

發(fā)明內(nèi)容
針對現(xiàn)有技術存在的上述不足，本發(fā)明的目的是提供一種基于修正算法的顱內(nèi)壓 信號單波特征點提取方法，使之能夠利用計算機平臺實現(xiàn)連續(xù)顱內(nèi)壓信號的單波特征點的 自動提取，以應用于顱內(nèi)壓信號分析設備領域，有助于提高顱內(nèi)壓信號分析設備的診斷分 析能力。本發(fā)明的目的是這樣實現(xiàn)的基于修正算法的顱內(nèi)壓信號單波特征點提取方法， 其特征在于，將顱內(nèi)壓監(jiān)護儀采集的顱內(nèi)壓信號輸入計算機，通過計算機處理獲得顱內(nèi)壓 信號的特征點；所述計算機處理具體包括以下步驟
1)對采集的顱內(nèi)壓信號進行采樣預處理，再對預處理后的顱內(nèi)壓信號按N段/分 鐘的間隔進行分段；其中，2彡N彡10 ；2)利用提升小波變換對每一分段的顱內(nèi)壓信號進行降噪處理；3)以滑動系數(shù)為δ =fs/2f、滑動窗寬為w = fs/2f的滑動窗對每一分段的顱內(nèi)壓 信號進行分窗處理；其中，fs表示預處理的采樣頻率，f表示顱內(nèi)壓信號的波形周期頻率；4)求得每個分窗的顱內(nèi)壓信號中幅值的極大值和極小值對應的采樣點，作為顱內(nèi) 壓信號中單個波形的特征點；5)預設定起點時間間隔取值范圍Cwl、峰值時間間隔取值范圍Cw2、幅值取值范圍Cp 和起-峰時間間隔取值范圍Ct;6)在顱內(nèi)壓信號的特征點中，計算每兩個相鄰極小值點之間的時間間隔dwl、每兩 個相鄰極大值點之間的時間間隔dw2，以及每個極大值點與其前相鄰極小值點的幅值差dp 和時間間隔dt ；7)根據(jù)求得的參數(shù)dwl、dw2、dp和dt，對顱內(nèi)壓信號的特征點進行如下的修正a)如果兩個相鄰極小值點之間的時間間隔dwl在Cwl以內(nèi)，在該兩個相鄰極小值點 之間存在兩個相鄰的極大值點，并且該兩個相鄰極大值點之間的時間間隔dw2小于Cw2的下 限，則分別計算該兩個相鄰極大值點與其前一個相鄰極小值點的幅值差dp ；若兩個幅值差 均在Cp以內(nèi)，將幅值差較小的一個極大值點作為誤判點舍棄掉；否則，將幅值差小于(；下限 或大于Cp上限的極大值點均作為誤判點舍棄掉；b)如果兩個相鄰極小值點之間的時間間隔dwl在Cwl以內(nèi)，在該兩個相鄰極小值點 之間不存在極大值點，則計算該兩個相鄰極小值點之間幅值最大的采樣點與該采樣點前一 個相鄰極小值點的幅值差dp ；若該幅值差在Cp以內(nèi)，則將該幅值最大的采樣點作為補充的 極大值點；否則，不作處理；c)如果兩個相鄰極大值點之間的時間間隔dw2在Cw2以內(nèi)，在該兩個相鄰極大值點 之間存在兩個相鄰的極小值點，并且該兩個相鄰極小值點之間的時間間隔dwl小于Cwl的下 限，則分別計算該兩個相鄰極小值點與其后一個相鄰極大值點之間的時間間隔dt ；若兩個 時間間隔均在Ct以內(nèi)，將幅值較大的一個極小值點作為誤判點舍棄掉；否則，將時間間隔小 于Ct下限或大于Ct上限的極小值點均作為誤判點舍棄掉；d)如果兩個相鄰極大值點之間的時間間隔dw2在Cw2以內(nèi)，在該兩個相鄰極小值點 之間不存在極小值點，則計算該兩個相鄰極大值點之間幅值最小的采樣點與該采樣點后一 個相鄰極大值點的時間間隔dt ；若該時間間隔在Ct以內(nèi)，則將該幅值最小的采樣點作為補 充的極小值點；否則，不作處理；8)重復步驟7)，直至顱內(nèi)壓信號的特征點中，不再存在a)和c)中所述的誤判點， 也不再存在需要按b)和d)補充的極大值點和極小值點。作為一種優(yōu)選，在對顱內(nèi)壓信號的預處理中，所述采樣頻率為fs為200 1000Hz。作為一種優(yōu)選，所述起點時間間隔取值范圍Cwl的下限為500ms，上限為800ms ；所 述峰值時間間隔取值范圍Cw2的下限為500ms，上限為800ms ；所述幅值取值范圍Cp的下限 為0. 5mmHg，上限為35. OmmHg ；所述起-峰時間間隔取值范圍Ct的下限為100ms，上限為 250ms ο相比現(xiàn)有技術，本發(fā)明具有如下有益效果
1、本發(fā)明方法通過先分段降噪，分窗粗略求出顱內(nèi)壓信號中極大值、極小值點作 為特征點，再采用修正算法對特征點進行進一步修正的方法，實現(xiàn)了顱內(nèi)壓信號中單波特 征點提取在計算機中的應用，不僅降低了顱內(nèi)壓臨床醫(yī)師的工作量，克服了人工手動提取 的誤差，將之應用于顱內(nèi)壓信號分析設備領域還有助于提高顱內(nèi)壓信號分析設備的診斷分 析能力。2、本發(fā)明方法在對顱內(nèi)壓信號進行特征點提取之前，首先采用提升小波變換方法 進行降噪處理，保證處理效率的同時還確保了較好的降噪效果，降低了顱內(nèi)壓信號中噪聲 對提取過程的不良影響。3、分窗處理時，滑動窗的滑動系數(shù)為δ = fs/2f、滑動窗寬為w = fs/2f，使得每個 分窗包含約半個單波波形，從而保證在步驟4)的特征點識別中不會過多的遺漏單波中的 極大值點或極小值點，為后續(xù)的修正處理作好前期基礎，提高整體的提取處理效率。4、本發(fā)明基于修正算法的顱內(nèi)壓信號單波特征點提取方法同時具備較高的提取 準確性和運算魯棒性。


圖1為顱內(nèi)壓信號示例波形圖；圖2為本發(fā)明方法的流程框圖；圖3為本發(fā)明實施例采集的顱內(nèi)壓信號中第一個分段的顱內(nèi)壓信號的波形圖；圖4為本發(fā)明實施例中第一分段的顱內(nèi)壓信號經(jīng)提升小波變換降噪處理后的波 形圖；圖5為本發(fā)明實施例中第一分段的顱內(nèi)壓信號初步提取特征點的提取結果示意 圖；圖6為本發(fā)明修正算法中單波特征參數(shù)的示意圖；圖7為本發(fā)明實施例中第一分段的顱內(nèi)壓信號初步提取特征點中，誤判和漏檢的 特征點位置示意圖；圖8為本發(fā)明實施例中第一分段的顱內(nèi)壓信號經(jīng)過一次修正處理后的特征點提 取結果示意圖；圖9為本發(fā)明實施例中第一分段的顱內(nèi)壓信號經(jīng)過兩次修正處理后的特征點提 取結果示意圖。
具體實施例方式下面結合附圖和實施例對本發(fā)明的技術方案作進一步說明本發(fā)明提出了一種結合降噪、分窗識別和修正處理的顱內(nèi)壓信號單波特征點提取 方法。本發(fā)明利用提升小波變換方法對顱內(nèi)壓信號進行去噪處理，并分窗初步提取出顱內(nèi) 壓信號中各單波的極值點，再通過修正算法判斷這些極值點的準確性，逐一剔除誤判特征 點、找出漏檢特征點，保證特征點識別的準確性。本發(fā)明方法提供了以計算機平臺為應用基 礎的顱內(nèi)壓信號單波特征點提取方法，實現(xiàn)計算機對顱內(nèi)壓信號單波特征點的自動提?。?以本發(fā)明方法作為基礎，有助于進一步實現(xiàn)顱內(nèi)壓信號分析設備對各單波的特征參數(shù)的計 算，提高顱內(nèi)壓信號單波特征參數(shù)計算的精度，從而得到豐富的臨床診斷信息，增強臨床顱內(nèi)壓監(jiān)護中對顱內(nèi)壓變化趨勢的分析和預警能力，具有廣闊的醫(yī)療器械產(chǎn)業(yè)應用前景。下 面通過實施例對本發(fā)明的實際應用和效果做進一步說明。實施例顱內(nèi)壓監(jiān)護儀采集到一段時間內(nèi)連續(xù)的顱內(nèi)壓信號，將該顱內(nèi)壓信號輸入計算 機，按本發(fā)明方法由計算機進行去噪處理后對完成對顱內(nèi)壓信號中各單波特征點的提取， 該方法的流程框圖如圖2所示，具體步驟如下1)本實施例對采集的顱內(nèi)壓信號按400Hz的采樣頻率進行采樣預處理，再對預處 理后的顱內(nèi)壓信號按2段/分鐘的間隔進行分段，即每一分段的顱內(nèi)壓信號時長為30s ；其 中第一個分段(所采集顱內(nèi)壓信號的0 30秒信號段)的顱內(nèi)壓信號波形以及采樣點序 列號如圖3所示，相鄰序列號的兩個采樣點之間的時間間隔為2. 5ms。幻利用提升小波變換對每一分段的顱內(nèi)壓信號進行降噪處理。提升小波變換方法 分為三個步驟分裂步驟、預測步驟和更新步驟。①分裂(Split)是將信號Aj = {aJjk} (aJjk表示信號Aj中的采樣點，k表示采樣點 序列號)分為兩個互不相交的子集和。每個子集的長度是原子集的一半。將分裂過程用算 子Split來表示，通常是將一個數(shù)列分為偶數(shù)序列^v1和奇數(shù)序列Cvi,即Split(Aj) = (θ^,ο^)；其中，e”= Iej^ljk = aJj2k}，Oj^1 = Ioj^1jk = aJj2k+1}。②預測O^edict)是利用偶數(shù)序列和奇數(shù)序列之間的相關性，由其中一個序列 (一般是偶序列e^)來預測另一個序列(一般是奇序列Cvi)。將預測過程用算子P來表 示，實際值CV1與預測值P(^v1)的差值C^1反映了兩者之間的逼近程度，稱之為細節(jié)系數(shù)或 小波系數(shù)，對應于原信號…的高頻部分。一般來說，數(shù)據(jù)的相關性越強，則小波系數(shù)的幅值 就越小。如果預測是合理的，則差值數(shù)據(jù)集dH所包含的信息比原始子集Cvi包含的信息要 少得多。例如，預測過程可以如下Clj^1 = C^1-P (e^)；其中，預測算子P可用預測函數(shù)Pk來表示，函數(shù)Pk可取為^v1中的對應數(shù)據(jù)本身Pk(ej_ljk) = ej_ljk = Bj, 2k ；或^vi中的對應數(shù)據(jù)的相鄰數(shù)據(jù)的平均值Pk (e”) = (θ^,,+θ^,^)^ = (Bjj2^ajj2w)/2 ；或其他更復雜的函數(shù)。③經(jīng)過分裂步驟產(chǎn)生子集的某些整體特征(如均值)可能與原始數(shù)據(jù)并不一致， 為了保持原始數(shù)據(jù)的這些整體特征，需要一個更新(Update)過程。將更新過程用算子U來 表示，其過程如下Bj^1 = ej^+U (Clj^1)；其中，Bjm為…的低頻部分；與預測函數(shù)一樣，更新算子也可以取不同函數(shù)，如Uk(Clj^1) = (Ijm, k/2 ；或Uk(CV1) = (dj—LH+dj—u)/4+1/2。P與U取不同的函數(shù)，可構造出不同的提升小波變換方式。利用提升小波變換對信號進行降噪處理，在信號分析處理領域是一種較為常見的應用方式，因為提升小波變換可以避免內(nèi)積運算，可實現(xiàn)同址運算，而且反變換只有符號的 替換，運算速率比普通降噪處理變換提高一倍以上，且具有較好的降噪效果；這也是本發(fā)明 方法選擇提升小波變換對顱內(nèi)壓信號進行降噪的主要原因。基于提升小波變換的信號降噪 處理方法，作為本領域的常用方法，其具體步驟可詳見《基于提升小波變換的信號降噪及其 工程應用》(孔國杰、張培林、曹建軍、楊惠勇等，《計算機工程與應用》2008年第44卷第10 期，234 237頁)以及《基于小波變換提升算法的二維信號降噪新方法研究》(鄧添予、郭 科、付宇，《四川理工學院學報自然科學版》2009年第22卷第3期，77 79頁、82頁)等 文獻，本文在此就不多加贅述。第一分段的顱內(nèi)壓信號經(jīng)提升小波變換進行降噪處理后，所 得到的信號波形如圖4所示，與圖3比較可以看到噪聲干擾明顯較小，可以提高后期特征點 提取處理的準確率。3)以滑動系數(shù)為δ = fs/2f、滑動窗寬為w = fs/2f的滑動窗對每一分段的顱內(nèi) 壓信號進行分窗處理；其中，fs表示預處理的采樣頻率，f表示顱內(nèi)壓信號的波形周期頻率。 本實施例中，fs = 400Hz, f的值可由人工觀察顱內(nèi)壓信號波形估算獲得，從第一分段的顱 內(nèi)壓信號波形可見，每秒種時長的顱內(nèi)壓信號波形中約包含有1. 5個單波，即可估算f = 1. 5Hz ；因此，δ =w = fs/2f 133，即每個分窗包含133個采樣點。4)求得每個分窗的顱內(nèi)壓信號中幅值的極大值和極小值對應的采樣點，作為顱內(nèi) 壓信號中單個波形的特征點。按此步驟對經(jīng)過采樣、降噪處理的第一分段顱內(nèi)壓信號進行 初步特征點提取，初步提取結果如圖5所示；圖5中，符號“*”標示出的采樣點為初步提取 得到的極大值點，符號“〇”標示出的采樣點為初步提取得到的極小值點。5)預設定起點時間間隔取值范圍Cwl為500 800ms，峰值時間間隔取值范圍Cw2 為500 800ms，幅值取值范圍Cp為0. 5 35. OmmHg,起-峰時間間隔取值范圍Ct為100 250ms ；6)在顱內(nèi)壓信號的上述特征點中，計算每兩個相鄰極小值點之間的時間間隔dwl、 每兩個相鄰極大值點之間的時間間隔dw2，以及每個極大值點與其前相鄰極小值點的幅值差 dp和時間間隔dt ；這些單波特征參數(shù)的圖示含義如圖6所示，其中Pmax表示極大值點，Rnin 表示極小值點。7)根據(jù)求得的參數(shù)dwl、dw2、dp和dt，對顱內(nèi)壓信號的特征點進行如下的修正a)如果兩個相鄰極小值點之間的時間間隔dwl在Cwl以內(nèi)，在該兩個相鄰極小值點 之間存在兩個相鄰的極大值點，并且該兩個相鄰極大值點之間的時間間隔dw2小于Cw2的下 限，則分別計算該兩個相鄰極大值點與其前一個相鄰極小值點的幅值差dp ；若兩個幅值差 均在Cp以內(nèi)，將幅值差較小的一個極大值點作為誤判點舍棄掉；否則，將幅值差小于(；下限 或大于Cp上限的極大值點均作為誤判點舍棄掉；b)如果兩個相鄰極小值點之間的時間間隔dwl在Cwl以內(nèi)，在該兩個相鄰極小值點 之間不存在極大值點，則計算該兩個相鄰極小值點之間幅值最大的采樣點與該采樣點前一 個相鄰極小值點的幅值差dp ；若該幅值差在Cp以內(nèi)，則將該幅值最大的采樣點作為補充的 極大值點；否則，不作處理；c)如果兩個相鄰極大值點之間的時間間隔dw2在Cw2以內(nèi)，在該兩個相鄰極大值點 之間存在兩個相鄰的極小值點，并且該兩個相鄰極小值點之間的時間間隔dwl小于Cwl的下 限，則分別計算該兩個相鄰極小值點與其后一個相鄰極大值點之間的時間間隔dt ；若兩個時間間隔均在Ct以內(nèi)，將幅值較大的一個極小值點作為誤判點舍棄掉；否則，將時間間隔小 于Ct下限或大于Ct上限的極小值點均作為誤判點舍棄掉；d)如果兩個相鄰極大值點之間的時間間隔dw2在Cw2以內(nèi)，在該兩個相鄰極小值點 之間不存在極小值點，則計算該兩個相鄰極大值點之間幅值最小的采樣點與該采樣點后一 個相鄰極大值點的時間間隔dt ；若該時間間隔在Ct以內(nèi)，則將該幅值最小的采樣點作為補 充的極小值點；否則，不作處理；采用上述的修正算法對第一分段的顱內(nèi)壓信號進行修正過程中發(fā)現(xiàn)，經(jīng)過步驟4) 初步提取特征點后，第一分段的顱內(nèi)壓信號中依然存在多處誤判和漏檢的特征點，具體位 置如圖7所示；圖7中，符號“*”標示出的采樣點為初步提取得到的極大值點，符號“O”標 示出的采樣點為初步提取得到的極小值點，符號“ 口，，標示出的采樣點為誤判的特征點，符 號“ ”標示出的采樣點為漏檢的特征點。利用該步驟的修正算法，可以剔除顱內(nèi)壓信號中誤判的極值點，同時找出漏檢的 極值點，從而對步驟4)初步提取得到的特征點進行進一步的修正。采用該步驟對第一分段 的顱內(nèi)壓信號初步提取的特征點進行一次修正后，修正結果如圖8所示，與圖7進行比較可 以看到，圖7中存在的誤判特征點已被剔除，而漏檢的特征點也得到了補充。8)重復步驟7)，對顱內(nèi)壓信號的特征點進行反復的修正，直至顱內(nèi)壓信號的特征 點中，不再存在a)和c)中所述的誤判點，也不再存在需要按b)和d)補充的極大值點和極 小值點，最終獲得顱內(nèi)壓信號的特征點識別結果。通過步驟7)對第一分段的顱內(nèi)壓信號 進行一次修正后，尚還存在一處漏檢的特征點，如圖8中符號“ ”標示所示；因此，再次重 復步驟7)，對其進行第二次修正，修正結果如圖9所示，可以看到漏檢的特征點再次得到補 充。經(jīng)過兩次修正算法的修正處理，第一分段的顱內(nèi)壓信號中沒有再檢測出誤判或漏檢的 特征點，因此圖9中符號“〇”標示出的極小值點以及符號“*”標示出的極大值點即為第一 分段的顱內(nèi)壓信號的特征點最終提取結果。根據(jù)了顱內(nèi)壓信號人工特征點識別知識可以判 斷，圖9所示的特征點提取結果中，僅有序列號“11480”處的極大值點的正誤尚值得討論， 其他特征點的提取都非常的準確。利用上述步驟，完成對顱內(nèi)壓信號中每個分段的特征點提取，即可得到顱內(nèi)壓信 號中的全部極小值點和極大值點；上述對第一分段的特征點提取僅經(jīng)過了兩次修正處理 (即步驟7)執(zhí)行了兩次)，對于其他分段的修正處理可能需要進行多次，也可能只需修正一 次，每個分段顱內(nèi)壓信號的修正處理都以是否還含有誤判或漏檢特征點為終止判斷標準。 求出顱內(nèi)壓信號的這些特征點后，可利用特征點中的極小值點作為顱內(nèi)壓信號的單波起 點，進而從顱內(nèi)壓信號中分割出一個個的單波信號；而每個單波信號中的極大值點可以提 供顱內(nèi)壓信號的重要信息，進而可為顱內(nèi)壓的前沿醫(yī)療診斷提供輔助作用。由此可見，本發(fā) 明方法提取獲得的顱內(nèi)壓信號的特征點可用于輔助臨床醫(yī)療診斷，進而將本發(fā)明方法應用 于顱內(nèi)壓信號分析設備領域，讓顱內(nèi)壓信號分析設備能夠自動分割顱內(nèi)壓信號的單波，并 提取到每個單波信號中的極大值點的位置，有助于提高對顱內(nèi)壓信號分析設備的診斷分析 能力。如果為了進一步提高精度，還可以在步驟1)中對采集的顱內(nèi)壓信號進行采樣預 處理后，進一步利用計算機對顱內(nèi)壓信號進行平滑處理，以進一步將低噪聲的干擾影響。例 如，若采用9點平滑處理，則
y{ri) = ^ [x(n) + x(n -1) + x( - 2) + - 3) +... + x(n - 9)]；其中，x(n)、x(n-l)、…、χ(n_9)表示顱內(nèi)壓信號中序列號為n、n_l、…、n_9的 采樣點的幅值，y(n)為表示顱內(nèi)壓信號中序列號為η的采樣點經(jīng)平滑處理過后的幅值；對 于特殊情況，當η <9時，y (η)的計算式中χ (0)、χ (-1)、…、χ(_8)的幅值可以取零。此外，經(jīng)實際操作驗證，本發(fā)明基于修正算法的顱內(nèi)壓信號單波特征點提取方法， 在步驟1)中對采集的顱內(nèi)壓信號進行采樣預處理的采樣頻率在200 1000Hz之間，分段 間隔取2 10段/分鐘，最終都能夠獲得準確率較高的提取結果；采樣頻率過低會導致采 樣后信號輪廓失真嚴重；采樣頻率過高或分段數(shù)過多，無疑增加了提取過程中的計算量，會 降低本發(fā)明方法整體的運算魯棒性。本發(fā)明方法通過先分段降噪，分窗粗略求出顱內(nèi)壓信號中極大值、極小值點作為 特征點，再采用修正算法對特征點進行進一步修正的方法，實現(xiàn)顱內(nèi)壓信號中單波起點 (極小值點)以及每個單波中極大值點的提取。其中，分段降噪采用了提升小波變換方法， 提升小波變換避免了內(nèi)積運算，可實現(xiàn)同址運算，而且反變換只有符號的替換，運算速率比 普通降噪處理變換提高一倍以上，且具有較好的降噪效果，降低信號中噪聲對提取過程的 不良影響；分窗處理的滑動窗，其滑動系數(shù)為δ =&/2廠滑動窗寬為《 = 4/2￡，從而使得 每個分窗包含約半個單波波形，從而保證在步驟4)的特征點識別中不會過多的遺漏單波 中的極大值點或極小值點，為后續(xù)的修正處理作好前期基礎，提高整體的提取處理效率；再 加之本發(fā)明步驟7)中的修正算法，將此前誤判的特征點逐一剔除，并補充漏檢的特征點， 從而保證了最終特征點提取的準確性，且修正算法中不包含內(nèi)積、微分等復雜的運算過程， 有利于保證計算機執(zhí)行應用的魯棒性。最后說明的是，以上實施例僅用以說明本發(fā)明的技術方案而非限制，盡管參照較 佳實施例對本發(fā)明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技 術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的宗旨和范圍，其均應涵蓋在本 發(fā)明的權利要求范圍當中。
權利要求
1.基于修正算法的顱內(nèi)壓信號單波特征點提取方法，其特征在于，將顱內(nèi)壓監(jiān)護儀采 集的顱內(nèi)壓信號輸入計算機，通過計算機處理獲得顱內(nèi)壓信號的特征點；所述計算機處理 具體包括以下步驟1)對采集的顱內(nèi)壓信號進行采樣預處理，再對預處理后的顱內(nèi)壓信號按N段/分鐘的 間隔進行分段；其中，2彡N彡10;2)利用提升小波變換對每一分段的顱內(nèi)壓信號進行降噪處理；3)以滑動系數(shù)為δ= fs/2f、滑動窗寬為W = fs/2f的滑動窗對每一分段的顱內(nèi)壓信 號進行分窗處理；其中，fs表示預處理的采樣頻率，f表示顱內(nèi)壓信號的波形周期頻率；4)求得每個分窗的顱內(nèi)壓信號中幅值的極大值和極小值對應的采樣點，作為顱內(nèi)壓信 號中單個波形的特征點；5)預設定起點時間間隔取值范圍Cwl、峰值時間間隔取值范圍Cw2、幅值取值范圍Cp和 起-峰時間間隔取值范圍Ct;6)在顱內(nèi)壓信號的特征點中，計算每兩個相鄰極小值點之間的時間間隔dwl、每兩個相 鄰極大值點之間的時間間隔dw2，以及每個極大值點與其前相鄰極小值點的幅值差dp和時 間間隔dt ；7)根據(jù)求得的參數(shù)dwl、dw2、dp和dt，對顱內(nèi)壓信號的特征點進行如下的修正a)如果兩個相鄰極小值點之間的時間間隔dwl在Cwl以內(nèi)，在該兩個相鄰極小值點之間 存在兩個相鄰的極大值點，并且該兩個相鄰極大值點之間的時間間隔dw2小于Cw2的下限，則 分別計算該兩個相鄰極大值點與其前一個相鄰極小值點的幅值差dp ；若兩個幅值差均在Cp 以內(nèi)，將幅值差較小的一個極大值點作為誤判點舍棄掉；否則，將幅值差小于Cp下限或大于 Cp上限的極大值點均作為誤判點舍棄掉；b)如果兩個相鄰極小值點之間的時間間隔dwl在Cwl以內(nèi)，在該兩個相鄰極小值點之間 不存在極大值點，則計算該兩個相鄰極小值點之間幅值最大的采樣點與該采樣點前一個相 鄰極小值點的幅值差dp ；若該幅值差在Cp以內(nèi)，則將該幅值最大的采樣點作為補充的極大 值點；否則，不作處理；c)如果兩個相鄰極大值點之間的時間間隔dw2在Cw2以內(nèi)，在該兩個相鄰極大值點之間 存在兩個相鄰的極小值點，并且該兩個相鄰極小值點之間的時間間隔dwl小于Cwl的下限，則 分別計算該兩個相鄰極小值點與其后一個相鄰極大值點之間的時間間隔dt ；若兩個時間間 隔均在Ct以內(nèi)，將幅值較大的一個極小值點作為誤判點舍棄掉；否則，將時間間隔小于C1T 限或大于Ct上限的極小值點均作為誤判點舍棄掉；d)如果兩個相鄰極大值點之間的時間間隔dw2在Cw2以內(nèi)，在該兩個相鄰極小值點之間 不存在極小值點，則計算該兩個相鄰極大值點之間幅值最小的采樣點與該采樣點后一個相 鄰極大值點的時間間隔dt ；若該時間間隔在Ct以內(nèi)，則將該幅值最小的采樣點作為補充的 極小值點；否則，不作處理；8)重復步驟7)，直至顱內(nèi)壓信號的特征點中，不再存在a)和c)中所述的誤判點，也不 再存在需要按b)和d)補充的極大值點和極小值點。
2.根據(jù)權利要求1所述的基于修正算法的顱內(nèi)壓信號單波特征點提取方法，其特征在 于，在對顱內(nèi)壓信號的預處理中，所述采樣頻率為fs為200 1000Hz。
3.根據(jù)權利要求1所述的基于修正算法的顱內(nèi)壓信號單波特征點提取方法，其特征在所述起點時間間隔取值范圍Cwl的下限為500ms，上限為800ms ； 所述峰值時間間隔取值范圍Cw2的下限為500ms，上限為800ms ； 所述幅值取值范圍Cp的下限為0. 5mmHg，上限為35. OmmHg ； 所述起-峰時間間隔取值范圍Ct的下限為100ms，上限為250ms。
全文摘要
本發(fā)明提供一種基于修正算法的顱內(nèi)壓信號單波特征點提取方法。該方法利用提升小波變換方法對顱內(nèi)壓信號進行去噪處理，并分窗初步提取出顱內(nèi)壓信號中各單波的極值點，再通過修正算法判斷這些極值點的準確性，逐一剔除誤判特征點、找出漏檢特征點，保證特征點識別的準確性。本發(fā)明方法提供了以計算機平臺為應用基礎的顱內(nèi)壓信號單波特征點提取方法，實現(xiàn)計算機對顱內(nèi)壓信號單波特征點的自動提取；以本發(fā)明方法作為基礎，有助于進一步實現(xiàn)顱內(nèi)壓信號分析設備對各單波的特征參數(shù)的計算，提高顱內(nèi)壓信號單波特征參數(shù)計算的精度，從而得到豐富的臨床診斷信息，增強臨床顱內(nèi)壓監(jiān)護中對顱內(nèi)壓變化趨勢的分析和預警能力，具有廣闊的醫(yī)療器械產(chǎn)業(yè)應用前景。
文檔編號A61B5/03GK102048530SQ201010603580
公開日2011年5月11日 申請日期2010年12月22日 優(yōu)先權日2010年12月22日
發(fā)明者季忠, 楊力 申請人:重慶大學