一种从胸阻抗信号中分离心跳信号的方法与流程

1.本发明涉及生物阻抗领域，尤其是一种从胸阻抗信号中分离心跳信号的方法。


背景技术：

2.胸阻抗法(thoracic electr ical bioimpedance,teb)无创动力学监测被越来越广泛的运用在临床监测中。胸阻抗法的原理为,人体中血液、骨骼、脂肪、肌肉具有不同的导电性，血液和体液阻抗最小，骨骼和空气阻抗最大，随着心脏收缩、舒张，主动脉内的血液流量发生着变化。在胸阻抗技术主要应用在对呼吸的监测和icg对心脏血流的监测。icg技术主要为通过zmarctm算法处理后可提供多个血液动力学参数，如每搏输出量/每搏输出量(sv/svd)、心输出量/心脏指数(co/ci)、外周血管阻力/外周血管阻力指数(svr/四日)、胸液成份(tfc)、速度指数(vi)、加速度指数(aci)等。
3.心电图(ecg)是利用心电图机从体表记录心脏每一心动周期所产生的心电信号变化的图形。一个心电图的周期内包括p波、qrs波、t波和u波，其中，qrs波是心电信号中重要的成分，它反映了心室收缩时心脏内的电流活动情况，它的发生时间和波形能够提供许多关于心脏状态的信息。其中，r波的波幅最大，可通过qrs波中r波之间的间距变化计算心率变异性，心率变异性反映了自主神经系统活性，可以评估心脏交感神经与迷走神经张力及其平衡性，同时还可以预测心脏性猝死和心律失常性事件。
4.但是，由于无创心电信号中具有噪声干扰大、信号微弱而变异性又强的确定，同时人体阻抗信号由心跳引起的阻抗变化幅度很小，且人体噪声信号中噪声较大，导致很难正确地识别人体阻抗信号中提取rr序列，胸阻抗信号往往作为心电信号的辅助信号使用。
5.如专利cn103083011公开了一种利用胸阻抗二阶差分图辅助快速准确实时定位心电r波峰的方法：采集同步的心电信号和胸阻抗信号，对心电信号进行预处理得到去除基线的心电信号，对胸阻抗信号进行二阶差分运算获得胸阻抗二阶差分图；根据胸阻抗二阶差分图中主峰值的采样点位置，以心电信号对应位置的采样点为原点划定前向搜索范围，然后在前向搜索范围内搜索r波峰。该发明无法通过胸阻抗技术监测心跳信号，利用计算和搜索的方式搜索到的r波准确度较低。


技术实现要素：

6.本发明的目的在于：针对上述存在的问题，提供一种从胸阻抗信号中分离抗心跳信号的方法，并通过定位到的心跳信号提取rr序列。本发明在胸阻抗信号中分离到一种信号，该信号与r波的波峰位置基本一致，可以解决从胸阻抗中分离hrv困难的问题。
7.本发明采用的技术方案如下：
8.一种从胸阻抗信号中分离抗心跳信号的方法，其特征在于，包括以下步骤：
9.s1、将电极片粘贴在测试者的主躯干处，采集测试者的胸阻抗信号，并对该数据进行预处理；
10.s2、按照一个时间窗口将步骤s1得到的胸阻抗信号划分为若干个信号段，然后对
信号段进行差分运算，并计算得到差分阵列；
11.s3、确定每个信号段中最大/最小的差分阵列值，确定该差分阵列的胸阻抗信号所在位置；
12.s4、将0.02～0.05s为另一个时间窗口，以步骤s3确定的位置为中心，分别向前和向后找到波峰和波谷，所述波峰或波谷用于表征心跳。
13.进一步的，所述步骤s2中按照0.4～2s为一个时间窗口，将胸阻抗信号划分为若干个信号段。
14.进一步的，所述步骤s2中的差分运算为前向差分或后向差分。
15.在上述技术方案中的时限指的是，一个复合波从开始到结束(或下一个信号开始)之间的，经历的完整周期时长。
16.进一步的，所述步骤s1还包括信号处理，所述信号处理包括去除噪音和归一化。
17.进一步的，还包括步骤s5建立神经网络模型：
18.将所述步骤s1得到的胸阻抗信号作为回归训练中的x轴，步骤s4定位的心跳信号作为回归训练的y轴，对心跳信号进行回归训练，建立得到神经网络模型。
19.进一步的，所述步骤s5的回归训练，包括以下步骤：
20.s51将胸阻抗信号作为x轴，定位得到的心跳信号作为y轴，输入到模型进行训练计算；
21.s52通过模型的计算，对胸阻抗信号中的心跳信号和背景信号进行区分，并确定心跳信号的范围；
22.s53根据步骤s52对心跳信号及其范围计算，得到信号计算的损失，重复步骤s52，直至损失趋近于零，完成回归训练得到神经网络模型。
23.进一步的，还包括s6心跳信号的预测：将步骤s1采集得到的胸阻抗信号输入到步骤s5建立的神经网络模型中，通过神经网络计算得到心跳信号。
24.一种从胸阻抗信号中确定心率的方法，其特征在于，通过步骤s4和/或步骤s6定位到的心跳信号，用于表征心率。
25.一种胸阻抗心跳信号中提取rr序列的方法，其特征在于，包括以下步骤：
26.步骤一、胸阻抗信号的采集，并将采集到的胸阻抗信号进行归一化预处理；
27.步骤二、将预处理后的胸阻抗信号进行神经网络模型计算，获取心跳信号范围；
28.步骤三、根据步骤二得到的心跳信号范围，得到rr序列。
29.进一步的，还包括步骤四、将步骤三得到的rr序列再通过步骤s5建立的神经网络模型计算，得到整段胸阻抗信号的rr序列。
30.综上所述，由于采用了上述技术方案，本发明的有益效果是：
31.1、本发明从胸阻抗信号提取得到的信号的波峰与r波的波峰基本一致，计算得到的rr序列也与通过r波计算得到的结果基本一致，可以准确的反应心率变异性。
32.2、胸阻抗信号可以采集呼吸、体位变化等多种信号数据，而本发明中心跳信号也是从胸阻抗信号中分离出来。相较于心电信号的r波，心跳信号没有多个设备之间兼容性差和时间差的问题，可以与其他阻抗信号共同分析，可以提高数据的准确性。
33.3、本发明将监测到的心跳信号通过神经网络进行计算得到神经网络模型，基于该模型可以对未监测到心跳信号的胸阻抗信号进行分析，进一步解决了胸阻抗信号采集效果
差的问题。
34.4、本发明在利用神经网络计算心跳信号的方法，进一步对胸阻抗信号进行rr序列分析，进一步的可以解决未噪音太大的胸阻抗信号的rr序列的计算。
附图说明
35.图1是本发明利用胸阻抗信号中提取心电心跳信号的流程图；
36.图2是心跳信号进行回归训练流程图；
37.图3是神经网络对心跳信号进行计算流程图；
38.图4是利用心跳信号提取整段rr序列流程图；
39.图5是采集的原始胸阻抗信号图；
40.图6是归一化后的胸阻抗信号图；
41.图7是与图6相对应的心电图。
具体实施方式
42.本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
43.本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
44.实施例1
45.如图1所示，提供了一种从胸阻抗信号中分离抗心跳信号的方法，其特征在于，包括以下步骤：
46.s1、将2个电极片(在其他实施例中不局限于2个电极片)粘贴在测试者的胸口处，一个电极片粘贴在左侧胸部心尖位置，另一个电极片粘贴在右侧胸部，在250hz的频率下用于采集测试者的胸阻抗信号，然后对采集到的胸阻抗信号进行去除噪音和归一化处理；
47.s2、按照2s作为一个时间窗口将步骤s1得到的胸阻抗信号划分为若干个信号段，然后对各个信号段中的信号进行前向差分运算，并计算得到差分阵列；
48.s3、确定每个信号段中，差分阵列值最小的胸阻抗信号所在位置；
49.s4、将0.02s为另一个时间窗口，以步骤s3确定的位置为中心，分别向前和向后找到波峰和波谷，所述波峰用于表征心跳。
50.在本实施例中，图5为采集到的一例原始胸阻抗信号，经过去躁、归一化和识别之后即可得到图6，对图6中的心跳信号的范围进行标记，并确定心跳信号的波峰，通过与图7心电信号中r波对比，可以发现心跳信号的波峰与r波(图7)的波峰基本重叠。
51.实施例2
52.本实施例提供了不同于实施例1的一种从胸阻抗信号中分离抗心跳信号的方法，包括以下步骤：
53.s1、将2个电极片粘贴在测试者的后背处，一个电极片粘贴在左侧胸部心尖位置，另一个电极片粘贴在右侧胸部，在500hz的频率下用于采集测试者的胸阻抗信号；
54.s2、按照1s作为一个时间窗口，将步骤s1得到的胸阻抗信号划分为若干个信号段，
然后对各个信号段进行后向差分运算，并计算得到差分阵列；
55.s3、确定每个信号段中最大的差分阵列，确定该差分阵列的胸阻抗信号所在位置；
56.s4、将0.03s为另一个时间窗口，以步骤s3确定的位置为中心，分别向前和向后找到波峰和波谷，所述波谷用于表征心跳。。
57.实施例3
58.由于人体阻抗信号由心跳引起的阻抗变化幅度很小，且人体噪声信号中噪声较大，存在部分为能监测到心跳信号的情况，图2和3提供了一种通过网络神经模型预测定位心跳信号的方法，还包括以下步骤：
59.s1、将2个电极片粘贴在测试者的胸口处，其中一个电极片粘贴在左侧胸部靠近心尖位置，另一个电极片粘贴在后背靠近心尖位置(在其他实施例中，还可以设置在其他可以监测到胸阻抗信号的主躯干位置)，在750hz的频率下用于采集测试者的胸阻抗信号，然后对采集到的胸阻抗信号进行去噪音和归一化预处理；
60.s2、按照0.4s作为一个时间窗口，将步骤s1得到的胸阻抗信号划分为若干个信号段，然后对各个信号段进行前向差分运算，并计算得到差分阵列；
61.s3、确定每个信号段中，差分阵列值最小的胸阻抗信号所在位置；
62.s4、将0.04s为另一个时间窗口，以步骤s3确定的位置为中心，分别向前和向后找到波峰和波谷，所述波峰用于表征心跳；
63.s4、然后以预处理之后的胸阻抗信号和定位得到的心跳信号为基础，建立网络神经模型：如图2所示，
64.s51对步骤s1预处理后的胸阻抗信号作为x轴，以步骤s3确定的位置为中心向前向后两个时间窗口作为心跳信号的区间范围作为y轴，输入到网络模型进行回归训练，本实施例中采用的网络模型为resnet模型，在其他实施例中技术人员还可以采用其他技术模型进行计算；
65.s52将胸阻抗信号中的心跳信号和背景信号两类信号进行区分；
66.s53将步骤s52心跳信号与心跳信号所在位置范围进行比对，计算心跳信号与所在范围之间的损失，重复步骤s52，直至损失小于等于0.1，完成回归训练得到神经网络模型。
67.s6心跳信号预测：如图3所示，然后将采集到的胸阻抗信号输入到建好的神经网络模型中，通过计算可以将信号分为心跳信号和背景信号两类信号，同时可以计算得到心跳信号的位置，将分类得到的心跳信号与心跳信号所在位置进行比较计算，当计算结果达到一定的阈值(这个阈值由技术人员根据实际需求设置)，然后再通过nms去重(non-maximum suppress ion，非极大值抑制)得到的心跳信号范围。
68.实施例4
69.通过实施例1和2对心跳信号的定位与实施例3对心跳信号的预测，如图4所示，本实施例提供了一种胸阻抗心跳信号中提取rr序列的方法，包括以下步骤：
70.步骤一、胸阻抗信号的采集，并将采集到的胸阻抗信号进行去除噪音和归一化处理；
71.步骤二、将处理后的胸阻抗信号使用实施例3建立好的神经网络模型进行计算，获取心跳信号的范围；
72.步骤三、根据步骤二得到的心跳信号范围，根据心跳信号的波峰或者波谷计算rr
序列；
73.步骤四、将步骤三得到的rr序列再通过实施例3建立的神经网络对整段胸阻抗信号进行计算，进而得到整段胸阻抗信号的rr序列。
74.本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。