[发明专利]基于多尺度小波特征的机械通气无效吸气努力识别方法

权利要求书

1.基于多尺度小波特征的机械通气无效吸气努力识别方法，其特征在于，所述方法包括以下步骤：

a读取呼吸波形数据，对其进行预处理，首先通过寻找流速波形第一个过零点来确定呼气开始点，并认为该点到呼气结束为该次呼吸的呼气相，选取呼气相作为分析对象；然后通过去除呼气相波形中线性趋势来消除数据偏移对后期计算的影响；

b通过离散小波变换对呼气相流速波形进行N层分解；

c对各层小波系数进行特征提取，包括模糊熵、近似熵、样本熵、方差、平均绝对误差、四分位差、短时标准偏差、长时标准偏差以及短时标准偏差/长时标准偏差；

d利用序列前向选择算法选择最佳特征；

e应用支持向量机分类器基于最佳特征进行分类，进而得到人机不同步分类结果；

所述步骤b中，选用‘db5’小波基函数对呼吸流速波形进行分解得到若干个细节信号和近似信号，分解层数N取5-8之间，采样点个数为M，则最大分解层数应满足以下条件：

N_max≤log₂ M

其中N_max为最大分解层数，M为采样点个数；

连续信号x(t)的小波变换定义如下：

其中a和b分别为尺度因子和平移因子，尺度因子控制小波函数的伸缩，与频率成反比，平移因子控制小波函数的平移，对应于时间；因为输入信号为经过采样处理的离散信号，使用离散小波变换：

离散小波变换实质是对尺度因子和平移因子进行离散化；

所述步骤c中，共提取了9种特征，

模糊熵和近似熵都用于衡量信号的不规则性，近似熵是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学参数，它用一个非负数来表示一个时间序列的复杂性，反映了时间序列中新信息发生的可能性，越复杂的时间序列对应的近似熵越大；模糊熵衡量的也是不规则事件产生的概率大小，测度值越大，不规则事件产生的概率越大，即序列复杂度越大；

方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量，统计中是指每个样本值与全体样本值的平均数之差的平方值的平均数；

平均绝对误差是所有单个值与算术平均值的偏差的绝对值的平均，平均绝对误差可以避免误差相互抵消的问题，因而可以准确反映实际每个值误差的大小；

四分位差是上四分位数与下四分位数的差，反映了50％数据的离散程度；

短时标准偏差和长时标准偏差都是庞加莱图中的计算结果，前者反映了相邻两个采样点之间的差异程度，后者则反映了整个呼吸波形中的总体变异度；

所述步骤d中，序列前向选择算法包括以下步骤：

d1：所有的特征X₁、X₂、X₂……X_N都被单独应用到分类器中，以选择效果最佳的一种特征，假定最佳特征为X_i；

d2：将效果最佳的特征X_i分别与剩下的特征X₁、X₂……X_i-1、X_i+1……X_N一一结合，选取效果最佳的一组特征，假定最佳组合为[X_i,X_j]；

d3：将[X_i,X_j]分别与剩下的特征X₁、X₂……X_i-1、X_i+1……X_j-1、X_j+1……X_N一一结合，选取效果最佳的一组特征；

d4：重复执行步骤d3，直到效果出现下降。

2.如权利要求1所述的基于多尺度小波特征的机械通气无效吸气努力识别方法，其特征在于，所述步骤a中，呼吸波形数据由专业医生进行标注，然后提取所有无效吸气努力波形，并随机挑选相同数目的非无效吸气努力波形，从而对数据集进行了样本均衡，使得模型更容易训练。