基于修正算法的颅内压信号单波特征点提取方法.pdf

《基于修正算法的颅内压信号单波特征点提取方法.pdf》由会员分享，可在线阅读，更多相关《基于修正算法的颅内压信号单波特征点提取方法.pdf（15页珍藏版）》请在专利查询网上搜索。

1、(10)授权公告号 CN 102048530 B (45)授权公告日 2012.05.23 CN 102048530 B *CN102048530B* (21)申请号 201010603580.5 (22)申请日 2010.12.22 A61B 5/03(2006.01) (73)专利权人 重庆大学 地址 400044 重庆市沙坪坝区沙正街 174 号 (72)发明人 季忠 杨力 (74)专利代理机构 重庆博凯知识产权代理有限 公司 50212 代理人 张先芸 (54) 发明名称 基于修正算法的颅内压信号单波特征点提取 方法 (57) 摘要 本发明提供一种基于修正算法的颅内压信号 单波特征点提。

2、取方法。该方法利用提升小波变换 方法对颅内压信号进行去噪处理， 并分窗初步提 取出颅内压信号中各单波的极值点， 再通过修正 算法判断这些极值点的准确性， 逐一剔除误判特 征点、 找出漏检特征点， 保证特征点识别的准确 性。本发明方法提供了以计算机平台为应用基础 的颅内压信号单波特征点提取方法， 实现计算机 对颅内压信号单波特征点的自动提取 ； 以本发明 方法作为基础， 有助于进一步实现颅内压信号分 析设备对各单波的特征参数的计算， 提高颅内压 信号单波特征参数计算的精度， 从而得到丰富的 临床诊断信息， 增强临床颅内压监护中对颅内压 变化趋势的分析和预警能力， 具有广阔的医疗器 械产业应用前景。

3、。 (51)Int.Cl. 审查员 张萌 权利要求书 2 页 说明书 7 页 附图 5 页 (19)中华人民共和国国家知识产权局 (12)发明专利 权利要求书 2 页 说明书 7 页 附图 5 页 1/2 页 2 1. 基于修正算法的颅内压信号单波特征点提取方法， 其特征在于， 将颅内压监护仪采 集的颅内压信号输入计算机， 通过计算机处理获得颅内压信号的特征点 ； 所述计算机处理 具体包括以下步骤 ： 1) 对采集的颅内压信号进行采样预处理， 再对预处理后的颅内压信号按 N 段 / 分钟的 间隔进行分段 ； 其中， 2 N 10 ； 2) 利用提升小波变换对每一分段的颅内压信号进行降噪处理 ；。

4、 3) 以滑动系数为 fs/2f、 滑动窗宽为 w fs/2f 的滑动窗对每一分段的颅内压信 号进行分窗处理 ； 其中， fs表示预处理的采样频率， f 表示颅内压信号的波形周期频率 ； 4) 求得每个分窗的颅内压信号中幅值的极大值和极小值对应的采样点， 作为颅内压信 号中单个波形的特征点 ； 5) 预设定起点时间间隔取值范围 Cw1、 峰值时间间隔取值范围 Cw2、 幅值取值范围 Cp和 起 - 峰时间间隔取值范围 Ct； 6) 在颅内压信号的特征点中， 计算每两个相邻极小值点之间的时间间隔 dw1、 每两个相 邻极大值点之间的时间间隔 dw2， 以及每个极大值点与其前相邻极小值点的幅值差 。

5、dp和时 间间隔 dt； 7) 根据求得的参数 dw1、 dw2、 dp和 dt， 对颅内压信号的特征点进行如下的修正 ： a) 如果两个相邻极小值点之间的时间间隔 dw1在 Cw1以内， 在该两个相邻极小值点之间 存在两个相邻的极大值点， 并且该两个相邻极大值点之间的时间间隔dw2小于Cw2的下限， 则 分别计算该两个相邻极大值点与其前一个相邻极小值点的幅值差 dp； 若两个幅值差均在 Cp 以内， 将幅值差较小的一个极大值点作为误判点舍弃掉 ； 否则， 将幅值差小于Cp下限或大于 Cp上限的极大值点均作为误判点舍弃掉 ； b) 如果两个相邻极小值点之间的时间间隔 dw1在 Cw1以内， 在。

6、该两个相邻极小值点之间 不存在极大值点， 则计算该两个相邻极小值点之间幅值最大的采样点与该采样点前一个相 邻极小值点的幅值差 dp； 若该幅值差在 Cp以内， 则将该幅值最大的采样点作为补充的极大 值点 ； 否则， 不作处理 ； c) 如果两个相邻极大值点之间的时间间隔 dw2在 Cw2以内， 在该两个相邻极大值点之间 存在两个相邻的极小值点， 并且该两个相邻极小值点之间的时间间隔dw1小于Cw1的下限， 则 分别计算该两个相邻极小值点与其后一个相邻极大值点之间的时间间隔 dt； 若两个时间间 隔均在Ct以内， 将幅值较大的一个极小值点作为误判点舍弃掉 ； 否则， 将时间间隔小于Ct下 限或大。

7、于 Ct上限的极小值点均作为误判点舍弃掉 ； d) 如果两个相邻极大值点之间的时间间隔 dw2在 Cw2以内， 在该两个相邻极大值点之间 不存在极小值点， 则计算该两个相邻极大值点之间幅值最小的采样点与该采样点后一个相 邻极大值点的时间间隔 dt； 若该时间间隔在 Ct以内， 则将该幅值最小的采样点作为补充的 极小值点 ； 否则， 不作处理 ； 8) 重复步骤 7)， 直至颅内压信号的特征点中， 不再存在 a) 和 c) 中所述的误判点， 也不 再存在需要按 b) 和 d) 补充的极大值点和极小值点。 2. 根据权利要求 1 所述的基于修正算法的颅内压信号单波特征点提取方法， 其特征在 于， 。

8、在对颅内压信号的预处理中， 所述采样频率为 fs为 200 1000Hz。 3. 根据权利要求 1 所述的基于修正算法的颅内压信号单波特征点提取方法， 其特征在 权 利 要 求 书 CN 102048530 B 2 2/2 页 3 于 ： 所述起点时间间隔取值范围 Cw1的下限为 500ms， 上限为 800ms ； 所述峰值时间间隔取值范围 Cw2的下限为 500ms， 上限为 800ms ； 所述幅值取值范围 Cp的下限为 0.5mmHg， 上限为 35.0mmHg ； 所述起 - 峰时间间隔取值范围 Ct的下限为 100ms， 上限为 250ms。 权 利 要 求 书 CN 102048。

9、530 B 3 1/7 页 4 基于修正算法的颅内压信号单波特征点提取方法 技术领域 0001 本发明涉及颅内压信号的自动检测与分析技术领域， 特别涉及一种基于特殊的修 正算法的颅内压信号单波特征点提取方法。 背景技术 0002 颅内高压是引起颅内疾病患者死亡的常见原因， 及时、 准确地掌握患者颅内压的 水平和定量诊断， 是临床治疗至关重要的一步。 颅内压增高， 可导致一系列的生理功能紊乱 和病理改变， 表现出头痛恶心、 呕吐、 视乳头水肿等典型表现， 严重颅内压增高还可并发肺 水肿等并发症 ； 亦可因脑疝形成压迫或破坏下丘脑造成植物神经功能紊乱， 并可在短时间 内危及生命， 是神经内外科疾病。

10、引起死亡的主要原因。 对于临床医生而言， 精确获知患者颅 内压高低以及颅内压变化趋势， 对于判断病情、 指导治疗、 抢救生命以及治愈后的复查判断 都是非常重要的。 0003 颅内压信号随着心脏的搏动而波动， 这是心脏的每一搏出引起动脉扩张的结果， 因此颅内压信号是一种以连续波动的方式传播的准周期逐拍信号， 连续逐拍中每一节拍的 起点代表着一次心脏搏动期间的颅内压信号成分的到来。如图 1 所示的一段颅内压信号， 其中圈点即为单个波形的起始点。从图 1 中所示的颅内压信号波形能够看到， 尽管颅内压 信号随心脏的搏动呈准周期变化， 其波形形态却非常不规律， 信号波形中还同时伴随着高 频率的节律性波动。

11、， 并且信号的基线也存在起伏漂移， 这主要是因为颅内压信号受到多方 面因素的影响， 例如全身血管和脑血管活跃的运动影响着颅内压， 颅内压对静脉压的变动 也非常敏感等。同时， 因为静脉压的影响， 憋气、 用力也会引起颅内压信号的基线产生相应 的明显漂移， 特别是咳嗽、 喷嚏等动作更会引起颅内压信号产生相应的剧烈抖动。 由于这些 复杂的因素， 采用计算机方法对颅内压信号中单个波形的特征提取和波形识别比较困难， 因此现有临床颅内压检测设备大多以颅内压平均值Micp(各采样点颅内压力之和/采样点 数 ) 作为临床指标 ； 但是， 颅内压信号单波的特征信息， 如单波波形的时长、 单波中极大值 点的幅值等。

12、可以提供更丰富的临床信息， 颅内压信号单波的这些特征信息也往往与脑血流 的自律和脑脊液系统的顺应性有关， 因此， 对颅内压信号进行单个波形的有效识别和特征 信息的提取， 在前沿医疗领域具有重要意义。 发明内容 0004 针对现有技术存在的上述不足， 本发明的目的是提供一种基于修正算法的颅内压 信号单波特征点提取方法， 使之能够利用计算机平台实现连续颅内压信号的单波特征点的 自动提取， 以应用于颅内压信号分析设备领域， 有助于提高颅内压信号分析设备的诊断分 析能力。 0005 本发明的目的是这样实现的 ： 基于修正算法的颅内压信号单波特征点提取方法， 其特征在于， 将颅内压监护仪采集的颅内压信号。

13、输入计算机， 通过计算机处理获得颅内压 信号的特征点 ； 所述计算机处理具体包括以下步骤 ： 说 明 书 CN 102048530 B 4 2/7 页 5 0006 1) 对采集的颅内压信号进行采样预处理， 再对预处理后的颅内压信号按 N 段 / 分 钟的间隔进行分段 ； 其中， 2 N 10 ； 0007 2) 利用提升小波变换对每一分段的颅内压信号进行降噪处理 ； 0008 3)以滑动系数为fs/2f、 滑动窗宽为wfs/2f的滑动窗对每一分段的颅内压 信号进行分窗处理 ； 其中， fs表示预处理的采样频率， f 表示颅内压信号的波形周期频率 ； 0009 4) 求得每个分窗的颅内压信号中。

14、幅值的极大值和极小值对应的采样点， 作为颅内 压信号中单个波形的特征点 ； 0010 5)预设定起点时间间隔取值范围Cw1、 峰值时间间隔取值范围Cw2、 幅值取值范围Cp 和起 - 峰时间间隔取值范围 Ct； 0011 6) 在颅内压信号的特征点中， 计算每两个相邻极小值点之间的时间间隔 dw1、 每两 个相邻极大值点之间的时间间隔 dw2， 以及每个极大值点与其前相邻极小值点的幅值差 dp 和时间间隔 dt； 0012 7) 根据求得的参数 dw1、 dw2、 dp和 dt， 对颅内压信号的特征点进行如下的修正 ： 0013 a) 如果两个相邻极小值点之间的时间间隔 dw1在 Cw1以内，。

15、 在该两个相邻极小值点 之间存在两个相邻的极大值点， 并且该两个相邻极大值点之间的时间间隔 dw2小于 Cw2的下 限， 则分别计算该两个相邻极大值点与其前一个相邻极小值点的幅值差 dp； 若两个幅值差 均在Cp以内， 将幅值差较小的一个极大值点作为误判点舍弃掉 ； 否则， 将幅值差小于Cp下限 或大于 Cp上限的极大值点均作为误判点舍弃掉 ； 0014 b) 如果两个相邻极小值点之间的时间间隔 dw1在 Cw1以内， 在该两个相邻极小值点 之间不存在极大值点， 则计算该两个相邻极小值点之间幅值最大的采样点与该采样点前一 个相邻极小值点的幅值差 dp； 若该幅值差在 Cp以内， 则将该幅值最大。

16、的采样点作为补充的 极大值点 ； 否则， 不作处理 ； 0015 c) 如果两个相邻极大值点之间的时间间隔 dw2在 Cw2以内， 在该两个相邻极大值点 之间存在两个相邻的极小值点， 并且该两个相邻极小值点之间的时间间隔 dw1小于 Cw1的下 限， 则分别计算该两个相邻极小值点与其后一个相邻极大值点之间的时间间隔 dt； 若两个 时间间隔均在Ct以内， 将幅值较大的一个极小值点作为误判点舍弃掉 ； 否则， 将时间间隔小 于 Ct下限或大于 Ct上限的极小值点均作为误判点舍弃掉 ； 0016 d) 如果两个相邻极大值点之间的时间间隔 dw2在 Cw2以内， 在该两个相邻极大值点 之间不存在极小。

17、值点， 则计算该两个相邻极大值点之间幅值最小的采样点与该采样点后一 个相邻极大值点的时间间隔 dt； 若该时间间隔在 Ct以内， 则将该幅值最小的采样点作为补 充的极小值点 ； 否则， 不作处理 ； 0017 8) 重复步骤 7)， 直至颅内压信号的特征点中， 不再存在 a) 和 c) 中所述的误判点， 也不再存在需要按 b) 和 d) 补充的极大值点和极小值点。 0018 作为一种优选， 在对颅内压信号的预处理中， 所述采样频率为fs为2001000Hz。 0019 作为一种优选， 所述起点时间间隔取值范围 Cw1的下限为 500ms， 上限为 800ms ； 所 述峰值时间间隔取值范围 C。

18、w2的下限为 500ms， 上限为 800ms ； 所述幅值取值范围 Cp的下限 为 0.5mmHg， 上限为 35.0mmHg ； 所述起 - 峰时间间隔取值范围 Ct的下限为 100ms， 上限为 250ms。 0020 相比现有技术， 本发明具有如下有益效果 ： 说 明 书 CN 102048530 B 5 3/7 页 6 0021 1、 本发明方法通过先分段降噪， 分窗粗略求出颅内压信号中极大值、 极小值点作 为特征点， 再采用修正算法对特征点进行进一步修正的方法， 实现了颅内压信号中单波特 征点提取在计算机中的应用， 不仅降低了颅内压临床医师的工作量， 克服了人工手动提取 的误差， 。

19、将之应用于颅内压信号分析设备领域还有助于提高颅内压信号分析设备的诊断分 析能力。 0022 2、 本发明方法在对颅内压信号进行特征点提取之前， 首先采用提升小波变换方法 进行降噪处理， 保证处理效率的同时还确保了较好的降噪效果， 降低了颅内压信号中噪声 对提取过程的不良影响。 0023 3、 分窗处理时， 滑动窗的滑动系数为fs/2f、 滑动窗宽为wfs/2f， 使得每个 分窗包含约半个单波波形， 从而保证在步骤 4) 的特征点识别中不会过多的遗漏单波中的 极大值点或极小值点， 为后续的修正处理作好前期基础， 提高整体的提取处理效率。 0024 4、 本发明基于修正算法的颅内压信号单波特征点提。

20、取方法同时具备较高的提取 准确性和运算鲁棒性。 附图说明 0025 图 1 为颅内压信号示例波形图 ； 0026 图 2 为本发明方法的流程框图 ； 0027 图 3 为本发明实施例采集的颅内压信号中第一个分段的颅内压信号的波形图 ； 0028 图 4 为本发明实施例中第一分段的颅内压信号经提升小波变换降噪处理后的波 形图 ； 0029 图 5 为本发明实施例中第一分段的颅内压信号初步提取特征点的提取结果示意 图 ； 0030 图 6 为本发明修正算法中单波特征参数的示意图 ； 0031 图 7 为本发明实施例中第一分段的颅内压信号初步提取特征点中， 误判和漏检的 特征点位置示意图 ； 003。

21、2 图 8 为本发明实施例中第一分段的颅内压信号经过一次修正处理后的特征点提 取结果示意图 ； 0033 图 9 为本发明实施例中第一分段的颅内压信号经过两次修正处理后的特征点提 取结果示意图。 具体实施方式 0034 下面结合附图和实施例对本发明的技术方案作进一步说明 ： 0035 本发明提出了一种结合降噪、 分窗识别和修正处理的颅内压信号单波特征点提取 方法。本发明利用提升小波变换方法对颅内压信号进行去噪处理， 并分窗初步提取出颅内 压信号中各单波的极值点， 再通过修正算法判断这些极值点的准确性， 逐一剔除误判特征 点、 找出漏检特征点， 保证特征点识别的准确性。 本发明方法提供了以计算机。

22、平台为应用基 础的颅内压信号单波特征点提取方法， 实现计算机对颅内压信号单波特征点的自动提取 ； 以本发明方法作为基础， 有助于进一步实现颅内压信号分析设备对各单波的特征参数的计 算， 提高颅内压信号单波特征参数计算的精度， 从而得到丰富的临床诊断信息， 增强临床颅 说 明 书 CN 102048530 B 6 4/7 页 7 内压监护中对颅内压变化趋势的分析和预警能力， 具有广阔的医疗器械产业应用前景。下 面通过实施例对本发明的实际应用和效果做进一步说明。 0036 实施例 ： 0037 颅内压监护仪采集到一段时间内连续的颅内压信号， 将该颅内压信号输入计算 机， 按本发明方法由计算机进行去。

23、噪处理后对完成对颅内压信号中各单波特征点的提取， 该方法的流程框图如图 2 所示， 具体步骤如下 ： 0038 1) 本实施例对采集的颅内压信号按 400Hz 的采样频率进行采样预处理， 再对预处 理后的颅内压信号按 2 段 / 分钟的间隔进行分段， 即每一分段的颅内压信号时长为 30s ； 其 中第一个分段 ( 所采集颅内压信号的 0 30 秒信号段 ) 的颅内压信号波形以及采样点序 列号如图 3 所示， 相邻序列号的两个采样点之间的时间间隔为 2.5ms。 0039 2)利用提升小波变换对每一分段的颅内压信号进行降噪处理。 提升小波变换方法 分为三个步骤 ： 分裂步骤、 预测步骤和更新步骤。

24、。 0040 分裂 (Split) 是将信号 Aj aj， k(aj， k表示信号 Aj中的采样点， k 表示采样点 序列号 ) 分为两个互不相交的子集和。每个子集的长度是原子集的一半。将分裂过程用算 子 Split 来表示， 通常是将一个数列分为偶数序列 ej-1和奇数序列 oj-1， 即 ： 0041 Split(Aj) (ej-1， oj-1) ； 0042 其中， ej-1 ej-1， k aj， 2k， oj-1 oj-1， k aj， 2k+1。 0043 预测 (Predict) 是利用偶数序列和奇数序列之间的相关性， 由其中一个序列 ( 一般是偶序列 ej-1) 来预测另一个序。

25、列 ( 一般是奇序列 oj-1)。将预测过程用算子 P 来表 示， 实际值oj-1与预测值P(ej-1)的差值dj-1反映了两者之间的逼近程度， 称之为细节系数或 小波系数， 对应于原信号 aj的高频部分。一般来说， 数据的相关性越强， 则小波系数的幅值 就越小。 如果预测是合理的， 则差值数据集dj-1所包含的信息比原始子集oj-1包含的信息要 少得多。例如， 预测过程可以如下 ： 0044 dj-1 oj-1-P(ej-1) ； 0045 其中， 预测算子 P 可用预测函数 Pk来表示， 函数 Pk可取为 ej-1中的对应数据本身 ： 0046 Pk(ej-1， k) ej-1， k aj。

26、， 2k； 0047 或 ej-1中的对应数据的相邻数据的平均值 ： 0048 Pk(ej-1) (ej-1， k+ej-1， k+1)/2 (aj， 2k+aj， 2k+1)/2 ； 0049 或其他更复杂的函数。 0050 经过分裂步骤产生子集的某些整体特征 ( 如均值 ) 可能与原始数据并不一致， 为了保持原始数据的这些整体特征， 需要一个更新 (Update) 过程。将更新过程用算子 U 来 表示， 其过程如下 ： 0051 aj-1 ej-1+U(dj-1) ； 0052 其中， aj-1为 aj的低频部分 ； 与预测函数一样， 更新算子也可以取不同函数， 如 0053 Uk(dj-。

27、1) dj-1， k/2 ； 0054 或 ： 0055 Uk(dj-1) (dj-1， k-1+dj-1， k)/4+1/2。 0056 P 与 U 取不同的函数， 可构造出不同的提升小波变换方式。 0057 利用提升小波变换对信号进行降噪处理， 在信号分析处理领域是一种较为常见的 说 明 书 CN 102048530 B 7 5/7 页 8 应用方式， 因为提升小波变换可以避免内积运算， 可实现同址运算， 而且反变换只有符号的 替换， 运算速率比普通降噪处理变换提高一倍以上， 且具有较好的降噪效果 ； 这也是本发明 方法选择提升小波变换对颅内压信号进行降噪的主要原因。 基于提升小波变换的信。

28、号降噪 处理方法， 作为本领域的常用方法， 其具体步骤可详见 基于提升小波变换的信号降噪及其 工程应用 ( 孔国杰、 张培林、 曹建军、 杨惠勇等，计算机工程与应用 2008 年第 44 卷第 10 期， 234 237 页 ) 以及 基于小波变换提升算法的二维信号降噪新方法研究 ( 邓添予、 郭 科、 付宇，四川理工学院学报 ： 自然科学版 2009 年第 22 卷第 3 期， 77 79 页、 82 页 ) 等 文献， 本文在此就不多加赘述。 第一分段的颅内压信号经提升小波变换进行降噪处理后， 所 得到的信号波形如图4所示， 与图3比较可以看到噪声干扰明显较小， 可以提高后期特征点 提取处。

29、理的准确率。 0058 3) 以滑动系数为 fs/2f、 滑动窗宽为 w fs/2f 的滑动窗对每一分段的颅内 压信号进行分窗处理 ； 其中， fs表示预处理的采样频率， f表示颅内压信号的波形周期频率。 本实施例中， fs 400Hz， f 的值可由人工观察颅内压信号波形估算获得， 从第一分段的颅 内压信号波形可见， 每秒种时长的颅内压信号波形中约包含有 1.5 个单波， 即可估算 f 1.5Hz ； 因此， w fs/2f 133， 即每个分窗包含 133 个采样点。 0059 4) 求得每个分窗的颅内压信号中幅值的极大值和极小值对应的采样点， 作为颅内 压信号中单个波形的特征点。按此步骤。

30、对经过采样、 降噪处理的第一分段颅内压信号进行 初步特征点提取， 初步提取结果如图 5 所示 ； 图 5 中， 符号 “*” 标示出的采样点为初步提取 得到的极大值点， 符号 “” 标示出的采样点为初步提取得到的极小值点。 0060 5) 预设定起点时间间隔取值范围 Cw1为 500 800ms， 峰值时间间隔取值范围 Cw2 为500800ms， 幅值取值范围Cp为0.535.0mmHg， 起-峰时间间隔取值范围Ct为100 250ms ； 0061 6) 在颅内压信号的上述特征点中， 计算每两个相邻极小值点之间的时间间隔 dw1、 每两个相邻极大值点之间的时间间隔dw2， 以及每个极大值点。

31、与其前相邻极小值点的幅值差 dp和时间间隔dt； 这些单波特征参数的图示含义如图6所示， 其中Pmax表示极大值点， Pmin 表示极小值点。 0062 7) 根据求得的参数 dw1、 dw2、 dp和 dt， 对颅内压信号的特征点进行如下的修正 ： 0063 a) 如果两个相邻极小值点之间的时间间隔 dw1在 Cw1以内， 在该两个相邻极小值点 之间存在两个相邻的极大值点， 并且该两个相邻极大值点之间的时间间隔 dw2小于 Cw2的下 限， 则分别计算该两个相邻极大值点与其前一个相邻极小值点的幅值差 dp； 若两个幅值差 均在Cp以内， 将幅值差较小的一个极大值点作为误判点舍弃掉 ； 否则，。

32、 将幅值差小于Cp下限 或大于 Cp上限的极大值点均作为误判点舍弃掉 ； 0064 b) 如果两个相邻极小值点之间的时间间隔 dw1在 Cw1以内， 在该两个相邻极小值点 之间不存在极大值点， 则计算该两个相邻极小值点之间幅值最大的采样点与该采样点前一 个相邻极小值点的幅值差 dp； 若该幅值差在 Cp以内， 则将该幅值最大的采样点作为补充的 极大值点 ； 否则， 不作处理 ； 0065 c) 如果两个相邻极大值点之间的时间间隔 dw2在 Cw2以内， 在该两个相邻极大值点 之间存在两个相邻的极小值点， 并且该两个相邻极小值点之间的时间间隔 dw1小于 Cw1的下 限， 则分别计算该两个相邻极。

33、小值点与其后一个相邻极大值点之间的时间间隔 dt； 若两个 说 明 书 CN 102048530 B 8 6/7 页 9 时间间隔均在Ct以内， 将幅值较大的一个极小值点作为误判点舍弃掉 ； 否则， 将时间间隔小 于 Ct下限或大于 Ct上限的极小值点均作为误判点舍弃掉 ； 0066 d) 如果两个相邻极大值点之间的时间间隔 dw2在 Cw2以内， 在该两个相邻极大值点 之间不存在极小值点， 则计算该两个相邻极大值点之间幅值最小的采样点与该采样点后一 个相邻极大值点的时间间隔 dt； 若该时间间隔在 Ct以内， 则将该幅值最小的采样点作为补 充的极小值点 ； 否则， 不作处理 ； 0067 采。

34、用上述的修正算法对第一分段的颅内压信号进行修正过程中发现， 经过步骤 4) 初步提取特征点后， 第一分段的颅内压信号中依然存在多处误判和漏检的特征点， 具体位 置如图 7 所示 ； 图 7 中， 符号 “*” 标示出的采样点为初步提取得到的极大值点， 符号 “” 标 示出的采样点为初步提取得到的极小值点， 符号 “” 标示出的采样点为误判的特征点， 符 号 “” 标示出的采样点为漏检的特征点。 0068 利用该步骤的修正算法， 可以剔除颅内压信号中误判的极值点， 同时找出漏检的 极值点， 从而对步骤 4) 初步提取得到的特征点进行进一步的修正。采用该步骤对第一分段 的颅内压信号初步提取的特征点。

35、进行一次修正后， 修正结果如图8所示， 与图7进行比较可 以看到， 图 7 中存在的误判特征点已被剔除， 而漏检的特征点也得到了补充。 0069 8) 重复步骤 7)， 对颅内压信号的特征点进行反复的修正， 直至颅内压信号的特征 点中， 不再存在 a) 和 c) 中所述的误判点， 也不再存在需要按 b) 和 d) 补充的极大值点和极 小值点， 最终获得颅内压信号的特征点识别结果。通过步骤 7) 对第一分段的颅内压信号 进行一次修正后， 尚还存在一处漏检的特征点， 如图 8 中符号 “” 标示所示 ； 因此， 再次重 复步骤 7)， 对其进行第二次修正， 修正结果如图 9 所示， 可以看到漏检的。

36、特征点再次得到补 充。经过两次修正算法的修正处理， 第一分段的颅内压信号中没有再检测出误判或漏检的 特征点， 因此图 9 中符号 “” 标示出的极小值点以及符号 “*” 标示出的极大值点即为第一 分段的颅内压信号的特征点最终提取结果。 根据了颅内压信号人工特征点识别知识可以判 断， 图 9 所示的特征点提取结果中， 仅有序列号 “11480” 处的极大值点的正误尚值得讨论， 其他特征点的提取都非常的准确。 0070 利用上述步骤， 完成对颅内压信号中每个分段的特征点提取， 即可得到颅内压信 号中的全部极小值点和极大值点 ； 上述对第一分段的特征点提取仅经过了两次修正处理 (即步骤7)执行了两次。

37、)， 对于其他分段的修正处理可能需要进行多次， 也可能只需修正一 次， 每个分段颅内压信号的修正处理都以是否还含有误判或漏检特征点为终止判断标准。 求出颅内压信号的这些特征点后， 可利用特征点中的极小值点作为颅内压信号的单波起 点， 进而从颅内压信号中分割出一个个的单波信号 ； 而每个单波信号中的极大值点可以提 供颅内压信号的重要信息， 进而可为颅内压的前沿医疗诊断提供辅助作用。 由此可见， 本发 明方法提取获得的颅内压信号的特征点可用于辅助临床医疗诊断， 进而将本发明方法应用 于颅内压信号分析设备领域， 让颅内压信号分析设备能够自动分割颅内压信号的单波， 并 提取到每个单波信号中的极大值点的。

38、位置， 有助于提高对颅内压信号分析设备的诊断分析 能力。 0071 如果为了进一步提高精度， 还可以在步骤 1) 中对采集的颅内压信号进行采样预 处理后， 进一步利用计算机对颅内压信号进行平滑处理， 以进一步将低噪声的干扰影响。 例 如， 若采用 9 点平滑处理， 则 ： 说 明 书 CN 102048530 B 9 7/7 页 10 0072 0073 其中， x(n)、 x(n-1)、 x(n-9) 表示颅内压信号中序列号为 n、 n-1、 n-9 的 采样点的幅值， y(n) 为表示颅内压信号中序列号为 n 的采样点经平滑处理过后的幅值 ； 对 于特殊情况， 当 n 9 时， y(n) 。

39、的计算式中 x(0)、 x(-1)、 x(-8) 的幅值可以取零。 0074 此外， 经实际操作验证， 本发明基于修正算法的颅内压信号单波特征点提取方法， 在步骤 1) 中对采集的颅内压信号进行采样预处理的采样频率在 200 1000Hz 之间， 分段 间隔取 2 10 段 / 分钟， 最终都能够获得准确率较高的提取结果 ； 采样频率过低会导致采 样后信号轮廓失真严重 ； 采样频率过高或分段数过多， 无疑增加了提取过程中的计算量， 会 降低本发明方法整体的运算鲁棒性。 0075 本发明方法通过先分段降噪， 分窗粗略求出颅内压信号中极大值、 极小值点作为 特征点， 再采用修正算法对特征点进行进一。

40、步修正的方法， 实现颅内压信号中单波起点 ( 极小值点 ) 以及每个单波中极大值点的提取。其中， 分段降噪采用了提升小波变换方法， 提升小波变换避免了内积运算， 可实现同址运算， 而且反变换只有符号的替换， 运算速率比 普通降噪处理变换提高一倍以上， 且具有较好的降噪效果， 降低信号中噪声对提取过程的 不良影响 ； 分窗处理的滑动窗， 其滑动系数为 fs/2f、 滑动窗宽为 w fs/2f， 从而使得 每个分窗包含约半个单波波形， 从而保证在步骤 4) 的特征点识别中不会过多的遗漏单波 中的极大值点或极小值点， 为后续的修正处理作好前期基础， 提高整体的提取处理效率 ； 再 加之本发明步骤 7。

41、) 中的修正算法， 将此前误判的特征点逐一剔除， 并补充漏检的特征点， 从而保证了最终特征点提取的准确性， 且修正算法中不包含内积、 微分等复杂的运算过程， 有利于保证计算机执行应用的鲁棒性。 0076 最后说明的是， 以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较 佳实施例对本发明进行了详细说明， 本领域的普通技术人员应当理解， 可以对本发明的技 术方案进行修改或者等同替换， 而不脱离本发明技术方案的宗旨和范围， 其均应涵盖在本 发明的权利要求范围当中。 说 明 书 CN 102048530 B 10 1/5 页 11 图 1 说 明 书 附 图 CN 102048530 B 11 2/5 页 12 图 2 说 明 书 附 图 CN 102048530 B 12 3/5 页 13 图 3 图 4 图 5 说 明 书 附 图 CN 102048530 B 13 4/5 页 14 图 6 图 7 图 8 说 明 书 附 图 CN 102048530 B 14 5/5 页 15 图 9 说 明 书 附 图 CN 102048530 B 15 。