[发明专利]一种通过人体步态预测心电信息的方法

摘要

本发明涉及一种通过人体步态预测心电信息的方法。本发明首先，通过三维动作分析系统及心电采集系统采集人体的步态信息和ECG信号；然后，对采集到的信息进行特征提取，提取过程中通过滤波器消除一些不必要的噪声；接着，将数据分成一个个小子集，建立数据样本集；最后，建立基于正则极限学习机（RELM）的预测模型，找出步态信息与ECG信号之间的关联性。本发明采用传统检测QRS波群的方法，计算量相对较小，便于实时检测心电信号。

主权项

1.一种通过人体步态预测心电信息的方法，其特征在于该方法包括以下步骤：步骤(1).获取人体运动的三维动作数据及对应心电信号；具体是：通过三维动作分析系统实时捕捉人体在不同速度下运动的三维动作数据；同时对心电信号进行采集，并保证三维动作数据与心电信号在时间上的对应性；步骤(2).计算步态特征参数；通过步骤(1)得到的去除噪声的三维动作数据，采用定量分析的方法求出步态特征参数，包括时间‑距离参数、运动学参数和动力学参数；步骤(3).通过采集的心电信号检测QRS波群；具体是：1)通过级联低通滤波器和高通滤波器组成的整数带通滤波器来实现噪声抑制；首先，将采集到的心电信号通过低通滤波器进行滤波，低通滤波器的差分方程如下：x2(nT)＝2x2(nT‑T)‑x2(nT‑2T)+x1(nT)‑2x1(nT‑6T)+x1(nT‑12T)     (1)其中，T为采样周期，n为离散信号的序列数，x1(nT)为离散时间系统的输入序列，即步骤(1)采集到的心电信号，x2(nT)表示低通滤波器滤波后的信号，截止频率约为11Hz，增益为36，滤波处理延迟为6个采样周期；高通滤波器的差分方程如下：x3(nT)＝32x2(nT‑16T)‑[x3(nT‑T)+x2(nT)‑x2(nT‑32T)]         (2)上式中，x3(nT)为通过高通滤波器滤波后的信号，该滤波器的截止频率约为5Hz，增益为32，延迟为16个采样周期；2)由带通滤波器滤波后，对心电信号进行微分处理；微分处理的差分方程为：x4(nT)表示经过微分处理后的心电信号，处理后的心电信号可以获得QRS复数斜率信息；3)利用非线性平方函数来放大QRS波群的高频特性；非线性平方函数如下式：x5(nT)＝[x4(nT)]2   (4)x5(nT)代表经过非线性平方函数得到的心电信号；4)以步骤3)放大的结果，通过移动窗口积分来确定R波的斜率以及QRS波群的波形；移动窗口积分器的差分方程为：y(nT)为利用移动窗口积分获得的心电信号，N为移动窗口中样本的数量；5)最后设置自适应阈值，使得阈值能够周期性地调整，从而区分出R波或QRS波群的位置，并提取出心电信号特征信息；步骤(4).建立预测模型1)通过步骤(2)和步骤(3)求出的步态特征参数和心电信号特征信息，将代表步态特征参数和心电信号特征信息数据以时间段分成一个个子集，子集中步态特征作为输入样本集，相对应的心电信号特征作为期望输出样本集；2)将步态特征参数归一化至[‑1，1]区间；利用正则化极限学习机算法对数据进行训练；正则化极限学习机算法的步骤如下：a)随机确定输入与隐含层神经元之间连接权值矩阵ω及隐含层对应的偏置向量b；b)选择合适的隐含层节点数目L和激活函数g(x)，建立数学模型如下：式中，设xi＝(xi1，xi2，…，xin，)∈Rn和yi＝(yi1，yi2，…，yim)∈Rm分别为输入样本集和实际输出样本集，n和m分别为输入层和输出层神经元个数，ωi代表输入向量与第i个隐含层神经元之间连接权值向量，βi表示输出向量与第i个隐含层神经元之间连接权值向量，bi表示第i个隐含层对应的偏置；c)将式(6)写成矩阵形式为：Hβ＝T   (7)其中，N为训练样本个数，期望输出矩阵d)在目标函数中引入正则项：式中，γ为正则化系数，为训练误差和，i＝1，2，…，N；e)通过构造拉格朗日方程得到输出权值矩阵f)将所求得的输出权值矩阵代入式(6)中求得实际输出矩阵，即得到实际心电信息输出。