一種T波電交替檢測方法與流程
本發明涉及生物醫學領域，特別是涉及一種t波電交替檢測方法。
背景技術：
在臨床上，心電圖(ecg)是一個被用于診斷心臟病變的最重要的工具。ecg信號所表現的是心臟的電活動狀態，它由連續重復的心臟活動周期所組成，每個周期即為一次心跳。每個心跳都包含了若干個與心臟活動狀態相關的波動(波形)。心臟的電活動由去極化和復極化兩個狀態組成，心室的復極化相當于心機層收縮過程的放松狀態，ecg信號中的t波段就描述了這一過程。復極化的電交替(也被稱為t波電交替)與許多嚴重的心臟疾病有關。t波電交替現象即為ecg中的t波段在幅值、波形與持續時間上的逐波的變化現象。近期主要采用了信號處理的方法來對t波電交替進行檢測。
基于經驗模式分解的方法是一種有效的時頻分析方法，能有效的應對非線性、非平穩信號的分析，非常適合ecg信號的分析與處理。能將信號自適應成為若干個本征模態函數與一個殘余分量。雖然傳統的經驗模式分解方法能有效的對非線性、非平穩的信號進行分析，但卻不可避免的受到模態混疊現象的干擾。采用一種互補集合經驗模式分解(ceemd)方法，在集合經驗模式分解的基礎上，將每次信號分解所加入的白噪聲改為加入正、負發白噪聲對，最終互補集合經驗模式分解方法不僅有效的解決了模態混疊的問題，同時又有效的降低了重構誤差。但對于添加白噪聲的幅值以及集合平均次數這兩個參數的確定一直是研究者通過經驗來人為設定，無法根據信號本身自適應選取，這在一定程度上制約了ceemd方法在各領域中的應用。
因此，如何實現自適應地選取相應的信號分量進行趨勢的重構，最終提高t波電交替的檢測精度，是本領域技術人員目前需要解決的技術問題。
技術實現要素：
本發明的目的是提供一種t波電交替檢測方法，可以實現自適應地選取相應的信號分量進行趨勢的重構，最終提高t波電交替的檢測精度。
為解決上述技術問題，本發明提供了如下技術方案：
一種t波電交替檢測方法，包括：
獲取一組包括m個心跳周期的原始ecg信號，m為大于1的整數；
對所述原始ecg信號進行預處理，以將所述ecg信號中各完整的心跳周期對應的st-t波段信號分離出來作為輸入信號；
通過互補集合經驗模式分解算法，分別在所述輸入信號中添加白噪聲幅值相異的若干組白噪聲形成對應的復合信號，并分別對各復合信號進行分解，并獲取各復合信號經分解得到的對應的m個目標本征模態函數分量和一個目標殘余分量；
根據各復合信號對應的m個目標本征模態函數分量和一個目標殘余分量，篩選出分解效果最優的復合信號對應的白噪聲幅值和相應的集合平均數作為最優參數值；
對所述最優參數值對應的復合信號分解所得到的m個目標本征模態函數分量和一個目標殘余分量進行趨勢估計，得到一組m段的估計趨勢；
對所述估計趨勢進行t波電交替檢測，并獲取對應的檢測結果。
優選地，所述對所述原始ecg信號進行預處理，以將所述ecg信號中各完整的心跳周期對應的st-t波段信號分離出來作為輸入信號，包括：
對所述原始ecg信號進行預處理，將所述ecg信號中各完整的心跳周期對應的st-t波段信號進行分離和對齊；
將各所述st-t波段信號進行矩陣化，獲得矩陣x，其中，x＝[χ0，χ1，...，χm-1]，
優選地，所述通過互補集合經驗模式分解算法，分別在所述輸入信號中添加白噪聲幅值相異的若干組白噪聲形成對應的復合信號，并分別對各復合信號進行分解，并獲取各復合信號經分解得到的對應的m個目標本征模態函數分量和一個目標殘余分量，包括：
預先獲取所要添加入所述輸入信號中的白噪聲的幅值閾值以及所述白噪聲的幅值和對應的集合平均數的關系，其中，白噪聲的幅值ε＝a*sd，sd表示輸入信號幅值的標準差，a表示倍數，且0.15≤a≤0.45，所述白噪聲幅值的集合平均數為
對參數(ε，n)進行初始化，并選取預設的步進值對a進行賦值，獲取若干組(ε，n)參數各異的目標白噪聲；
將所得的各組目標白噪聲分別添加入所述輸入信號中，以形成對應的復合信號；
通過互補集合經驗模式分解算法，對各所述復合信號進行分解，獲取各復合信號經分解得到的對應的m個目標本征模態函數分量和一個目標殘余分量。
優選地，所述將所得的各組目標白噪聲分別添加入所述輸入信號中，以形成對應的復合信號，包括：
通過互補集合經驗模式分解算法，分別將每組所得的目標白噪聲構造成n'/2次白噪聲對，n'為大于0的偶數；
對所述輸入信號添加對應的n'/2次白噪聲對，以形成對應的復合信號。
優選地，所述對所述輸入信號添加對應的n'/2次白噪聲對，以形成對應的復合信號，包括：
通過互補集合經驗模式分解算法，分別將每組所得的目標白噪聲構造成n'次白噪聲；
在所述輸入信號中分別添加各目標白噪聲對應的n'次白噪聲，其中奇數次添加正的白噪聲，偶數次添加負的白噪聲，對應各目標白噪聲分別進行n'組并行實驗。
優選地，所述通過互補集合經驗模式分解算法，對各所述復合信號進行分解，獲取各復合信號經分解得到的對應的m個目標本征模態函數分量和一個目標殘余分量，包括：
對于各所述目標白噪聲對應的n'組并行實驗，在每組實驗中對各復合信號采用經驗模式分解進行分解，獲取m個本征模態函數分量和一個殘余分量；
對于每一個目標白噪聲，將每個層級的信號分量求平均值，計算獲得各所述目標白噪聲各自對應的m個目標本征模態函數分量和一個目標殘余分量。
優選地，所述根據各復合信號對應的m個目標本征模態函數分量和一個目標殘余分量，篩選出分解效果最優的復合信號對應的白噪聲幅值和相應的集合平均數作為最優參數值，包括：
分別獲取各目標白噪聲對應的m個目標本征模態函數分量中與所述輸入信號相關度最大的本征模態函數分量，并記為cmax；
計算所述輸入信號與各所述cmax的相對均方根誤差，記為rrmse；
選取最小的rrmse對應的目標白噪聲的幅度和對應的集合平均數為最優參數值。
優選地，所述對所述最優參數值對應的復合信號分解所得到的m個目標本征模態函數分量和一個目標殘余分量進行趨勢估計，得到一組m段的估計趨勢，包括：
分別對所述最優參數值對應的復合信號分解所得到的各個目標本征模態函數分量進行希爾伯特變換，并獲得對應的希爾伯特邊緣譜；
按照預設的策略將對應的各希爾伯特邊緣譜的頻率區域分成若干種低頻區域、高頻區域和中頻區域的頻率劃分范圍；
在每種頻率劃分范圍內，分別計算各對應的目標本征模態函數分量在低頻區域、高頻區域和中頻區域的能量權重；
篩選出低頻區域的歸一化權重因子大于預設閾值的目標本征模態函數分量作為符合條件的目標本征模態函數分量；
根據所述符合條件的目標本征模態函數分量對各段信號進行趨勢估計；
選取頻率最高的目標本征模態函數分量作為噪聲干擾成分計算與對應的被分析的趨勢的相關系數，記為f2，-1≤f2≤1；
計算所述輸入信號的各段st-t波段信號和對應的被分析的趨勢的相關系數，記為f1，-1≤f1≤1；
獲取各所述被分析的趨勢的加權相關系數f，其中，f＝|f1-1|*0.5+|f2+1|*0.5；
選取加權相關系數最小值對應的趨勢作為對應段的信號的趨勢，得到一組m段的估計趨勢。
優選地，所述對所述估計趨勢進行t波電交替檢測，并獲取對應的檢測結果，包括：
計算各段信號對應的趨勢的平均功率譜；
根據所述各段信號對應的趨勢的平均功率譜，計算所述輸入信號t波電交替的統計值；
判斷所述統計值是否大于預設的有效性檢測閾值；
若是，則判定所述原始ecg信號存在t波電交替現象。
與現有技術相比，上述技術方案具有以下優點：
本發明實施例所提供的一種t波電交替檢測方法，包括：獲取一組包括m個心跳周期的原始ecg信號，m為大于1的整數；對原始ecg信號進行預處理，以將ecg信號中各完整的心跳周期對應的st-t波段信號分離出來作為輸入信號；通過互補集合經驗模式分解算法，分別在輸入信號中添加白噪聲幅值相異的若干組白噪聲形成對應的復合信號，并分別對各復合信號進行分解，并獲取各復合信號經分解得到的對應的m個目標本征模態函數分量和一個目標殘余分量；根據各復合信號對應的m個目標本征模態函數分量和一個目標殘余分量，篩選出分解效果最優的復合信號對應的白噪聲幅值和相應的集合平均數作為最優參數值；對最優參數值對應的復合信號分解所得到的m個目標本征模態函數分量和一個目標殘余分量進行趨勢估計，得到一組m段的估計趨勢；對估計趨勢進行t波電交替檢測，并獲取對應的檢測結果。通過一種自適應的互補集合經驗模式分解方法來對t波信號進行分解，對白噪聲幅值和相應的集合平均數進行了優化選擇，改進了原始ceemd在參數上無法自適應的缺點，實現了自適應地選取相應的信號分量進行趨勢的重構，最終提高t波電交替的檢測精度。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為本發明一種具體實施方式所提供的t波電交替檢測方法流程圖；
圖2為本發明一種具體實施方式所提供的一個完整心跳周期的ecg信號示意圖；
圖3為本發明一種具體實施方式所提供的自適應互補集合經驗模式分解方法流程圖；
圖4為本發明一種具體實施方式所提供的互補集合經驗模式分解算法的框圖。
具體實施方式
本發明的核心是提供一種t波電交替檢測方法，可以實現自適應地選取相應的信號分量進行趨勢的重構，最終提高t波電交替的檢測精度。
為了使本發明的上述目的、特征和優點能夠更為明顯易懂，下面結合附圖對本發明的具體實施方式做詳細的說明。
在以下描述中闡述了具體細節以便于充分理解本發明。但是本發明能夠以多種不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本發明內涵的情況下做類似推廣。因此本發明不受下面公開的具體實施方式的限制。
請參考圖1至圖4，圖1為本發明一種具體實施方式所提供的t波電交替檢測方法流程圖；圖2為本發明一種具體實施方式所提供的一個完整心跳周期的ecg信號示意圖；圖3為本發明一種具體實施方式所提供的自適應互補集合經驗模式分解方法流程圖；圖4為本發明一種具體實施方式所提供的互補集合經驗模式分解算法的框圖。
本發明的一種具體實施方式提供了一種t波電交替檢測方法，包括：
s11：獲取一組包括m個心跳周期的原始ecg信號，m為大于1的整數。
s12：對原始ecg信號進行預處理，以將ecg信號中各完整的心跳周期對應的st-t波段信號分離出來作為輸入信號。
在本實施方式中，如圖2所示，給出了一個完整心跳周期的ecg信號，由于t波電交替是一個局部的現象，并主要存在于心室復極化階段中，因此，在對原始ecg信號進行預處理的過程中，將每個完整的心跳周期中的st-t波段信號給分離出來，用st-t波段信號來替代整段的原始ecg信號去檢測t波電交替，以提高效率和準確性。
對原始ecg信號進行預處理，將ecg信號中各完整的心跳周期對應的st-t波段信號進行分離和對齊；將各st-t波段信號進行矩陣化，獲得矩陣x，其中，x＝[χ0，χ1，...，χm-1]，
x＝s″+n″........(1)
其中s″表示有用的信號成分，n″表示不相關的干擾成分。
s13：通過互補集合經驗模式分解算法，分別在輸入信號中添加白噪聲幅值相異的若干組白噪聲形成對應的復合信號，并分別對各復合信號進行分解，并獲取各復合信號經分解得到的對應的m個目標本征模態函數分量和一個目標殘余分量。
s14：根據各復合信號對應的m個目標本征模態函數分量和一個目標殘余分量，篩選出分解效果最優的復合信號對應的白噪聲幅值和相應的集合平均數作為最優參數值，m為大于0的整數。
具體地步驟s14，包括：分別獲取各目標白噪聲對應的m個目標本征模態函數分量中與輸入信號相關度最大的本征模態函數分量，并記為cmax；計算輸入信號與各cmax的相對均方根誤差，記為rrmse；選取最小的rrmse對應的目標白噪聲的幅度和對應的集合平均數為最優參數值。
s15：對最優參數值對應的復合信號分解所得到的m個目標本征模態函數分量和一個目標殘余分量進行趨勢估計，得到一組m段的估計趨勢。
在本實施方式中，步驟s11和步驟s12作為t波電交替檢測方法的第一階段，分離出st-t波段信號來替代整段的原始ecg信號去檢測t波電交替。
步驟s13至步驟s15即作為t波電交替檢測方法的第二階段，在第二階段本實施方式提供了一種改進的趨勢估計方法，從x中把s(趨勢)給精確地估計出來，以為步驟s16的有效性檢測做準備。在第二階段，矩陣x包含了m段的st-t波段信號，由于每次的趨勢估計只能對一段st-t波段信號進行，因此需要循環進行m次。最終實現由輸入信號得到一組共m段的關于x的估計趨勢
其中，自適應互補集合經驗模式分解方法(aceemd)是在互補集合經驗模式分解(ceemd)方法的基礎上，利用輸入信號與cmax的相對均方根誤差(rrmse)來優化ceemd中兩個必要的輸入參數，即添加白噪聲的幅值以及集合平均數，以改進原始ceemd在參數選擇上無法自適應的缺點。
在本實施方式中，步驟s13具體包括：預先獲取所要添加入輸入信號中的白噪聲的幅值閾值以及白噪聲的幅值和對應的集合平均數的關系，其中，白噪聲的幅值ε＝a*sd，sd表示輸入信號幅值的標準差，a表示倍數，且0.15≤a≤0.45，白噪聲幅值的集合平均數為
具體地，如圖3所示，信號的分解過程每次都依賴于在信號分解過程中加入到信號中的白噪聲的幅度以及集合平均的次數這兩個參數。根據白噪聲的幅值以及集合平均數的代數關系，在把信號的重構誤差控制在0.01％以內的情況下，對于特定白噪聲幅值的集合平均數為
具體地，通過自適應互補集合經驗模式分解方法獲取最優參數組合的方法包括：
s31：輸入一個原信號x(t)，并初始化參數ε＝0.15sd，
s32：
s33：找出cmax(t)，即找出原信號x(t)經分解后得到的imf分量中與該信號x(t)的相關度最大的imf分量。
s34：計算x(t)和cmax(t)的相對均方根誤差rrmse。
s35：ε＝ε+0.01sd，即以0.01為步進值，計算各白噪聲的幅值。
s36：判斷當前的白噪聲的幅值ε是否大于0.45sd；若否，則返回步驟s32；若是，則執行步驟s37。
s37：找出最小的rrmse，記對應的參數為最優參數組合(εopt,nopt)。
s38：
其中，對于給定的兩個變量x和y，兩者的相關度可用公式(2)來計算，結算結果在[-1，1]內取值，數值越靠近1，表明兩者的相關度越大，反之則越小。對于給定的原信號x(t)與cmax的相對均方根誤差(rrmse)可用公式(3)來計算。
進一步地，將所得的各組目標白噪聲分別添加入輸入信號中，以形成對應的復合信號，包括：
通過互補集合經驗模式分解算法，分別將每組所得的目標白噪聲構造成n'/2次白噪聲對，n'為大于0的偶數；對輸入信號添加對應的n'/2次白噪聲對，以形成對應的復合信號。
其中，對輸入信號添加對應的n'/2次白噪聲對，以形成對應的復合信號，包括：通過互補集合經驗模式分解算法，分別將每組所得的目標白噪聲構造成n'次白噪聲；在輸入信號中分別添加各目標白噪聲對應的n'次白噪聲，其中奇數次添加正的白噪聲，偶數次添加負的白噪聲，對應各目標白噪聲分別進行n'組并行實驗。
更進一步地，通過互補集合經驗模式分解算法，對各復合信號進行分解，獲取各復合信號經分解得到的對應的m個目標本征模態函數分量和一個目標殘余分量，包括：對于各目標白噪聲對應的n'組并行實驗，在每組實驗中對各復合信號采用經驗模式分解進行分解，獲取m個本征模態函數分量和一個殘余分量；對于每一個目標白噪聲，將每個層級的信號分量求平均值，計算獲得各目標白噪聲各自對應的m個目標本征模態函數分量和一個目標殘余分量。
更進一步地，對最優參數值對應的復合信號分解所得到的m個目標本征模態函數分量和一個目標殘余分量進行趨勢估計，得到一組m段的估計趨勢，包括：
分別對最優參數值對應的復合信號分解所得到的各個目標本征模態函數分量進行希爾伯特變換，并獲得對應的希爾伯特邊緣譜；
按照預設的策略將對應的各希爾伯特邊緣譜的頻率區域分成若干種低頻區域、高頻區域和中頻區域的頻率劃分范圍；
在每種頻率劃分范圍內，分別計算各對應的目標本征模態函數分量在低頻區域、高頻區域和中頻區域的能量權重；
篩選出低頻區域的歸一化權重因子大于預設閾值的目標本征模態函數分量作為符合條件的目標本征模態函數分量；
根據符合條件的目標本征模態函數分量對各段信號進行趨勢估計；
選取頻率最高的目標本征模態函數分量作為噪聲干擾成分計算與對應的被分析的趨勢的相關系數，記為f2，-1≤f2≤1；
計算輸入信號的各段st-t波段信號和對應的被分析的趨勢的相關系數，記為f1，-1≤f1≤1；
獲取各被分析的趨勢的加權相關系數f，其中，f＝|f1-1|*0.5+|f2+1|*0.5；
選取加權相關系數最小值對應的趨勢作為對應段的信號的趨勢，得到一組m段的估計趨勢。
在本實施方式中，還對本發明改進的互補集合經驗模式分解方法進行了說明。如圖4所示，圖4為互補集合經驗模式分解算法的框圖。ceemd對給定的輸入信號添加白噪聲來形成一個復合信號來進行分解。并且白噪聲是成對的添加，在白噪聲添加次數為n'的情況下，奇數次添加正的白噪聲，偶數次添加負的白噪聲。最終進行n'組并行的實驗，每組實驗對形成的復合信號采用經驗模式分解(emd)進行分解，每組分解的結果均得到m個本征模態函數分量(imf分量)和一個殘余分量。最后把每一層級的信號分量求平均得到最終的目標imf分量和殘余分量。
因此每次趨勢估計的循環，對于當前輸入的信號χi(t)，經過aceemd算法就會得到若干個imf分量和一個殘余分量，記為
其中m為imf分量的總個數，在所得到的imf分量中，隨著階數的增加，其頻率由高到低的遞減，第一個imf分量的頻率最高，最后一個imf分量頻率最低。殘余分量通常是一個單調變化的分量，因此也是低頻分量。由于信號的趨勢表征了信號在一定的范圍內的總體變化，這種變化通常是緩慢且平滑的。因此可以認為信號的趨勢是一個低頻的信號。從而可以通過選取若干個符合條件的imf分量和殘余分量來構造信號的趨勢。這個條件就是這些被選中的分量是低頻分量。因此公式(4)可以寫成
進而由公式(1)和(5)可得
其中，si(t)即為信號χi(t)的趨勢，ni(t)表示信號χi(t)的噪聲干擾成分。由公式(6)可知，只要找到參數k就可以得到信號的趨勢。為達到這一目的，本實施方式提出了一種基于加權能量分布的希爾伯特邊緣譜分析方法來對每個imf分量進行分析，最終確定k的數值。由上述內容可知，殘余分量ri(t)為低頻分量，在基于emd的趨勢提取算法中把參與分量當成信號趨勢的一部分，因此往下的分析只需針對imf分量來進行。為此，需要對每個imf分量進行一系列計算，得到對應imf分量的希爾伯特邊緣譜。
根據下式，分別對每個imf分量進行希爾伯特變換：
上式中，p表示奇異積分的柯西主值，c(t)表示imf分量，ch(t)表示imf分量c(t)的希爾伯特變換；
根據下式，計算獲得每個imf分量的瞬時幅值、瞬時相位和瞬時頻率：
上式中，a(t)表示imf分量c(t)的瞬時幅值，φ(t)表示imf分量c(t)的瞬時相位，ω(t)表示imf分量c(t)的瞬時頻率；
根據下式計算獲得每個imf分量的希爾伯特邊緣譜：
上式中，h(ω,t)表示imf分量c(t)的希爾伯特譜，h(ω)表示imf分量c(t)的希爾伯特邊緣譜，t表示積分周期。
所得的希爾伯特邊緣譜h(ω)是一個瞬時頻率與累積能量的二維分布。接著針對希爾伯特邊緣譜h(ω)，首先將對應每個imf分量的h(ω)的頻率區域分成三部分，分割的方法采用以下策略：
(1)以頻率區域的前a％定義為低頻區域，最后的a％定義為高頻區域，中間的(100-2a)％為中頻區域；
(2)a的取值范圍[10，30]，初始值為10，且每次步進為5，在不考慮計算效率的情況，可將步進寬度進一步縮小；
(3)由(1)(2)即可分割出5種頻率劃分范圍。
在每種頻率劃分范圍內，分別計算低、中、高三個頻率區域內的能量權重，具體為：
分別將每個區域中的全部極大值進行累加后作為該區域的權重因子，進而根據下式分別計算每個區域的歸一化權重因子：
上式中，mj,1、mj,2和mj,3依次表示第j個imf分量的低頻區域、中頻區域和高頻區域的歸一化權重因子，mj,1、mj,2和mj,3分別表示第j個imf分量的低頻區區域、中頻區域和高頻區域的權重因子，j為自然數。
然后篩選出低頻區域的歸一化權重因子大于預設閾值的imf分量作為符合條件的imf分量。這里的閾值為0.5。
從而(6)式中的k值即可確定，進而信號的趨勢就可以得出，并且每個信號在上述的5種頻率劃分范圍內均可以得出5個對應的趨勢。
由于上述的頻率區域的劃分是一個定性的模糊的劃分，因此需要進一步對所得的趨勢進行量化評價以得出最優的趨勢。
因為信號的趨勢做為信號的主要成分占據了原信號大部分且主要的能量，因此理想的趨勢應該與原信號具有最大的相關度且與噪聲干擾成分具有最小的相關度。對應這兩種的相關度可以利用公式(2)來計算，得到兩個相關系數，原信號與被分析趨勢的相關系數記為f1，噪聲干擾成分與被分析趨勢的相關系數記為f2。另一方面，理想的趨勢與原信號具有最大的相關度且與噪聲干擾成分具有最小的相關度，因此，可以將這兩種相關度做為一種貢獻度來輔助最優趨勢的選取，并且對于最優的趨勢，其對應的這兩種貢獻度應是均衡的，亦即各占50％。由于信號經過分解后所得到的若干個imf分量中第一個imf分量的頻率最高，將第一個imf分量通常被當成噪聲干擾成分來處理，因此，采用第一個imf分量當成原信號的噪聲干擾成分來計算被分析趨勢的相關系數。
因此可進一步得出對于被分析趨勢的加權相關系數f，通過下式計算：
f＝|f1-1|*0.5+|f2+1|*0.5......(11)
從而在得出5種趨勢中，對于加權相關系數最小的即為最優的趨勢。
綜上，輸入信號x經過趨勢估計后得到了一組共m段的x的估計趨勢
s16：對估計趨勢進行t波電交替檢測，并獲取對應的檢測結果。對估計趨勢進行t波電交替檢測，并獲取對應的檢測結果，包括：計算各段信號對應的趨勢的平均功率譜；根據各段信號對應的趨勢的平均功率譜，計算輸入信號t波電交替的統計值；判斷統計值是否大于預設的有效性檢測閾值；若是，則判定原始ecg信號存在t波電交替現象。
在本實施方式中，步驟s16即作為t波電交替檢測方法的第三階段，具體通過以下步驟完成：
首先通過公式(12)(13)計算每段信號趨勢的平均功率譜
其中n為數據的采樣點數，fft{}為對操作對象進行快速傅立葉變換。
接著對于輸入信號x是否存在t波電交替現象的一個統計值rtwa可通過下式算出：
其中，ε0.5為公式(13)的p中位于0.5cpb處的幅值。μnoise和σnoise分別為p中特定范圍內幅值的均值和標準差，這個特定的范圍為[0.33，0.48]cpb，這一范圍被認為是噪聲成分聚集的范圍，而0.5cpb處被認為是t波電交替現象的交替波聚集的地方。
最后，通過將rtwa與預設的有效性檢測閾值λ進行對比，當rtwa小于或等于λ時，則表明被檢測對象x不存在t波電交替現象，反之則存在。且λ＝3。
綜上所述，本發明所提供的一種t波電交替檢測方法，通過一種自適應的互補集合經驗模式分解方法來對t波信號進行分解，對白噪聲幅值和相應的集合平均數進行了優化選擇，改進了原始ceemd在參數上無法自適應的缺點，實現了自適應地選取相應的信號分量進行趨勢的重構，最終提高t波電交替的檢測精度。
以上對本發明所提供的一種t波電交替檢測方法進行了詳細介紹。本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以對本發明進行若干改進和修飾，這些改進和修飾也落入本發明權利要求的保護范圍內。
- 還沒有人留言評論。精彩留言會獲得點贊！