本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種生理信號壓縮傳輸、重建方法及裝置。

背景技術(shù)：

在移動健康的應(yīng)用中，往往需要通過傳感器端采集長時間的生理信號，并通過低功耗藍牙(BLE)發(fā)送至手機客戶端。例如通過心率監(jiān)測睡眠的健康應(yīng)用，采集一晚約8小時的心率數(shù)據(jù)使用BLE的notification模式傳輸，需要150秒時間。這與用戶的最佳體驗還有明顯的差距。因此，壓縮數(shù)據(jù)，提高這些生理數(shù)據(jù)的傳輸速率，對于增強整個系統(tǒng)的用戶體驗十分重要。其中notification模式傳輸是低功耗藍牙用在傳感器與上位機通信的常見傳輸數(shù)據(jù)方式。在這種方式下，當傳感器捕獲到參數(shù)發(fā)生變化時，會自動觸發(fā)數(shù)據(jù)的傳輸。

為了減少傳輸過程中的數(shù)據(jù)量，一些研究著眼于特定信號的數(shù)據(jù)壓縮傳輸方法。針對心電信號進行壓縮傳輸時：對心電信號進行小波變換，以得到第一波形數(shù)據(jù)，第一波形數(shù)據(jù)包括心電信號各波形的時域數(shù)據(jù)，波形包括特征波；將第一波形數(shù)據(jù)轉(zhuǎn)換為第二波形數(shù)據(jù)，第二波形數(shù)據(jù)包括記錄順序的特征波的幅度數(shù)據(jù)，在保證心電信號解壓縮后的保真度的情況下，提高心電信號的壓縮率，以使壓縮后的心電信號更利于傳輸和存儲。

另一些研究著眼于信號局部差異化特性的數(shù)據(jù)壓縮方法。例如針對生理信號進行壓縮時：獲取生理信號；對獲取到的生理信號進行自適應(yīng)分割，以得到相應(yīng)的均勻段；對得到的均勻段進行壓縮。通過利用生理信號的局部物理特性的一致性與不同部分之間的差異性自適應(yīng)選擇相應(yīng)的數(shù)據(jù)壓縮方法對生理信號進行數(shù)據(jù)壓縮，能夠較大程度的實現(xiàn)數(shù)據(jù)壓縮，并完整的保真了生理信號。

在更普遍的情況下，對于長時間采集分析到的大量生理信號，很多實際應(yīng)用是通過將信號減采樣，降低數(shù)據(jù)量進行傳輸，為了還原信號的顆粒度以進行 進一步分析，再對收到的信號進行插值恢復(fù)。如圖1所示。

在信號的采樣-傳輸-插值過程中，插值使用的方法大多是通用的方法，例如最鄰近插值、線性插值等。這些方法都是利用信號點之間的相關(guān)性進行信號的重建。這些通用的方法沒有考慮到生理信號長時間采集時，不可避免的異常點的干擾。

如圖2是采集的一晚的的心電NN間隙(心率)信號。在長時間的信號采集過程中，會出現(xiàn)一些異常點。這些異常點是由電極松動、身體活動等各種因素導(dǎo)致的，難以完全避免。如果在信號恢復(fù)插值的過程中，使用了這些異常點的信息，就恢復(fù)出更多的異常點，為下一步信號分析引入更多噪聲。

綜上所述，現(xiàn)有的生理信號壓縮傳輸方法沒有利用信號的統(tǒng)計特征，而是針對特定生理信號，或者特定局部物理特性進行考慮，方法較為復(fù)雜，普適性相對較弱。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種生理信號壓縮傳輸、重建方法及裝置，旨在解決現(xiàn)有技術(shù)中特定信號壓縮傳輸時方法復(fù)雜、普適性弱以及重建信號過程中引入異常點，為信號分析引入干擾的問題。

本發(fā)明實施例提供一種生理信號壓縮傳輸、重建方法，包括：

接收對N個待傳輸數(shù)據(jù)進行減采樣后的M個采樣數(shù)據(jù)，對M個所述采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當前采樣數(shù)據(jù)的置信度隨當前采樣數(shù)據(jù)與M個所述采樣數(shù)據(jù)的均值μ_T的偏離程度的增大而減小；

根據(jù)各個所述采樣數(shù)據(jù)的置信度分別對各個所述采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，其中，當前所述修正后的采樣數(shù)據(jù)的數(shù)值與當前置信度正相關(guān)；

根據(jù)預(yù)定的插值算法，對所述修正后的采樣數(shù)據(jù)進行插值重建，重新獲取N個采樣數(shù)據(jù)。

其中，所述接收對N個待傳輸數(shù)據(jù)進行減采樣后的M個采樣數(shù)據(jù)之前，所述方法還包括：

對N個待傳輸數(shù)據(jù)進行減采樣處理，獲取M個所述采樣數(shù)據(jù)進行傳輸。

其中，所述對M個所述采樣數(shù)據(jù)分別設(shè)置置信度，包括：

計算M個所述采樣數(shù)據(jù)的均值μ_T和方差σ_T；

根據(jù)當前采樣數(shù)據(jù)的數(shù)值x_i、計算得到的M個所述采樣數(shù)據(jù)的均值μ_T和方差σ_T，確定第一函數(shù)，其中所述第一函數(shù)隨當前采樣數(shù)據(jù)的數(shù)值x_i與所述均值μ_T的偏離程度的增大而減小，隨所述方差σ_T的增大而增大；

根據(jù)所述方差T_T和一常數(shù)的乘積確定第二函數(shù)，其中所述第二函數(shù)隨所述方差σ_T的增大而減??；

根據(jù)所述第一函數(shù)和所述第二函數(shù)確定一計算公式，分別計算M個所述采樣數(shù)據(jù)的置信度。

其中，所述根據(jù)各個所述采樣數(shù)據(jù)的置信度分別對各個所述采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，包括：

根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K個采樣數(shù)據(jù)進行修正，得到修正后的第K個采樣數(shù)據(jù)的權(quán)重Y_k，其中Y_k與K個采樣數(shù)據(jù)的數(shù)值X_k乘積為修正后的第K個采樣數(shù)據(jù)的數(shù)值，且第K個采樣數(shù)據(jù)的置信度P_k越高，Y_k越大；

根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K+1個采樣數(shù)據(jù)進行修正，得到修正后的第K+1個采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個采樣數(shù)據(jù)的數(shù)值，且第K+1個采樣數(shù)據(jù)的置信度P_k+1越高，Y_k+1越大；

其中：

其中，所述預(yù)定的插值算法至少包括：最鄰近插值算法和線性插值算法。

本發(fā)明實施例還提供一種生理信號壓縮傳輸、重建裝置，所述裝置包括：

接收設(shè)置模塊，用于接收對N個待傳輸數(shù)據(jù)進行減采樣后的M個采樣數(shù)據(jù)，對M個所述采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當前采樣數(shù)據(jù)的置信度隨當前采樣數(shù)據(jù)與M個所述采樣數(shù)據(jù)的均值μ_T的偏離程度的增大而減小；

修正模塊，用于根據(jù)各個所述采樣數(shù)據(jù)的置信度分別對各個所述采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，其中，當前所述修正后的采樣數(shù)據(jù)的數(shù)值 與當前置信度正相關(guān)；

重建獲取模塊，用于根據(jù)預(yù)定的插值算法，對所述修正后的采樣數(shù)據(jù)進行插值重建，重新獲取N個采樣數(shù)據(jù)。

其中，所述裝置還包括：

采樣獲取模塊，用于在所述接收設(shè)置模塊接收對N個待傳輸數(shù)據(jù)進行減采樣后的M個采樣數(shù)據(jù)之前，對N個待傳輸數(shù)據(jù)進行減采樣處理，獲取M個所述采樣數(shù)據(jù)進行傳輸。

其中，所述接收設(shè)置模塊包括：

計算子模塊，用于計算M個所述采樣數(shù)據(jù)的均值μ_T和方差σ_T；

第一確定子模塊，用于根據(jù)當前采樣數(shù)據(jù)的數(shù)值x_i、計算得到的M個所述采樣數(shù)據(jù)的均值μ_T和方差σ_T，確定第一函數(shù)，其中所述第一函數(shù)隨當前采樣數(shù)據(jù)的數(shù)值x_i與所述均值μ_T的偏離程度的增大而減小，隨所述方差σ_T的增大而增大；

第二確定子模塊，用于根據(jù)所述方差σ_T和一常數(shù)的乘積確定第二函數(shù)，其中所述第二函數(shù)隨所述方差σ_T的增大而減小；

處理子模塊，用于根據(jù)所述第一函數(shù)和所述第二函數(shù)確定一計算公式，分別計算M個所述采樣數(shù)據(jù)的置信度。

其中，所述修正模塊包括：

第一子模塊，用于根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K個采樣數(shù)據(jù)進行修正，得到修正后的第K個采樣數(shù)據(jù)的權(quán)重Y_k，其中Y_k與K個采樣數(shù)據(jù)的數(shù)值X_k乘積為修正后的第K個采樣數(shù)據(jù)的數(shù)值，且第K個采樣數(shù)據(jù)的置信度P_k越高，Y_k越大；

第二子模塊，用于根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K+1個采樣數(shù)據(jù)進行修正，得到修正后的第K+1個采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個采樣數(shù)據(jù)的數(shù)值，且第K+1個采樣數(shù)據(jù)的置信度P_k+1越高，Y_k+1越大；

其中：

其中，所述重建獲取模塊中的預(yù)定的插值算法至少包括：最鄰近插值算法、和線性插值算法。

本發(fā)明實施例上述技術(shù)方案至少包括如下有益效果：

通過對待傳輸數(shù)據(jù)進行壓縮傳輸，獲取壓縮傳輸后的采樣數(shù)據(jù)，對采樣數(shù)據(jù)設(shè)置置信度，根據(jù)設(shè)置的置信度對采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，根據(jù)預(yù)定的插值算法，對修正后的采樣數(shù)據(jù)進行插值重建，獲取待傳輸?shù)娜繑?shù)據(jù)，可以有效減少數(shù)據(jù)的傳輸時間，同時提高了信號重建的準確性，解決現(xiàn)有技術(shù)中特定信號壓縮傳輸時方法復(fù)雜、普適性弱以及重建信號過程中引入異常點，為信號分析引入干擾的問題。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為減采樣-傳輸-插值流程示意圖；

圖2為采集的心電NN間隙信號及出現(xiàn)的異常點示意圖；

圖3為本發(fā)明實施例生理信號壓縮傳輸、重建方法流程示意圖一；

圖4為本發(fā)明實施例生理信號壓縮傳輸、重建方法流程示意圖二；

圖5為采集的心電NN間隙分布的統(tǒng)計分布及高斯擬合結(jié)果示意圖；

圖6為本發(fā)明實施例生理信號壓縮傳輸、重建方法流程示意圖三；

圖7為采用最臨近插值算法進行插值示意圖；

圖8為采用線性插值算法進行插值示意圖；

圖9本發(fā)明實施例生理信號壓縮傳輸、重建裝置示意圖一；

圖10本發(fā)明實施例生理信號壓縮傳輸、重建裝置示意圖二。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例針對的是長時間采集變化平穩(wěn)的生理信號并要求在較短時間內(nèi)將采集到的信號傳輸出去的場景。長時間采集，即數(shù)據(jù)量較大，如果傳輸全部數(shù)據(jù)，則傳輸時間超過預(yù)期時間。變化平穩(wěn)，即在一段時期內(nèi)，采樣值的波動是不大的，正常情況下，信號幅值不存在短時大幅度地變化。這樣的場景在居家健康監(jiān)測時較常見，例如睡眠時期的心率信號、血氧信號的采集傳輸。

針對上述場景，本發(fā)明實施例在常規(guī)的方法步驟上，巧妙通過信號的統(tǒng)計特征，轉(zhuǎn)化成采樣點的置信度加以利用，在插值恢復(fù)的過程中消除采樣異常點帶來的干擾，提高了信號的準確性。

如圖3所示，本發(fā)明實施例提供一種生理信號壓縮傳輸、重建方法，包括：

S101、接收對N個待傳輸數(shù)據(jù)進行減采樣后的M個采樣數(shù)據(jù)，對M個采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當前采樣數(shù)據(jù)的置信度隨當前采樣數(shù)據(jù)與M個采樣數(shù)據(jù)的均值μ_T的偏離程度的增大而減?。?/p>

S102、根據(jù)各個采樣數(shù)據(jù)的置信度分別對各個采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，其中，當前修正后的采樣數(shù)據(jù)的數(shù)值與當前置信度正相關(guān)；

S103、根據(jù)預(yù)定的插值算法，對修正后的采樣數(shù)據(jù)進行插值重建，重新獲取N個采樣數(shù)據(jù)。

通過上述步驟，可以在有效減少數(shù)據(jù)的傳輸時間的基礎(chǔ)上，同時提高信號重建的準確性。

具體的，首先需要對待傳輸?shù)腘個數(shù)據(jù)進行減采樣處理，獲取M個采樣數(shù)據(jù)進行傳輸，N＞M，可以有效減少數(shù)據(jù)的傳輸時間。減采樣的本質(zhì)為：通過對原連續(xù)時間信號的過采樣，可以得到一組采樣值，從該組采樣值再進行適當?shù)牟蓸右膊粫鸹殳B失真，而這里的第二次采樣得到新的一組采樣值的過程就叫做減采樣。

減采樣的方式一般可以采用倍數(shù)方式進行采樣，即待傳輸?shù)腘個數(shù)據(jù)與 減采樣后的M個采樣數(shù)據(jù)具有一定的倍數(shù)關(guān)系，例如N＝2M或者N＝3M，目的在于使得采樣均勻。

獲取經(jīng)過減采樣后的M個采樣數(shù)據(jù)，然后分別設(shè)置M個采樣數(shù)據(jù)的置信度，其中采樣數(shù)據(jù)的置信度與采樣數(shù)據(jù)的數(shù)值與采樣數(shù)據(jù)的均值μ_T的偏離程度有關(guān)，當當前采樣數(shù)據(jù)的數(shù)值與采樣數(shù)據(jù)的均值μ_T的偏離越大，則當前采樣數(shù)據(jù)的置信度越小，當當前采樣數(shù)據(jù)的數(shù)值與采樣數(shù)據(jù)的均值μ_T的偏離越小，則當前采樣數(shù)據(jù)的置信度越大。

在確定M個采樣數(shù)據(jù)的置信度后，然后需要根據(jù)各個采樣數(shù)據(jù)的置信度對各個采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，且當前修正后的采樣數(shù)據(jù)的數(shù)值與當前置信度有關(guān)，當當前置信度越大，則當前修正后的采樣數(shù)據(jù)的數(shù)值越大；當當前置信度越小，則當前修正后的采樣數(shù)據(jù)的數(shù)值越小。

在得到修正后的采樣數(shù)據(jù)之后，采用預(yù)先設(shè)定的插值算法對修正后的數(shù)據(jù)進行插值重建，恢復(fù)原有數(shù)目的采樣數(shù)據(jù)。通過減采樣處理，可以減少生理信號的傳輸時間，通過引入置信度，利用置信度對采樣數(shù)據(jù)進行修正，可以避免引入異常信號，利用修正后的采樣數(shù)據(jù)進行插值重建，可以提高信號重建的準確性。

下面以一實際場景解釋說明減采樣以及插值重建的過程：

例如：在居家睡眠遠程監(jiān)護中，用戶通過佩戴傳感器節(jié)點采集睡眠8小時的心率信號，早晨起床將節(jié)點上的數(shù)據(jù)上傳至手機app進行分析。通過BLE的notification模式全部傳輸，需要大約2分鐘，如果要將數(shù)據(jù)壓縮至1/3，傳輸時間縮短至40s，大大提高用戶的體驗。

因此，我們通過減采樣3倍的方式對原始數(shù)據(jù)進行壓縮傳輸，即每3個信號采樣點中，抽取一個采樣點，均勻減采樣。這樣，傳輸?shù)臄?shù)據(jù)大小就是原始信號數(shù)據(jù)量的1/3。在插值過程中，可以選擇最鄰近值插值法，通過前后兩個采樣點對中間的兩個點進行插值，重建信號。獲取傳感器采集的全部數(shù)據(jù)。

本發(fā)明實施例通過對待傳輸數(shù)據(jù)進行壓縮傳輸，獲取壓縮傳輸后的采樣數(shù)據(jù)，對采樣數(shù)據(jù)設(shè)置置信度，根據(jù)設(shè)置的置信度對采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，根據(jù)預(yù)定的插值算法，對修正后的采樣數(shù)據(jù)進行插值重建，獲取待傳輸?shù)娜繑?shù)據(jù)，可以有效減少數(shù)據(jù)的傳輸時間，同時提高了信號重建 的準確性，解決現(xiàn)有技術(shù)中特定信號壓縮傳輸時方法復(fù)雜、普適性弱以及重建信號過程中引入異常點，為信號分析引入干擾的問題。

在本發(fā)明上述實施例中，如圖4所示，步驟S101中對M個采樣數(shù)據(jù)分別設(shè)置置信度，包括：

S1011、計算M個采樣數(shù)據(jù)的均值μ_T和方差σ_T；

S1012、根據(jù)當前采樣數(shù)據(jù)的數(shù)值x_i、計算得到的M個采樣數(shù)據(jù)的均值μ_T和方差σ_T，確定第一函數(shù)，其中第一函數(shù)隨當前采樣數(shù)據(jù)的數(shù)值x_i與均值μ_T的偏離程度的增大而減小，隨方差σ_T的增大而增大；

S1013、根據(jù)方差σ_T和一常數(shù)的乘積確定第二函數(shù)，其中第二函數(shù)隨方差σ_T的增大而減??；

S1014、根據(jù)第一函數(shù)和第二函數(shù)確定一計算公式，分別計算M個采樣數(shù)據(jù)的置信度。

具體的，首先計算得出M個采樣數(shù)據(jù)的均值μ_T和方差σ_T，根據(jù)當前采樣數(shù)據(jù)的數(shù)值x_i、計算得到的M個采樣數(shù)據(jù)的均值μ_T和方差σ_T，確定第一函數(shù)，如公式一所示：

公式一

其中，M個采樣數(shù)據(jù)的均值μ_T和方差σ_T為定值，當當前采樣數(shù)據(jù)的數(shù)值x_i與均值μ_T的偏離程度越大時，則公式一的值越小，當當前采樣數(shù)據(jù)的數(shù)值x_i與均值μ_T的偏離程度越小時，則公式一的值越大。

需要說明的是，根據(jù)均值μ_T、方差σ_T和當前采樣數(shù)據(jù)的數(shù)值x_i所確定的第一函數(shù)，并不局限于本實施例列舉的公式，本領(lǐng)域技術(shù)人員可以根據(jù)均值μ_T、方差σ_T和當前采樣數(shù)據(jù)的數(shù)值x_i與置信度的關(guān)系，確定其他公式。

然后根據(jù)方差σ_T和一常數(shù)的乘積確定第二函數(shù)，其中第二函數(shù)隨方差σ_T的增大而減小，如公式二所示：

公式二

需要說明的是，由于M個采樣數(shù)據(jù)的均值μ_T和方差σ_T為定值，所以公式 二在此情況下為一定值。

根據(jù)第一函數(shù)和第二函數(shù)的乘積確定一計算公式，如公式三所示，分別計算M個采樣數(shù)據(jù)的置信度。

公式三

需要說明的是，生理信號在一段時期變化平穩(wěn)，都具有穩(wěn)定的統(tǒng)計特征。當M的數(shù)據(jù)較大時，可以獲取短時時間窗口T，例如T＝10分鐘，其中短時時間窗口T可以看作一睡眠周期。統(tǒng)計窗口內(nèi)的采樣點，計算均值和方差。此種情況下可獲得一睡眠周期內(nèi)采樣數(shù)據(jù)的置信度。

需要說明的是，置信度的計算公式并不局限于公式三的指數(shù)函數(shù)公式，可以利用多項式的計算方式對置信度進行計算。

當采用多項式的計算方式時，首先根據(jù)當前采樣數(shù)據(jù)的數(shù)值x_i、M個采樣數(shù)據(jù)的均值μ_T和方差σ_T，確定第一函數(shù)，如公式四所示：

公式四

其中，M個采樣數(shù)據(jù)的均值μ_T和方差σ_T為定值，當當前采樣數(shù)據(jù)的數(shù)值x_i與均值μ_T的偏離程度越大時，則公式四的值越小，當當前采樣數(shù)據(jù)的數(shù)值x_i與均值μ_T的偏離程度越小時，則公式四的值越大。

然后將公式四與公式二進行組合，得到公式五：

公式五

其中，公式五為多項式計算置信度的計算公式，且利用公式五計算置信度時，對當前采樣數(shù)據(jù)的數(shù)值x_i有一范圍要求，當x_i的數(shù)值在μ_T-3σ_T與μ_T+3σ_T之間時，計算置信度，當x_i的數(shù)值不在μ_T-3σ_T與μ_T+3σ_T之間時，則置信度的值為零。需要說明的是，公式五可以保證越接近均值的采樣點置信度越高，越遠離均值的采樣點置信度越低，小概率點(概率小于0.3％)的置信度為0。

下面以一具體的場景為例進行說明：

統(tǒng)計一段睡眠時間內(nèi)逐beat的NN間隙分布(心率)，NN間隙在0.8s到0.9s的采樣點數(shù)量最多，越小或越大的采樣點越少。結(jié)果呈現(xiàn)近似的高斯分布。統(tǒng)計分布及擬合的結(jié)果如圖5所示。因此，在一個短時窗口時間內(nèi)，變化平穩(wěn)的信號的分布是有規(guī)律的，越接近均值的采樣點數(shù)量越大，越遠離均值的采樣點數(shù)量越少。本發(fā)明根據(jù)這樣的統(tǒng)計分布規(guī)律變換得出每個采樣點的置信度。一句話概括，就是一段時間內(nèi)統(tǒng)計出的值為某個數(shù)的采樣點越多，值為該數(shù)的采樣點置信度就越高，反之亦然。根據(jù)圖5，如果某個采樣點A的值為0.8，采樣點B的值為1.1，則我們認為，采樣點A的置信度大于采樣點B的置信度。

在本發(fā)明上述實施例中，如圖6所示，S102根據(jù)各個采樣數(shù)據(jù)的置信度分別對各個采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，包括：

S1021、根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K個采樣數(shù)據(jù)進行修正，得到修正后的第K個采樣數(shù)據(jù)的權(quán)重Y_k，其中Y_k與K個采樣數(shù)據(jù)的數(shù)值X_k乘積為修正后的第K個采樣數(shù)據(jù)的數(shù)值，且第K個采樣數(shù)據(jù)的置信度P_k越高，Y_k越大；

S1022、根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K+1個采樣數(shù)據(jù)進行修正，得到修正后的第K+1個采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個采樣數(shù)據(jù)的數(shù)值，且第K+1個采樣數(shù)據(jù)的置信度P_k+1越高，Y_k+1越大；

其中：

具體的，根據(jù)獲得兩個相鄰的置信度的值對兩個相鄰的采樣數(shù)據(jù)的值進行修正，根據(jù)修正后的采樣數(shù)據(jù)進行插值重建。下面以一具體例子進行解釋說明：

在信號插值時，采用置信度加權(quán)的采樣值代替實際采樣值進行插值。例如，當使用最鄰近差值算法時，每隔兩采樣點插值兩個點，在未引入置信度時，使用x₁和x₄插值x₂和x₃時，計算方法如下：

在引入置信度之后，如圖7所示，使用x₁和x₄插值x₂和x₃時，P₁為x₁的置信度，P₄為x₄的置信度，算法如下：

其中，為x₁的權(quán)重，為x₄的權(quán)重，與x₁的乘積為修正后的x₁的數(shù)值，與x₄的乘積為修正后的x₄的數(shù)值。

在引入置信度后，如果x₄采樣值偏離正常值，置信度較低，則最后信號插值后的點受到的影響較小。若未引入置信度，則對x₂和x₃的影響相對較大。通過引入置信度，可以弱化異常采樣點的影響，提高信號重建的準確性。

也可以采用線性插值算法，線性插值是數(shù)學(xué)、計算機圖形學(xué)等領(lǐng)域廣泛使用的一種簡單插值方法。

當使用線性插值算法時，假設(shè)已知坐標(x0，y0)與(x1，y1)，要得到[x0，x1]區(qū)間內(nèi)某一位置x在直線上的y值。

根據(jù)圖8中所示，假設(shè)直線AB上有一點(x，y)，可作出兩個相似三角形，我們得到(y-y0)/(y1-y0)＝(x0-x)/(x0-x1)

假設(shè)方程兩邊的值為α，那么這個值就是插值系數(shù)—從x0到x的距離與從x0到x1距離的比值。由于x值已知，所以可以從公式得到α的值

α＝(x-x0)/(x1-x0)

同樣，α＝(y-y0)/(y1-y0)

這樣，在代數(shù)上就可以表示成為：

y＝(1-α)y0+αy1

或者，

y＝y(tǒng)0+α(y1-y0)

在引入置信度的概念以后，插值方法由原來的y＝(1-α)y0+αy1變化為y＝(1-α)Y0+αY1，或者由原來的y＝y(tǒng)0+α(y1-y0)變化為y＝Y(jié)0+α(Y1-Y0)，其中

其中為y0的權(quán)重，為y1的權(quán)重，

利用置信度對y0進行修正，得到Y(jié)₀；利用置信度對y1進行修正，得到Y(jié)₁，P₀為y0的置信度，P₁為y1的置信度，采用此方式進行插值重建，可以減少置信度小的異常點對插值造成的影響，通過弱化異常采樣點的影響，提高信號重建的準確性。

需要說明的是，本發(fā)明插值重建的算法，并不局限于上述列舉的幾種，本領(lǐng)域技術(shù)人員可根據(jù)需要來選擇插值重建的算法。

本發(fā)明實施例還提供一種生理信號壓縮傳輸、重建裝置，如圖9所示，包括：

接收設(shè)置模塊10，用于接收對N個待傳輸數(shù)據(jù)進行減采樣后的M個采樣數(shù)據(jù)，對M個所述采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當前采樣數(shù)據(jù)的置信度隨當前采樣數(shù)據(jù)與M個所述采樣數(shù)據(jù)的均值μ_T的偏離程度的增大而減??；

修正模塊20，用于根據(jù)各個所述采樣數(shù)據(jù)的置信度分別對各個所述采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，其中，當前所述修正后的采樣數(shù)據(jù)的數(shù)值與當前置信度正相關(guān)；

重建獲取模塊30，用于根據(jù)預(yù)定的插值算法，對所述修正后的采樣數(shù)據(jù)進行插值重建，重新獲取N個采樣數(shù)據(jù)。

其中，如圖10所示，該裝置還包括：

采樣獲取模塊40，用于在所述接收設(shè)置模塊10接收對N個待傳輸數(shù)據(jù)進行減采樣后的M個采樣數(shù)據(jù)之前，對N個待傳輸數(shù)據(jù)進行減采樣處理，獲取M個所述采樣數(shù)據(jù)進行傳輸。

其中接收設(shè)置模塊10包括：

計算子模塊11，用于計算M個所述采樣數(shù)據(jù)的均值μ_T和方差σ_T；

第一確定子模塊12，用于根據(jù)當前采樣數(shù)據(jù)的數(shù)值x_i、計算得到的M個所述采樣數(shù)據(jù)的均值μ_T和方差σ_T，確定第一函數(shù)，其中所述第一函數(shù)隨當前采樣數(shù)據(jù)的數(shù)值x_i與所述均值μ_T的偏離程度的增大而減小，隨所述方差σ_T的增大而增大；

第二確定子模塊13，用于根據(jù)所述方差σ_T和一常數(shù)的乘積確定第二函數(shù)，其中所述第二函數(shù)隨所述方差σ_T的增大而減?。?/p>

處理子模塊14，用于根據(jù)所述第一函數(shù)和所述第二函數(shù)確定一計算公式，分別計算M個所述采樣數(shù)據(jù)的置信度。

其中，修正模塊20包括：

第一子模塊21，用于根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K個采樣數(shù)據(jù)進行修正，得到修正后的第K個采樣數(shù)據(jù)的權(quán)重Y_k，其中Y_k與K個采樣數(shù)據(jù)的數(shù)值X_k乘積為修正后的第K個采樣數(shù)據(jù)的數(shù)值，且第K個采樣數(shù)據(jù)的置信度P_k越高，Y_k越大；

第二子模塊22，用于根據(jù)第K個采樣數(shù)據(jù)的置信度P_k、第K+1個采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對第K+1個采樣數(shù)據(jù)進行修正，得到修正后的第K+1個采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個采樣數(shù)據(jù)的數(shù)值，且第K+1個采樣數(shù)據(jù)的置信度P_k+1越高，Y_k+1越大；

其中：

其中，重建獲取模塊30中的預(yù)定的插值算法至少包括：最鄰近插值算法和線性插值算法。

本發(fā)明實施例生理信號壓縮傳輸、重建方法，通過對待傳輸數(shù)據(jù)進行壓縮 傳輸，獲取壓縮傳輸后的采樣數(shù)據(jù)，對采樣數(shù)據(jù)設(shè)置置信度，根據(jù)設(shè)置的置信度對采樣數(shù)據(jù)進行修正，得到修正后的采樣數(shù)據(jù)，根據(jù)預(yù)定的插值算法，對修正后的采樣數(shù)據(jù)進行插值重建，獲取待傳輸?shù)娜繑?shù)據(jù)，可以有效減少數(shù)據(jù)的傳輸時間，同時提高了信號重建的準確性，解決現(xiàn)有技術(shù)中特定信號壓縮傳輸時方法復(fù)雜、普適性弱以及重建信號過程中引入異常點，為信號分析引入干擾的問題。

需要說明的是，本發(fā)明提供的生理信號壓縮傳輸、重建裝置是應(yīng)用上述方法的裝置，上述方法實施例中所有實現(xiàn)方式均適用于該裝置的實施例中，也能達到相同的技術(shù)效果。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。