技術(shù)特征：

1.一種生理信號壓縮傳輸、重建方法，其特征在于，所述方法包括：

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?。?/p>

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)。

2.如權(quán)利要求1所述的方法，其特征在于，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。

3.如權(quán)利要求1所述的方法，其特征在于，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??；

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。

4.如權(quán)利要求1所述的方法，其特征在于，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：$Y_k=\frac{P_k}{P_k+P_{k+1}},Y_{k+1}=\frac{P_{k+1}}{P_k+P_{k+1}}.$

5.如權(quán)利要求1所述的方法，其特征在于，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。

6.一種生理信號壓縮傳輸、重建裝置，其特征在于，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??；

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)。

7.如權(quán)利要求6所述的裝置，其特征在于，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。

8.如權(quán)利要求6所述的裝置，其特征在于，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。

9.如權(quán)利要求6所述的裝置，其特征在于，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：$Y_k=\frac{P_k}{P_k+P_{k+1}},Y_{k+1}=\frac{P_{k+1}}{P_k+P_{k+1}}.$

10.如權(quán)利要求6所述的裝置，其特征在于，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。