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

背景技術(shù)：

在移動(dòng)健康的應(yīng)用中，往往需要通過傳感器端采集長(zhǎng)時(shí)間的生理信號(hào)，并通過低功耗藍(lán)牙(BLE)發(fā)送至手機(jī)客戶端。例如通過心率監(jiān)測(cè)睡眠的健康應(yīng)用，采集一晚約8小時(shí)的心率數(shù)據(jù)使用BLE的notification模式傳輸，需要150秒時(shí)間。這與用戶的最佳體驗(yàn)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(duì)于增強(qiáng)整個(gè)系統(tǒng)的用戶體驗(yàn)十分重要。其中notification模式傳輸是低功耗藍(lán)牙用在傳感器與上位機(jī)通信的常見傳輸數(shù)據(jù)方式。在這種方式下，當(dāng)傳感器捕獲到參數(shù)發(fā)生變化時(shí)，會(huì)自動(dòng)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(hào)的數(shù)據(jù)壓縮傳輸方法。針對(duì)心電信號(hào)進(jìn)行壓縮傳輸時(shí)：對(duì)心電信號(hào)進(jìn)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(hào)各波形的時(shí)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(hào)解壓縮后的保真度的情況下，提高心電信號(hào)的壓縮率，以使壓縮后的心電信號(hào)更利于傳輸和存儲(chǔ)。

另一些研究著眼于信號(hào)局部差異化特性的數(shù)據(jù)壓縮方法。例如針對(duì)生理信號(hào)進(jìn)行壓縮時(shí)：獲取生理信號(hào)；對(duì)獲取到的生理信號(hào)進(jìn)行自適應(yīng)分割，以得到相應(yīng)的均勻段；對(duì)得到的均勻段進(jìn)行壓縮。通過利用生理信號(hào)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(duì)生理信號(hào)進(jìn)行數(shù)據(jù)壓縮，能夠較大程度的實(shí)現(xiàn)數(shù)據(jù)壓縮，并完整的保真了生理信號(hào)。

在更普遍的情況下，對(duì)于長(zhǎng)時(shí)間采集分析到的大量生理信號(hào)，很多實(shí)際應(yīng)用是通過將信號(hào)減采樣，降低數(shù)據(jù)量進(jìn)行傳輸，為了還原信號(hào)的顆粒度以進(jìn)行 進(jìn)一步分析，再對(duì)收到的信號(hào)進(jìn)行插值恢復(fù)。如圖1所示。

在信號(hào)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(hào)點(diǎn)之間的相關(guān)性進(jìn)行信號(hào)的重建。這些通用的方法沒有考慮到生理信號(hào)長(zhǎng)時(shí)間采集時(shí)，不可避免的異常點(diǎn)的干擾。

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

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

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種生理信號(hào)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(hào)壓縮傳輸時(shí)方法復(fù)雜、普適性弱以及重建信號(hào)過程中引入異常點(diǎn)，為信號(hào)分析引入干擾的問題。

本發(fā)明實(shí)施例提供一種生理信號(hào)壓縮傳輸、重建方法，包括：

接收對(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣后的M個(gè)采樣數(shù)據(jù)，對(duì)M個(gè)所述采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當(dāng)前采樣數(shù)據(jù)的置信度隨當(dāng)前采樣數(shù)據(jù)與M個(gè)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(gè)所述采樣數(shù)據(jù)的置信度分別對(duì)各個(gè)所述采樣數(shù)據(jù)進(jìn)行修正，得到修正后的采樣數(shù)據(jù)，其中，當(dāng)前所述修正后的采樣數(shù)據(jù)的數(shù)值與當(dāng)前置信度正相關(guān)；

根據(jù)預(yù)定的插值算法，對(duì)所述修正后的采樣數(shù)據(jù)進(jìn)行插值重建，重新獲取N個(gè)采樣數(shù)據(jù)。

其中，所述接收對(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣后的M個(gè)采樣數(shù)據(jù)之前，所述方法還包括：

對(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣處理，獲取M個(gè)所述采樣數(shù)據(jù)進(jìn)行傳輸。

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

計(jì)算M個(gè)所述采樣數(shù)據(jù)的均值μ_T和方差σ_T；

根據(jù)當(dāng)前采樣數(shù)據(jù)的數(shù)值x_i、計(jì)算得到的M個(gè)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(dāng)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?。?/p>

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

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

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

根據(jù)第K個(gè)采樣數(shù)據(jù)的置信度P_k、第K+1個(gè)采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對(duì)第K+1個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的第K+1個(gè)采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個(gè)采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個(gè)采樣數(shù)據(jù)的數(shù)值，且第K+1個(gè)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(shí)施例還提供一種生理信號(hào)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(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣后的M個(gè)采樣數(shù)據(jù)，對(duì)M個(gè)所述采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當(dāng)前采樣數(shù)據(jù)的置信度隨當(dāng)前采樣數(shù)據(jù)與M個(gè)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(gè)所述采樣數(shù)據(jù)的置信度分別對(duì)各個(gè)所述采樣數(shù)據(jù)進(jìn)行修正，得到修正后的采樣數(shù)據(jù)，其中，當(dāng)前所述修正后的采樣數(shù)據(jù)的數(shù)值 與當(dāng)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(duì)所述修正后的采樣數(shù)據(jù)進(jìn)行插值重建，重新獲取N個(gè)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(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣后的M個(gè)采樣數(shù)據(jù)之前，對(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣處理，獲取M個(gè)所述采樣數(shù)據(jù)進(jìn)行傳輸。

其中，所述接收設(shè)置模塊包括：

計(jì)算子模塊，用于計(jì)算M個(gè)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(dāng)前采樣數(shù)據(jù)的數(shù)值x_i、計(jì)算得到的M個(gè)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(dāng)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(jì)算公式，分別計(jì)算M個(gè)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(gè)采樣數(shù)據(jù)的置信度P_k、第K+1個(gè)采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對(duì)第K個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的第K個(gè)采樣數(shù)據(jù)的權(quán)重Y_k，其中Y_k與K個(gè)采樣數(shù)據(jù)的數(shù)值X_k乘積為修正后的第K個(gè)采樣數(shù)據(jù)的數(shù)值，且第K個(gè)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(gè)采樣數(shù)據(jù)的置信度P_k、第K+1個(gè)采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對(duì)第K+1個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的第K+1個(gè)采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個(gè)采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個(gè)采樣數(shù)據(jù)的數(shù)值，且第K+1個(gè)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(shí)施例上述技術(shù)方案至少包括如下有益效果：

通過對(duì)待傳輸數(shù)據(jù)進(jìn)行壓縮傳輸，獲取壓縮傳輸后的采樣數(shù)據(jù)，對(duì)采樣數(shù)據(jù)設(shè)置置信度，根據(jù)設(shè)置的置信度對(duì)采樣數(shù)據(jù)進(jìn)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(duì)修正后的采樣數(shù)據(jù)進(jìn)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(shí)間，同時(shí)提高了信號(hào)重建的準(zhǔn)確性，解決現(xiàn)有技術(shù)中特定信號(hào)壓縮傳輸時(shí)方法復(fù)雜、普適性弱以及重建信號(hào)過程中引入異常點(diǎn)，為信號(hào)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(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)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(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)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(hào)及出現(xiàn)的異常點(diǎn)示意圖；

圖3為本發(fā)明實(shí)施例生理信號(hào)壓縮傳輸、重建方法流程示意圖一；

圖4為本發(fā)明實(shí)施例生理信號(hào)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(jì)分布及高斯擬合結(jié)果示意圖；

圖6為本發(fā)明實(shí)施例生理信號(hào)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(jìn)行插值示意圖；

圖8為采用線性插值算法進(jìn)行插值示意圖；

圖9本發(fā)明實(shí)施例生理信號(hào)壓縮傳輸、重建裝置示意圖一；

圖10本發(fā)明實(shí)施例生理信號(hào)壓縮傳輸、重建裝置示意圖二。

具體實(shí)施方式

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

本發(fā)明實(shí)施例針對(duì)的是長(zhǎng)時(shí)間采集變化平穩(wěn)的生理信號(hào)并要求在較短時(shí)間內(nèi)將采集到的信號(hào)傳輸出去的場(chǎng)景。長(zhǎng)時(shí)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(shí)間超過預(yù)期時(shí)間。變化平穩(wěn)，即在一段時(shí)期內(nèi)，采樣值的波動(dòng)是不大的，正常情況下，信號(hào)幅值不存在短時(shí)大幅度地變化。這樣的場(chǎng)景在居家健康監(jiān)測(cè)時(shí)較常見，例如睡眠時(shí)期的心率信號(hào)、血氧信號(hào)的采集傳輸。

針對(duì)上述場(chǎng)景，本發(fā)明實(shí)施例在常規(guī)的方法步驟上，巧妙通過信號(hào)的統(tǒng)計(jì)特征，轉(zhuǎn)化成采樣點(diǎn)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(diǎn)帶來的干擾，提高了信號(hào)的準(zhǔn)確性。

如圖3所示，本發(fā)明實(shí)施例提供一種生理信號(hào)壓縮傳輸、重建方法，包括：

S101、接收對(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣后的M個(gè)采樣數(shù)據(jù)，對(duì)M個(gè)采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當(dāng)前采樣數(shù)據(jù)的置信度隨當(dāng)前采樣數(shù)據(jù)與M個(gè)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(gè)采樣數(shù)據(jù)的置信度分別對(duì)各個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的采樣數(shù)據(jù)，其中，當(dāng)前修正后的采樣數(shù)據(jù)的數(shù)值與當(dāng)前置信度正相關(guān)；

S103、根據(jù)預(yù)定的插值算法，對(duì)修正后的采樣數(shù)據(jù)進(jìn)行插值重建，重新獲取N個(gè)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(shí)間的基礎(chǔ)上，同時(shí)提高信號(hào)重建的準(zhǔn)確性。

具體的，首先需要對(duì)待傳輸?shù)腘個(gè)數(shù)據(jù)進(jìn)行減采樣處理，獲取M個(gè)采樣數(shù)據(jù)進(jìn)行傳輸，N＞M，可以有效減少數(shù)據(jù)的傳輸時(shí)間。減采樣的本質(zhì)為：通過對(duì)原連續(xù)時(shí)間信號(hào)的過采樣，可以得到一組采樣值，從該組采樣值再進(jìn)行適當(dāng)?shù)牟蓸右膊粫?huì)引起混疊失真，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(jìn)行采樣，即待傳輸?shù)腘個(gè)數(shù)據(jù)與 減采樣后的M個(gè)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(gè)采樣數(shù)據(jù)，然后分別設(shè)置M個(gè)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(dāng)當(dāng)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(dāng)前采樣數(shù)據(jù)的置信度越小，當(dāng)當(dāng)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(dāng)前采樣數(shù)據(jù)的置信度越大。

在確定M個(gè)采樣數(shù)據(jù)的置信度后，然后需要根據(jù)各個(gè)采樣數(shù)據(jù)的置信度對(duì)各個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的采樣數(shù)據(jù)，且當(dāng)前修正后的采樣數(shù)據(jù)的數(shù)值與當(dāng)前置信度有關(guān)，當(dāng)當(dāng)前置信度越大，則當(dāng)前修正后的采樣數(shù)據(jù)的數(shù)值越大；當(dāng)當(dāng)前置信度越小，則當(dāng)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(duì)修正后的數(shù)據(jù)進(jìn)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(hào)的傳輸時(shí)間，通過引入置信度，利用置信度對(duì)采樣數(shù)據(jù)進(jìn)行修正，可以避免引入異常信號(hào)，利用修正后的采樣數(shù)據(jù)進(jìn)行插值重建，可以提高信號(hào)重建的準(zhǔn)確性。

下面以一實(shí)際場(chǎng)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(yuǎn)程監(jiān)護(hù)中，用戶通過佩戴傳感器節(jié)點(diǎn)采集睡眠8小時(shí)的心率信號(hào)，早晨起床將節(jié)點(diǎn)上的數(shù)據(jù)上傳至手機(jī)app進(jìn)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(shí)間縮短至40s，大大提高用戶的體驗(yàn)。

因此，我們通過減采樣3倍的方式對(duì)原始數(shù)據(jù)進(jìn)行壓縮傳輸，即每3個(gè)信號(hào)采樣點(diǎn)中，抽取一個(gè)采樣點(diǎn)，均勻減采樣。這樣，傳輸?shù)臄?shù)據(jù)大小就是原始信號(hào)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(gè)采樣點(diǎn)對(duì)中間的兩個(gè)點(diǎn)進(jìn)行插值，重建信號(hào)。獲取傳感器采集的全部數(shù)據(jù)。

本發(fā)明實(shí)施例通過對(duì)待傳輸數(shù)據(jù)進(jìn)行壓縮傳輸，獲取壓縮傳輸后的采樣數(shù)據(jù)，對(duì)采樣數(shù)據(jù)設(shè)置置信度，根據(jù)設(shè)置的置信度對(duì)采樣數(shù)據(jù)進(jìn)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(duì)修正后的采樣數(shù)據(jù)進(jìn)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(shí)間，同時(shí)提高了信號(hào)重建 的準(zhǔn)確性，解決現(xiàn)有技術(shù)中特定信號(hào)壓縮傳輸時(shí)方法復(fù)雜、普適性弱以及重建信號(hào)過程中引入異常點(diǎn)，為信號(hào)分析引入干擾的問題。

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

S1011、計(jì)算M個(gè)采樣數(shù)據(jù)的均值μ_T和方差σ_T；

S1012、根據(jù)當(dāng)前采樣數(shù)據(jù)的數(shù)值x_i、計(jì)算得到的M個(gè)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(dāng)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(jì)算公式，分別計(jì)算M個(gè)采樣數(shù)據(jù)的置信度。

具體的，首先計(jì)算得出M個(gè)采樣數(shù)據(jù)的均值μ_T和方差σ_T，根據(jù)當(dāng)前采樣數(shù)據(jù)的數(shù)值x_i、計(jì)算得到的M個(gè)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(gè)采樣數(shù)據(jù)的均值μ_T和方差σ_T為定值，當(dāng)當(dāng)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(shí)，則公式一的值越小，當(dāng)當(dāng)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(shí)，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(dāng)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(shí)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(dāng)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(gè)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(jì)算公式，如公式三所示，分別計(jì)算M個(gè)采樣數(shù)據(jù)的置信度。

公式三

需要說明的是，生理信號(hào)在一段時(shí)期變化平穩(wěn)，都具有穩(wěn)定的統(tǒng)計(jì)特征。當(dāng)M的數(shù)據(jù)較大時(shí)，可以獲取短時(shí)時(shí)間窗口T，例如T＝10分鐘，其中短時(shí)時(shí)間窗口T可以看作一睡眠周期。統(tǒng)計(jì)窗口內(nèi)的采樣點(diǎn)，計(jì)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(jì)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(xiàng)式的計(jì)算方式對(duì)置信度進(jìn)行計(jì)算。

當(dāng)采用多項(xiàng)式的計(jì)算方式時(shí)，首先根據(jù)當(dāng)前采樣數(shù)據(jù)的數(shù)值x_i、M個(gè)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(gè)采樣數(shù)據(jù)的均值μ_T和方差σ_T為定值，當(dāng)當(dāng)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(shí)，則公式四的值越小，當(dāng)當(dāng)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(shí)，則公式四的值越大。

然后將公式四與公式二進(jìn)行組合，得到公式五：

公式五

其中，公式五為多項(xiàng)式計(jì)算置信度的計(jì)算公式，且利用公式五計(jì)算置信度時(shí)，對(duì)當(dāng)前采樣數(shù)據(jù)的數(shù)值x_i有一范圍要求，當(dāng)x_i的數(shù)值在μ_T-3σ_T與μ_T+3σ_T之間時(shí)，計(jì)算置信度，當(dāng)x_i的數(shù)值不在μ_T-3σ_T與μ_T+3σ_T之間時(shí)，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(diǎn)置信度越高，越遠(yuǎn)離均值的采樣點(diǎn)置信度越低，小概率點(diǎn)(概率小于0.3％)的置信度為0。

下面以一具體的場(chǎng)景為例進(jìn)行說明：

統(tǒng)計(jì)一段睡眠時(shí)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(diǎn)數(shù)量最多，越小或越大的采樣點(diǎn)越少。結(jié)果呈現(xiàn)近似的高斯分布。統(tǒng)計(jì)分布及擬合的結(jié)果如圖5所示。因此，在一個(gè)短時(shí)窗口時(shí)間內(nèi)，變化平穩(wěn)的信號(hào)的分布是有規(guī)律的，越接近均值的采樣點(diǎn)數(shù)量越大，越遠(yuǎn)離均值的采樣點(diǎn)數(shù)量越少。本發(fā)明根據(jù)這樣的統(tǒng)計(jì)分布規(guī)律變換得出每個(gè)采樣點(diǎn)的置信度。一句話概括，就是一段時(shí)間內(nèi)統(tǒng)計(jì)出的值為某個(gè)數(shù)的采樣點(diǎn)越多，值為該數(shù)的采樣點(diǎn)置信度就越高，反之亦然。根據(jù)圖5，如果某個(gè)采樣點(diǎn)A的值為0.8，采樣點(diǎn)B的值為1.1，則我們認(rèn)為，采樣點(diǎn)A的置信度大于采樣點(diǎn)B的置信度。

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

S1021、根據(jù)第K個(gè)采樣數(shù)據(jù)的置信度P_k、第K+1個(gè)采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對(duì)第K個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的第K個(gè)采樣數(shù)據(jù)的權(quán)重Y_k，其中Y_k與K個(gè)采樣數(shù)據(jù)的數(shù)值X_k乘積為修正后的第K個(gè)采樣數(shù)據(jù)的數(shù)值，且第K個(gè)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(gè)采樣數(shù)據(jù)的置信度P_k、第K+1個(gè)采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對(duì)第K+1個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的第K+1個(gè)采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個(gè)采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個(gè)采樣數(shù)據(jù)的數(shù)值，且第K+1個(gè)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(gè)相鄰的置信度的值對(duì)兩個(gè)相鄰的采樣數(shù)據(jù)的值進(jìn)行修正，根據(jù)修正后的采樣數(shù)據(jù)進(jìn)行插值重建。下面以一具體例子進(jìn)行解釋說明：

在信號(hào)插值時(shí)，采用置信度加權(quán)的采樣值代替實(shí)際采樣值進(jìn)行插值。例如，當(dāng)使用最鄰近差值算法時(shí)，每隔兩采樣點(diǎn)插值兩個(gè)點(diǎn)，在未引入置信度時(shí)，使用x₁和x₄插值x₂和x₃時(shí)，計(jì)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(shí)，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(hào)插值后的點(diǎn)受到的影響較小。若未引入置信度，則對(duì)x₂和x₃的影響相對(duì)較大。通過引入置信度，可以弱化異常采樣點(diǎn)的影響，提高信號(hào)重建的準(zhǔn)確性。

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

當(dāng)使用線性插值算法時(shí)，假設(shè)已知坐標(biāo)(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(diǎn)(x，y)，可作出兩個(gè)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(gè)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(duì)y0進(jìn)行修正，得到Y(jié)₀；利用置信度對(duì)y1進(jìn)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(jìn)行插值重建，可以減少置信度小的異常點(diǎn)對(duì)插值造成的影響，通過弱化異常采樣點(diǎn)的影響，提高信號(hào)重建的準(zhǔn)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(shí)施例還提供一種生理信號(hào)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(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣后的M個(gè)采樣數(shù)據(jù)，對(duì)M個(gè)所述采樣數(shù)據(jù)分別設(shè)置置信度，其中N＞M，且當(dāng)前采樣數(shù)據(jù)的置信度隨當(dāng)前采樣數(shù)據(jù)與M個(gè)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(gè)所述采樣數(shù)據(jù)的置信度分別對(duì)各個(gè)所述采樣數(shù)據(jù)進(jìn)行修正，得到修正后的采樣數(shù)據(jù)，其中，當(dāng)前所述修正后的采樣數(shù)據(jù)的數(shù)值與當(dāng)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(duì)所述修正后的采樣數(shù)據(jù)進(jìn)行插值重建，重新獲取N個(gè)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(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣后的M個(gè)采樣數(shù)據(jù)之前，對(duì)N個(gè)待傳輸數(shù)據(jù)進(jìn)行減采樣處理，獲取M個(gè)所述采樣數(shù)據(jù)進(jìn)行傳輸。

其中接收設(shè)置模塊10包括：

計(jì)算子模塊11，用于計(jì)算M個(gè)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(dāng)前采樣數(shù)據(jù)的數(shù)值x_i、計(jì)算得到的M個(gè)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(dāng)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的增大而減小；

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(jì)算公式，分別計(jì)算M個(gè)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(gè)采樣數(shù)據(jù)的置信度P_k、第K+1個(gè)采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對(duì)第K個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的第K個(gè)采樣數(shù)據(jù)的權(quán)重Y_k，其中Y_k與K個(gè)采樣數(shù)據(jù)的數(shù)值X_k乘積為修正后的第K個(gè)采樣數(shù)據(jù)的數(shù)值，且第K個(gè)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(gè)采樣數(shù)據(jù)的置信度P_k、第K+1個(gè)采樣數(shù)據(jù)的置信度P_k+1，采用歸一化處理對(duì)第K+1個(gè)采樣數(shù)據(jù)進(jìn)行修正，得到修正后的第K+1個(gè)采樣數(shù)據(jù)的權(quán)重Y_k+1，其中Y_k+1與K+1個(gè)采樣數(shù)據(jù)的數(shù)值X_k+1乘積為修正后的第K+1個(gè)采樣數(shù)據(jù)的數(shù)值，且第K+1個(gè)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(shí)施例生理信號(hào)壓縮傳輸、重建方法，通過對(duì)待傳輸數(shù)據(jù)進(jìn)行壓縮 傳輸，獲取壓縮傳輸后的采樣數(shù)據(jù)，對(duì)采樣數(shù)據(jù)設(shè)置置信度，根據(jù)設(shè)置的置信度對(duì)采樣數(shù)據(jù)進(jìn)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(duì)修正后的采樣數(shù)據(jù)進(jìn)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(shí)間，同時(shí)提高了信號(hào)重建的準(zhǔn)確性，解決現(xiàn)有技術(shù)中特定信號(hào)壓縮傳輸時(shí)方法復(fù)雜、普適性弱以及重建信號(hào)過程中引入異常點(diǎn)，為信號(hào)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(hào)壓縮傳輸、重建裝置是應(yīng)用上述方法的裝置，上述方法實(shí)施例中所有實(shí)現(xiàn)方式均適用于該裝置的實(shí)施例中，也能達(dá)到相同的技術(shù)效果。

以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)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(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。