一种局部脑组织血氧饱和度的检测方法与流程

本发明涉及血氧饱和度，尤其涉及一种局部脑组织血氧饱和度的检测方法。

背景技术：

1、血氧饱和度技术领域涉及对血液中氧气含量的测量和监控，主要用于评估个体的呼吸功能和血液循环状况。这一技术广泛应用于医学领域，特别是在重症监护、麻醉管理和慢性病监控等方面，通过非侵入性的手段，如脉搏血氧仪或光谱分析仪，实时监测血氧水平，提供重要的生理参数。技术领域涵盖了传感器设计、数据采集与处理、信号滤波与校正、多模态数据融合等多方面内容，旨在提高血氧饱和度测量的精确性和可靠性，为临床诊断和治疗提供可靠的数据支持。

2、但是传统方法在信号处理和特征提取方面存在明显不足。首先，传统信号预处理方法对低频和高频噪声的滤除效果有限，导致信号中噪声残留较多，影响后续分析的准确性。其次，基线漂移校正不足，常采用固定算法，无法动态调整，导致基线漂移影响结果的可靠性。信号去噪过程中，传统方法处理复杂噪声能力不足，信噪比优化不充分。这些不足之处导致传统方法在实际应用中效果欠佳，限制了其在高精度医学检测中的应用。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种局部脑组织血氧饱和度的检测方法。

2、为了实现上述目的，本发明采用了如下技术方案，一种局部脑组织血氧饱和度的检测方法，包括以下步骤：

3、s1，基于脑组织的原始光谱数据，采用高通和低通滤波器方法进行信号预处理，去除信号中的低频和高频噪声，并使用离散傅里叶变换和小波变换进行频域分析和滤波处理，生成预处理后的光谱数据；

4、s2，基于所述预处理后的光谱数据，采用自适应基线修正算法方法，进行基线漂移校正，动态调整信号基线水平，生成校正后的光谱数据；

5、s3，基于所述校正后的光谱数据，采用卡尔曼滤波器，进行信号去噪处理，优化信号的信噪比，生成去噪后的光谱数据；

6、s4，基于所述去噪后的光谱数据，采用主成分分析和独立成分分析方法，提取血氧饱和度关联特征，生成血氧饱和度特征数据；

7、s5，基于所述血氧饱和度特征数据，采用支持向量回归和随机森林方法，进行rsco2值的预测和估计，生成rsco2值；

8、s6，基于所述rsco2值，结合电阻抗数据，采用有限元分析方法，计算电流分布，重建脑组织的电阻抗图像，生成电阻抗图像；

9、s7，基于所述电阻抗图像和去噪后的光谱数据，采用卡尔曼滤波和贝叶斯估计方法，进行多模态数据融合，计算出局部脑组织的血氧饱和度，生成局部脑组织血氧饱和度图像。

10、进一步的，所述预处理后的光谱数据包括低频噪声和高频噪声已被去除的光谱数据，所述校正后的光谱数据具体指基线已校正的光谱信号，所述去噪后的光谱数据包括去除随机噪声和系统噪声的光谱数据，所述血氧饱和度特征数据包括主成分特征和独立成分特征，所述rsco2值包括通过回归分析和机器学习算法预测和估计的血氧饱和度值，所述电阻抗图像包括电流分布图和电阻抗值图，所述局部脑组织血氧饱和度图像包括融合后的血氧饱和度分布图和数值图。

11、进一步的，采用高通和低通滤波器方法进行信号预处理，去除信号中的低频和高频噪声，并使用离散傅里叶变换和小波变换进行频域分析和滤波处理，生成预处理后的光谱数据的步骤具体如下：

12、s101，基于所述脑组织的原始光谱数据，用高通滤波器处理信号，设定高频阈值，进行信号的高频分量提取和保留，移除低于阈值的频率成分，并进行信号重构，生成高通滤波后的光谱数据；

13、s102，基于所述高通滤波后的光谱数据，用低通滤波器处理信号，设定低频阈值，进行信号的低频分量提取和保留，移除高于阈值的频率成分，并进行信号重构，生成低通滤波后的光谱数据；

14、s103，基于所述低通滤波后的光谱数据，使用频域分析工具进行频谱变换，分解信号的各个频率成分，并进行小波变换，识别并分离噪声成分，重构信号，生成预处理后的光谱数据。

15、进一步的，采用自适应基线修正算法方法，进行基线漂移校正，动态调整信号基线水平，生成校正后的光谱数据的步骤具体如下：

16、s201，基于所述预处理后的光谱数据，提取光谱的基线部分，进行数据分割，将光谱数据分为多个间隔段落，计算每个段落的最低值，得到多个间隔的最低值数据，将多个间隔的最低值数据合并，生成初始基线数据；

17、s202，基于所述初始基线数据，调整光谱数据的基线水平，通过匹配多个间隔的最低值数据，计算每段落的基线偏移量，并进行基线调整，将多个间隔的光谱数据进行偏移校正，生成调整后的基线数据；

18、s203，基于所述调整后的基线数据，将调整后的基线水平应用于整个光谱数据，校正区段的基线漂移，合并段落的调整数据，生成校正后的光谱数据。

19、进一步的，采用卡尔曼滤波器，进行信号去噪处理，优化信号的信噪比，生成去噪后的光谱数据的步骤具体如下：

20、s301，基于所述校正后的光谱数据，采用卡尔曼滤波器处理信号，初始化滤波器参数，进行状态估计和测量更新，递归处理数据点，并进行噪声减少，生成卡尔曼滤波后的光谱数据；

21、s302，基于所述卡尔曼滤波后的光谱数据，采用自适应噪声消减处理信号，设定自适应参数，分析信号中的噪声特性，并调整参数匹配噪声变化，逐步减少噪声成分，生成自适应噪声消减后的光谱数据；

22、s303，基于所述自适应噪声消减后的光谱数据，优化信号的信噪比，进行信号平滑处理，消除残余噪声，生成去噪后的光谱数据。

23、进一步的，采用主成分分析和独立成分分析方法，提取血氧饱和度关联特征，生成血氧饱和度特征数据的步骤具体如下：

24、s401，基于所述去噪后的光谱数据，进行数据中心化处理，将每个数据点减去该数据的平均值，得到中心化后的数据，进行正交变换，将中心化后的数据进行正交投影，生成主成分数据；

25、s402，基于所述主成分数据，进行数据独立化处理，采用信号分离技术，分离各个主成分，得到独立的信号数据，提取与血氧饱和度关联的信号，生成独立成分数据；

26、s403，基于所述独立成分数据，进行特征提取操作，分析各个独立信号的特征值，计算与血氧饱和度高度关联的特征参数，选取关联特征，生成血氧饱和度特征数据。

27、进一步的，采用支持向量回归和随机森林方法，进行rsco2值的预测和估计，生成rsco2值的步骤具体如下：

28、s501，基于所述血氧饱和度特征数据，采用数据预处理步骤，进行数据清洗和归一化处理，然后移除异常值并进行线性插值，并进行格式转换，生成预处理后的特征数据；

29、s502，基于所述预处理后的特征数据，进行支持向量回归模型的训练，设定模型参数，通过划分数据集为训练集和测试集，进行模型训练并优化参数，并进行交叉验证，生成支持向量回归模型；

30、s503，基于所述支持向量回归模型，进行随机森林模型的训练，设定树的数量和深度，通过评估特征重要性并调整模型参数，结合支持向量回归模型进行rsco2值的预测和估计，并进行结果验证，生成rsco2值。

31、进一步的，结合电阻抗数据，采用有限元分析方法，计算电流分布，重建脑组织的电阻抗图像，生成电阻抗图像的步骤具体如下：

32、s601，基于所述rsco2值，结合电阻抗数据，进行数据整合，采用rsco2值与电阻抗数据进行匹配，将rsco2值与电阻抗数据按位置对应，进行脑组织电阻抗的初步模型构建，生成初步电阻抗模型；

33、s602，基于所述初步电阻抗模型，进行电流分布计算，通过有限元分析，确定模型各点的电流分布情况，采用逐点分析方式，调整电流源和测量点的位置，进行数据采集，生成电流分布数据；

34、s603，基于所述电流分布数据，进行电阻抗图像重建，采用各点电流分布数据进行图像重建，将电流分布数据应用于脑组织模型，计算各区域的电阻抗值，生成电阻抗图像。

35、进一步的，采用卡尔曼滤波和贝叶斯估计方法，进行多模态数据融合，计算出局部脑组织的血氧饱和度，生成局部脑组织血氧饱和度图像的步骤具体如下：

36、s701，基于所述电阻抗图像和去噪后的光谱数据，采用卡尔曼滤波处理，进行数据融合，通过递归处理各数据点并进行状态估计和测量更新，并进行噪声减少，生成卡尔曼滤波融合数据；

37、s702，基于所述卡尔曼滤波融合数据，采用贝叶斯估计方法，进行概率分布计算，通过更新先验和后验概率进行数据融合，并进行不确定性评估，生成贝叶斯估计融合数据；

38、s703，基于所述贝叶斯估计融合数据，进行局部脑组织血氧饱和度计算，通过插值和映射生成二维图像，并进行伪彩色编码进行数据可视化，生成局部脑组织血氧饱和度图像。

39、与现有技术相比，本发明的优点和积极效果在于：

40、本发明基于脑组织的原始光谱数据，采用高通和低通滤波器进行信号预处理，有效去除低频和高频噪声，并通过离散傅里叶变换和小波变换进行频域分析和滤波处理，生成高质量的预处理光谱数据。进一步，采用自适应基线修正算法动态调整信号基线水平，校正基线漂移，保证数据的一致性和准确性。卡尔曼滤波器用于信号去噪，优化信号的信噪比，确保数据的纯净度。在特征提取阶段，结合主成分分析和独立成分分析，提取与血氧饱和度关联的特征，生成高效的特征数据。使用支持向量回归和随机森林方法进行rsco2值的预测和估计，得到精确的rsco2值。结合电阻抗数据，采用有限元分析方法计算电流分布，重建脑组织电阻抗图像，实现对脑组织的精细成像。最终，通过卡尔曼滤波和贝叶斯估计方法进行多模态数据融合，计算局部脑组织的血氧饱和度，生成精准的血氧饱和度图像。以上改进使得数据处理更加精准，特征提取更加有效，血氧饱和度的监测更为可靠和直观，提升了整体检测效果。