单通道实时小波处理与分类算法在泌尿事件分析中的应用

### 单通道实时小波处理与分类算法在泌尿事件分析中的应用 #### 1. 小波函数的选择与信号重建 在对10分钟膀胱测压信号进行重建测试时，计算了原始信号与重建信号之间的均方根误差（RE）和重建计算时间（RT）。RT定义为完成1000个数据样本重建所需的时间，主要取决于硬件能力。以下是不同小波函数的重建结果特征： | 小波函数 | 重建计算时间（RT）(ms) | 重建误差（RE） | | --- | --- | --- | | Haar | 1.9 | 1e - 5 | | DB4 | 3.7 | 1e - 12 | | Sym4 | 3.4 | 1e - 12 | | Dmey | 8.7 | 1e - 12 | | Coif4 | 14 | 1e - 12 | 通过比较，具有四个消失点的Symlet小波函数（Sym4）在RT和RE之间达到了最佳平衡，因此被选中。 为了找到权重向量，使用最小均方（LMS）拟合，以PVES为输入，PDET为输出。当Wsz = 32且使用小波函数Sym4时，PVES被分解为五个级别。LMS结果显示，在估计低频PDET信号时，最后一级的权重明显高于其他权重。 #### 2. 事件检测与消除阶段 事件检测能够改进PDET的离散小波变换（DWT）估计，因为它允许根据事件选择重建权重Wi。例如，当检测到腹部事件（包含高频元素）时，事件期间窗口的权重向量可以弱化DWT的初始尺度。重建权重Wi也是自适应计算的，因此可以捕捉数据中的近期活动历史，实现更稳健的检测方案。 在该方法中，重点关注统计特征来自适应缩放Wi。窗口的统计特征可以作为窗口的另一种抽象表示，也是每个事件收缩开始和结束的有力指标。然而，以往的研究仅报告了事件开始的检测，而检测事件的总持续时间是一个重要但较少受到关注的因素。 事件检测使用先前的观察结果来确定一个阈值向量，以识别事件的开始和结束。对于滑动窗口，事件检测算法的核心函数为： \[ \Gamma(k) = \begin{cases} 1 & F_g > T_m \text{ 且 } f(v) \\ 0 & \text{ 否则 } \end{cases} \] 其中，\(v = [\mu, \sigma, \xi, \delta] \in R^4\) 是一个向量，\(k\) 是离散时间索引，\(\Gamma(k)\) 是一个离散逻辑函数，表示事件检测，当事件发生时产生真值，\(\sigma\) 是局部窗口标准差，\(\mu\) 是算术平均值，\(\delta\) 是局部梯度的最大值，\(\xi\) 是信号过零率，\(F_g\) 是在开始时设置并在结束时清除的标志，\(T_m\) 是一个调整参数。函数 \(f\) 是核心函数，是一组仅在事件期间逻辑为真的不等式，简单选择为 \(f = AND(v > T_r)\)，其中 \(T_r \in R^4\) 是一个阈值向量。 一般来说，估计的PDET通过消除检测到的事件来计算，即： \[ P_{DET}(W, W_{sz}, \mu, \sigma, \delta, \xi) = \begin{cases} \hat{P} & \Gamma(k) = 1 \\ \hat{P} - \mu & \text{ 否则 } \end{cases} \] 这种相对简单的技术由于计算开销低，更适合实时实现，例如在便携式膀胱测压设备上