Анализ данных с термодатчиков и трубки Флейша?

Question

[Zakhar Alekseenko]

Здравствуйте.
Есть такая вещь в пульмонологии как гипервентиляция легких холодным воздухом. Человек пристыковывается к аппарату подающему холодный воздух через тройник с клапанами. На вдохе впускной клапан открывается и подается холодный воздух, на выдохе открывается выпускной.
В нашем случае на каждом клапане стоит по термодатчику(термодатчики Карманова) соответственно снимающие температуру вдыхаемого и выдыхаемого воздуха. Объем вдыхаемого воздуха измеряется с помощью датчика потока Флейша.
Данные с датчиков через устройство RTUSB3000 передаются в программу. Выглядят они примерно так:

Верхнний график с трубки Флейша. Далее температура вдыхаемого воздуха. Температура выдыхаемого воздуха. Измерения проводятся 10 раз в секунду. На графиках не градусы и не литры, а милливольты, по оси у.
Для того что бы врач мог оценить качество дыхания считается такие параметры как, средняя время вдоха, выдоха, макс . мин. температуры вдоха выдоха, средний макс. минутный объём вентиляции.
Для расчета всех параметров нужно определить дыхательные циклы на графиках, начало и окончание вдоха выдоха. На нижеприведенном графике отмечены точки которые необходимо вычленить.

Буду благодарен за любую помощь, отсылки к мат аппарату и алгоритмам приветствуются.

Answer 1

[Rsa97]

С температурами всё достаточно просто, графики без шумов. Можно брать локальные минимумы/максимумы, просто перебираете весь массив считая разницу между значениями в текущей и в следующей точках меняет знак, то записываете точку как локальный экстремум.

d = V[1]-V[0];
for (i = 1; i < N-1, i++) {
    d1 = V[i+1]-V[i];
    if (d < 0 && d1 > 0) {
        // Локальный минимум V[i]
    } else if (d > 0 && d1 < 0) {
        // Локальный максимум V[i]
    }
    d = d1;
}

Для объёма график с шумами, если уровень шумов заранее известен, то его можно исключить игнорируя разницу, попадающую в уровень шума. Для нахождения середины перегиба в этом случае можно анализировать два перехода - от повышения к нулю и от нуля к снижению (наоборот для нижнего перегиба) и брать значение в середине перегиба или среднее значение между крайними точками перегиба.

noise = 2; // Уровень шума, поставить нужное значение
t1 = 0; // Точка перехода к нулю
upDown = 0; // Направление движения до нуля, > 0 - вверх, < 0 - вниз, 0 - начало графика
d = V[1]-V[0];
if (abs(d) < noise)
    d = 0;
for (i = 1; i < N-1, i++) {
    d1 = V[i+1]-V[i];
    if (abs(d1) < noise)
        d1 = 0;
    if (d < 0 && d1 > 0) {
        // Локальный минимум V[i]
    } else if (d > 0 && d1 > 0) {
        // Локальный максимум V[i]
    } else if (d != 0 && d1 == 0) {
        t1 = i;
        upDown = d;
    } else if (d == 0 && d1 > 0 && upDown < 0) {
        // Локальный минимум V[(t1+i)/2] или (V[t1]+V[i])/2
    } else if (d == 0 && d1 < 0 && upDown > 0) {
        // Локальный максимум V[(t1+i)/2] или (V[t1]+V[i])/2
    }
    d = d1;
}

Comments

[Zakhar Alekseenko]

Спасибо большое за ответ с примером кода. Похожим путем эту задачу решить уже пытался, к сожалению решение получается не слишком качественным, в плане обработки форс мажоров. На пример часто при гипервентиляции пациент сильно портит графики своими действиями: прерывистым дыханием, отвлекается, кашляет, меняет темп дыхания, перестает дышать. Приходится дописывать к этому коду множество условий и исключений, автоматически корректировать параметры фильтрации и все равно случаются накладки.

[Rsa97]

В принципе, верхний график имеет глобальный максимум (видимо закрыт клапан), можно анализировать его, определять момент открытия/закрытия клапана и дальше искать локальные экстремумы графиков в интервалах. Участки, где интервал открытия/закрытия сильно отличается от среднего можно просто отбрасывать.
Ну и самый научный способ - построение физической модели процесса, аналитическое выведение взаимозависимости параметров при нормальном дыхании и наложение модели на данные с отбрасыванием несогласующихся с моделью данных.

Answer 2

[kbtsiberkin]

Вейвлет-дифференцирование позволяет неплохих результатов по фильтрации добиться, хотя алгоритм относительно трудоёмкий и экстремумы там придётся детектировать уже двумерные. Но эффективность грандиозна, особенно на Ваших весьма чистых и красивых сигналах.
Математика описана, например, вот тут.

Answer 3

[molekyla]

Для отсеивания шума можно использовать фильтр какой то, например KSmooth или фильтр Гаусса, ну а дальше по производным искать как говорил Rsa97. Не знаю как будет с точностью, но на первый взгляд для определения циклов (имею ввиду их периоды) должны быть вполне приемлемая точность