CN109741830A - 单双周期混合判断的胸腹表面区域呼吸信号周期预测方法 - Google Patents
单双周期混合判断的胸腹表面区域呼吸信号周期预测方法 Download PDFInfo
- Publication number
- CN109741830A CN109741830A CN201910018166.9A CN201910018166A CN109741830A CN 109741830 A CN109741830 A CN 109741830A CN 201910018166 A CN201910018166 A CN 201910018166A CN 109741830 A CN109741830 A CN 109741830A
- Authority
- CN
- China
- Prior art keywords
- breath signal
- signal
- period
- simulation
- ideal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明单双周期混合判断的胸腹表面区域呼吸信号周期预测方法属于肿瘤医学、精密仪器、工程技术和数学等技术领域;该方法首先构建理想单周期呼吸信号,然后进行周期延拓,得到理想多周期呼吸信号,最后对理想多周期呼吸信号进行周期提取,整个提取过程在数据量成二倍的两个假想周期间进行,并在两个周期内即可完成周期提取;该方法方法能够准确提取理想多周期呼吸信号的周期,为准确预测呼吸运动奠定仿真实验基础。
Description
技术领域
本发明单双周期混合判断的胸腹表面区域呼吸信号周期预测方法属于肿瘤医学、精密仪器、工程技术和数学等技术领域。
背景技术
放射治疗(后文简称为放疗)是治疗癌症最主要的手段之一。大约70%的癌症患者在治疗癌症的过程中会用到放疗,约有40%的癌症可以通过放疗治愈。放射治疗效果与放射线照射到肿瘤区域的精度和剂量有关。消化***恶性肿瘤位于胸腔腹腔内,受呼吸运动影响,肿瘤的位置和体积都会随时间而改变,造成放射线照***度降低,从而影响放疗效果。
为了解决呼吸运动降低放疗效果的问题,很多学者开展了靶区扩边、屏气、呼吸门控、被动加压、四维放疗和实时跟踪等技术或方法的研究工作。这些工作有效降低了呼吸运动对放疗效果的影响,然而,由于这些工作都是在呼吸运动发生后开展的滞后补偿工作,因此无法从根本上克服呼吸运动降低放疗效果的问题。
为了解决上述问题,一些学者开始研究超前补偿方法,该方法首先需要对呼吸运动进行预测。目前,呼吸运动预测方法可分为以下两大类:第一、模型预测方法,它通过监测前期呼吸运动数据,建立呼吸运动模型,再基于模型来推测未来的呼吸运动;第二、无模型预测方法,它通过观察到的呼吸运动模式进行训练,形成启发式的学习算法,通过学习来预测未来的呼吸运动。
虽然呼吸运动不断重复吸气和呼气动作,但是呼吸运动并不以吸气和呼气为一个周期进行简单重复,在每次吸气和呼气的过程中,受自身以及外界的影响,周期和幅值都会有改变,模型预测方法无法照顾到这种变化,因此预测精度会受到制约,所以,更多学者开始在无模型预测方法中进行尝试,例如,用高斯过程回归来预测呼吸运动。
高斯过程回归是一种普适的预测算法,通过学习已知数据来预测未来数据,预测结果以均值和方差的形式给出。由于高斯过程回归算法本身并不是单纯针对呼吸运动预测而提出,因此不会考虑到呼吸运动的一些约束条件。如果将呼吸运动的约束条件考虑进去,就会缩小预测范围,预测结果也就会更加精确。
对于呼吸运动而言,其频率会限定在某一个范围内,因此可以通过获取呼吸信号的周期或频率来约束预测结果,提高预测精度。可见,获取呼吸运动的周期有利于提高预测精度。
然而,由于呼吸运动并不是单周期的简单重复,因此很难用两个相同特征值的距离来判断周期。那么,如果获取呼吸运动的周期已经成为提高预测精度的关键技术问题。
发明内容
为了预测呼吸信号的周期,本发明从理想的呼吸信号入手,提出了一种呼吸信号周期提取方法,该方法不仅包括根据呼吸规律构建理想呼吸信号的工作,而且包括对理想呼吸信号周期进行提取的工作。
本发明的目的是这样实现的:
单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
上述单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,步骤a所述的构建理想单周期呼吸信号,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
一种理想单周期呼吸信号构建方法,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
一种理想多周期呼吸信号周期提取方法,包括以下步骤:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
有益效果:
第一、本发明虽然隶属于肿瘤医学技术领域,但是本发明是从技术角度出发,是对信号特征量进行提取,并且单从本发明的技术目的和作用来看,无法实现对疾病进行诊断和治疗,因此不属于专利法第二十五条所述的疾病的诊断和治疗方法,本发明不存在客体问题。
第二、本发明公开足够充分,只要将说明书部分记载的源代码在MATLAB软件中运行,即可得到运行结果,无论是本领域技术人员还是非本领域技术人员,都可以实现本申请。
第三、本发明还提供了一种理想单周期呼吸信号构建方法,该方法仅需要用到三段正弦函数即可拟合出一个周期内的呼吸信号,方法简单、函数简单,且拟合结果与真实呼吸运动相对应。
第四、本发明方法在数据量相同的两个假想周期间进行,并同本研究团队同日申报的发明专利《基于方差计算的人体胸腹表面区域呼吸信号周期预测方法》相比,只要在一个真实周期内即可完成周期提取,因此计算量更小,从仿真结果也能够看出,运行时间从0.40s提高到0.26s。
第五、本发明方法在数据量相同的两个假想周期间进行,同本研究团队同日申报的发明专利《结合三周期判断的胸腹表面区域呼吸信号周期预测方法》,考虑到呼吸运动呼气和吸气过程不对称,因此在两个假想周期内即可实现数据相互验证,在避免假周期出现,预测结果更加准确的同时,能够将运行时间进一步提高,从仿真结果也能够看出,运行时间从0.32s提高到0.26s。
附图说明
图1是理想多周期呼吸信号图。
图2是周期提取时的程序运行结果。
图3是程序运行界面。
具体实施例
下面结合附图对本发明具体实施例作进一步详细描述。
具体实施例一
本实施例是单双周期混合判断的胸腹表面区域呼吸信号周期预测方法实施例。
本实施例的单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
具体实施例二
本实施例是单双周期混合判断的胸腹表面区域呼吸信号周期预测方法实施例。
本实施例的单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,在具体实施例一的基础上,进一步限定步骤a所述的构建理想单周期呼吸信号,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
具体实施例三
本实施例是单双周期混合判断的胸腹表面区域呼吸信号周期预测方法实施例。
本实施例的单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
具体实施例四
本实施例是一种理想单周期呼吸信号构建方法实施例。
本实施例的一种理想单周期呼吸信号构建方法,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
具体实施例五
本实施例是一种理想多周期呼吸信号周期提取方法实施例。
本实施例的一种理想多周期呼吸信号周期提取方法,包括以下步骤:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
具体实施例七
本实施例是单双周期混合判断的胸腹表面区域呼吸信号周期预测方法实施例。
为了验证本发明方法,将该方法在MATLAB R2014a软件上运行。所应用的计算机配置如下:
计算机配置表
操作*** | Windows 7旗舰版X86 |
处理器 | Intel(R)Core(TM)[email protected] 1.80GHz |
安装内存 | 8.00GB |
所编写的MATLAB程序如下:
程序运行结果分别如图1、图2和图3所示。其中,图1是理想多周期呼吸信号的信号图,图2是周期提取时的程序运行结果,图3是程序运行界面。
程序运行结果表明,本发明方法准确地从呼吸运动信号中提取到了信号周期。
最后,感谢国家自然科学基金面上项目《放疗中人体胸腹表面的动态三维测量及区域呼吸运动分析与时空一体预测》(项目编号:61571168)和大学生创新项目《面向肺部肿瘤放射治疗的胸腹表面呼吸运动预测研究》(项目编号:201810214267)对本专利的资金支持。
Claims (5)
1.单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,其特征在于,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
2.根据权利要求1所述的单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,其特征在于,步骤a所述的构建理想单周期呼吸信号,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
3.单双周期混合判断的胸腹表面区域呼吸信号周期预测方法,其特征在于,由以下步骤组成:
步骤a、构建理想单周期呼吸信号;
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号;
步骤b、对步骤a得到的理想单周期呼吸信号进行周期延拓,得到理想多周期呼吸信号;
步骤c、对步骤b得到的理想多周期呼吸信号进行周期提取,包括:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
4.一种理想单周期呼吸信号构建方法,其特征在于,包括以下步骤:
步骤a1、根据人类正常呼吸的过程,将呼吸运动分为吸气过程、呼气过程和类暂停过程三个阶段;
步骤a2、分别确定吸气过程的持续时间T1、呼气过程的持续时间T2和类暂停过程的持续时间T3;
步骤a3、用周期为4T1相位为[0,π/2]的正弦函数模拟吸气过程,得到模拟吸气信号;用周期为4T2相位为[π/2,π]的正弦函数模拟呼气过程,得到模拟呼气信号;用周期为4T3相位为[π,3π/2]的正弦函数模拟类暂停过程,得到模拟类暂停信号;
步骤a4、将模拟吸气信号的相对幅值调整到[a,b]之间,将模拟呼气信号的相对幅值调整到[c,b]之间,将模拟类暂停信号的相对幅值调整到[a,c]之间;
步骤a5、将得到的模拟吸气信号、模拟呼气信号和模拟类暂停信号首尾相接,得到理想单周期呼吸信号。
5.一种理想多周期呼吸信号周期提取方法,其特征在于,包括以下步骤:
步骤c1、提取步骤b得到的理想多周期呼吸信号的直流分量;
步骤c2、用步骤b得到的理想多周期呼吸信号减去步骤c1得到的直流分量;
步骤c3、设定阈值;
步骤c4、设定周期数据变量为1,进入步骤c5;
步骤c5、根据周期数据变量,计算第一周期所有数据之和,以及第一二周期所有数据之和,进入步骤c3;
步骤c6、判断第一周期所有数据之和与第一二周期所有数据之和的差是否大于阈值,如果:
是,周期数据变量+1,返回步骤c5;
否,进入步骤c7;
步骤c7、周期数据变量即为多周期呼吸信号的周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018166.9A CN109741830B (zh) | 2019-01-09 | 2019-01-09 | 单双周期混合判断的胸腹表面区域呼吸信号周期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018166.9A CN109741830B (zh) | 2019-01-09 | 2019-01-09 | 单双周期混合判断的胸腹表面区域呼吸信号周期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109741830A true CN109741830A (zh) | 2019-05-10 |
CN109741830B CN109741830B (zh) | 2022-12-06 |
Family
ID=66363966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910018166.9A Active CN109741830B (zh) | 2019-01-09 | 2019-01-09 | 单双周期混合判断的胸腹表面区域呼吸信号周期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741830B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741827A (zh) * | 2019-01-09 | 2019-05-10 | 哈尔滨理工大学 | 结合双周期判断的胸腹表面区域呼吸信号周期预测方法 |
CN109741829A (zh) * | 2019-01-09 | 2019-05-10 | 哈尔滨理工大学 | 结合三周期判断的胸腹表面区域呼吸信号周期预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2008686C1 (ru) * | 1991-07-09 | 1994-02-28 | Ростовский медицинский институт | Способ прогнозирования развития осложнений у детей больных орви |
CN101628154A (zh) * | 2008-07-16 | 2010-01-20 | 深圳市海博科技有限公司 | 基于预测的图像引导跟踪方法 |
CN101637388A (zh) * | 2008-07-29 | 2010-02-03 | 深圳市海博科技有限公司 | 呼吸运动预测方法 |
CN102481127A (zh) * | 2009-08-13 | 2012-05-30 | 帝人制药株式会社 | 呼吸波形信息的运算装置和利用呼吸波形信息的医疗设备 |
CN102613964A (zh) * | 2012-03-12 | 2012-08-01 | 深圳市视聆科技开发有限公司 | 获取生理信号周期的方法及*** |
TW201544074A (zh) * | 2014-05-22 | 2015-12-01 | Apex Medical Corp | 呼吸波形辨識方法及其系統 |
CN105286998A (zh) * | 2015-11-03 | 2016-02-03 | 苏州大学 | 一种由呼吸引起的人体胸腹腔运动模拟装置 |
-
2019
- 2019-01-09 CN CN201910018166.9A patent/CN109741830B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2008686C1 (ru) * | 1991-07-09 | 1994-02-28 | Ростовский медицинский институт | Способ прогнозирования развития осложнений у детей больных орви |
CN101628154A (zh) * | 2008-07-16 | 2010-01-20 | 深圳市海博科技有限公司 | 基于预测的图像引导跟踪方法 |
CN101637388A (zh) * | 2008-07-29 | 2010-02-03 | 深圳市海博科技有限公司 | 呼吸运动预测方法 |
CN102481127A (zh) * | 2009-08-13 | 2012-05-30 | 帝人制药株式会社 | 呼吸波形信息的运算装置和利用呼吸波形信息的医疗设备 |
CN102613964A (zh) * | 2012-03-12 | 2012-08-01 | 深圳市视聆科技开发有限公司 | 获取生理信号周期的方法及*** |
TW201544074A (zh) * | 2014-05-22 | 2015-12-01 | Apex Medical Corp | 呼吸波形辨識方法及其系統 |
CN105286998A (zh) * | 2015-11-03 | 2016-02-03 | 苏州大学 | 一种由呼吸引起的人体胸腹腔运动模拟装置 |
Non-Patent Citations (2)
Title |
---|
周寿军: "基于后验概率的呼吸信号预测", 《中国医学生物工程学报》 * |
孟晓亮: "基于三维傅里叶变换的胸腹表面测量", 《光学精密工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741827A (zh) * | 2019-01-09 | 2019-05-10 | 哈尔滨理工大学 | 结合双周期判断的胸腹表面区域呼吸信号周期预测方法 |
CN109741829A (zh) * | 2019-01-09 | 2019-05-10 | 哈尔滨理工大学 | 结合三周期判断的胸腹表面区域呼吸信号周期预测方法 |
CN109741829B (zh) * | 2019-01-09 | 2022-10-28 | 哈尔滨理工大学 | 结合三周期判断的胸腹表面区域呼吸信号周期预测方法 |
CN109741827B (zh) * | 2019-01-09 | 2022-11-01 | 哈尔滨理工大学 | 结合双周期判断的胸腹表面区域呼吸信号周期预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109741830B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vedam et al. | Predicting respiratory motion for four‐dimensional radiotherapy | |
EP3695882A1 (en) | Computing radiotherapy dose distribution | |
Seregni et al. | Real-time tumor tracking with an artificial neural networks-based method: a feasibility study | |
Liu et al. | Range and dose verification in proton therapy using proton-induced positron emitters and recurrent neural networks (RNNs) | |
CN109741830A (zh) | 单双周期混合判断的胸腹表面区域呼吸信号周期预测方法 | |
CN109741828A (zh) | 一种放疗中人体胸腹表面区域呼吸信号周期预测方法 | |
CN109741831A (zh) | 基于方差计算的人体胸腹表面区域呼吸信号周期预测方法 | |
Pastor-Serrano et al. | Learning the physics of particle transport via transformers | |
Geneser et al. | Quantifying variability in radiation dose due to respiratory-induced tumor motion | |
CN109741827A (zh) | 结合双周期判断的胸腹表面区域呼吸信号周期预测方法 | |
CN109741829A (zh) | 结合三周期判断的胸腹表面区域呼吸信号周期预测方法 | |
Chang et al. | Real-time respiratory tumor motion prediction based on a temporal convolutional neural network: Prediction model development study | |
Georg et al. | Medical physics in radiation Oncology: New challenges, needs and roles | |
Jensen et al. | Study of the IMRT interplay effect using a 4DCT Monte Carlo dose calculation | |
CN109887573A (zh) | 面向放疗的人体胸腹表面运动预测方法 | |
Thaper et al. | Degree of reduction in normal liver complication probability from free-breathing to breath-hold liver SBRT: a dose-escalation strategy using radiation dose-volume effect | |
Waghorn et al. | A comparison of the dosimetric effects of intrafraction motion on step‐and‐shoot, compensator, and helical tomotherapy‐based IMRT | |
Yoganathan et al. | Predicting respiratory motion using a novel patient specific dual deep recurrent neural networks | |
Shan et al. | A comparative study on the generalization ability of back propagation neural network and support vector machine for tracking tumor motion in radiotherapy | |
Zhang et al. | Comparison of two different kernel functions of support vector regression for tracking tumor motion: radial basis function and linear function | |
Ichiji et al. | Intelligent sensing of biomedical signals-lung tumor motion prediction for accurate radiotherapy | |
Okusako et al. | Prediction of lung tumor motion with combinational use of High-order repetitive control and Long-Short term memory | |
Wu et al. | Knowledge discovery from tumor respiratory motion data | |
Kumaragamage | Validation of calypso surface beacons for deep inspiration breath hold radiotherapy | |
城野悠志 | Prediction-based compensation for gate on/off latency during respiratory-gated radiotherapy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |