CN101803911B - 自组织脉搏传感器中的滤波融合方法 - Google Patents
自组织脉搏传感器中的滤波融合方法 Download PDFInfo
- Publication number
- CN101803911B CN101803911B CN2010101395289A CN201010139528A CN101803911B CN 101803911 B CN101803911 B CN 101803911B CN 2010101395289 A CN2010101395289 A CN 2010101395289A CN 201010139528 A CN201010139528 A CN 201010139528A CN 101803911 B CN101803911 B CN 101803911B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- pulse
- factor
- pulse signals
- signal
- 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.)
- Active
Links
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种应用于自组织脉搏传感器中的滤波融合方法。此方法通过在手腕内侧桡动脉处放置多个压电式传感器点阵(每个单点传感器可单独测得脉搏波)获得多路脉搏波曲线。曲线在信息融合中心进行数字滤波和因子分析:首先,数字滤波采用小波处理方法,能有效消除脉搏波中混入的如基线漂移、肌电干扰、工频干扰等噪声信号;然后,因子分析对滤波后的多路脉搏信号做降维处理,去除其中严重失真的信号通道,同时优化选择两路脉搏波信号,最终融合为一路脉搏波输出。采用本发明的方法可以实时调整传感器点阵的输出权重,从而得到最接近真实脉搏信号的一路脉搏信号,然后通无线通信模块与后续处理模块接合,最终实现实时的脉搏信号监测与分析。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种脉搏波智能检测装置中的滤波融合方法。
背景技术
现有的脉搏波检测装置在测量病人脉搏时要求被测者处于平静状态,得出脉搏波用于医学上的辅助诊断。但是,在动态测量脉搏波的情况下,现有的脉搏波检测装置往往精度不能满足要求,且医学参考价值不大。在需要对被检者进行全天候监测的情况下,静态的脉搏波检测装置不能取得很好的效果。
已有的多路脉搏检测装置,在脉搏波后续的处理过程中没有按照中医中的切脉理论去考虑合适的融合处理方法,比如寸关尺三部脉波形各异,还有不同的运动负荷对脉搏造成的干扰如何消除。导致测量出来的脉搏波缺乏鲁棒性。
发明内容
本发明的目的在于针对现有技术的不足,提供一种应用于自组织脉搏传感器中的脉搏波的滤波融合方法。
一种自组织脉搏传感器中的滤波融合方法,包括以下步骤:
(1)用小波分析的方法进行数字滤波;
(2)经过滤噪处理之后的9路脉搏信号的融合处理。
进一步地,所述步骤(1)具体如下:
(A)选择小波基:选择sym8作为小波基波;
(B)选择尺度:在尺度9上进行小波分解;
(C)阈值去噪:采用软、硬阈值折衷的算法进行阈值去噪;
(D)重构脉搏波。
所述步骤(2)具体如下:
(a)因子分析:可将原始9个脉搏通道数据序列划分为3个脉搏波数据组,每个数据组由在某个因子上的载荷较大,而在其它2个因子上的载荷均较小的几个时间序列所组成。采用如下简便的方法进行空间降维:在由3个因子决定的3个变量组中,分别取且仅取一个典型变量,组成降维之后的变量集合;
(b)选取主因子脉搏波通道:选择第1因子和第2因子上载荷最大的脉搏波通道为两路主因子脉搏波通道;
(c)输出融合脉搏波:对两路脉搏波信号做加权融合,最终输出理想脉搏波信号。
本发明的有益效果是:本发明在不限制被测者正常活动的情况下,对其脉搏波进行24小时实时测量,并输出接近真实的脉搏波形曲线,用于后续分析。本发明采用自组织传感器网络技术,以点阵形式把脉搏波传感器排列在手腕内侧。在佩戴很短的时间内完成传感器网络的自适应调整,输出连续真实的脉搏波形曲线。
附图说明
图1为本发明的硬件结构图;
图2为本发明的脉搏波分析处理流程图;
图3为本发明的原始脉搏波经过小波分解之后的各频段叠加图;
图4为本发明的在MATLAB环境中采用SWT(一维平稳小波降噪)模拟小波降噪处理的过程图;
图5为本发明的脉搏波变量在3个因子下的聚类图;
图6为本发明的原始脉搏波变量在3个因子上的载荷图;
图7为本发明的A类自相关度较大的脉搏波;
图8为本发明的B类自相关度较大的脉搏波;
图9为本发明的最终处理结束后输出脉搏波形图。
具体实施方式
本发明自组织脉搏传感器中的滤波融合方法通过在手腕内侧桡动脉处放置多个压电式传感器点阵得到多路脉搏波曲线,其中每一路单点传感器可单独测得该点处脉搏波。多路脉搏波曲线在信息融合中心进行数字滤波和因子分析。首先,采用小波处理方法进行数字滤波,能有效地消除了脉搏波中混入的基线漂移,肌电干扰,工频干扰等噪声信号。然后,通过因子分析对滤波后的多路脉搏信号做降维处理,去除其中严重失真的信号通道,同时优化选择两路脉搏波信号,再计算其连接权重系数,用于抵消不同运动负荷下的脉搏波畸变,最终融合为一路脉搏波输出。采用本发明中的方法可以实时调整传感器点阵的输出权重,输出一路最接近真实的脉搏信号。再通过无线通信模块与后续处理模块接合。实现实时的脉搏信号监测分析。
具体来说,本发明采用手表链式腕带,在手腕内侧桡动脉处放置3行3列压电式传感器点阵。在靠近脉搏待测区域下用可充气气垫或弹力柱装置使传感器充分接触桡动脉处的脉搏。每一路单点传感器可单独测得该点处脉搏波。9路脉搏波曲线在信息融合中心进行融合判断,实时调整传感器点阵的输出权重。输出一路最接近真实的脉搏信号,通过无线通信模块与后续处理模块接合。
本发明的检测方法采用如下技术方案:
如图1所示,脉搏传感器网络通过滤波电路对采集到的9路脉搏波信号进行预处理,预处理之后的信号经过A/D变换送入信息融合中心(DSP模块),在这里对9路脉搏信号进行数字滤波和融合处理。
第一步:用小波分析的方法进行数字滤波。
在数字滤波过程中,本发明中采用小波分解和小波包分解的降噪方法,来克服脉搏波中混入的基线漂移,肌电干扰,工频干扰等噪声信号。
1、小波滤噪的步骤:
1.1选择小波基
同一信号,选取不同的小波函数进行处理,将得到不同的效果,所以小波函数的选取显得尤为重要。为此,我们选取小波从以下四个方面着手:1、支集长度,表征了当时间或频率趋向于无穷大时,尺度函数与小波函数从一个有限值趋向于零的速度。2、对称性,在信号处理中对避免相移有非常重要的作用。3、消失矩阶数:在数据压缩中有非常重要的作用。4、正则性,对信号重构及获得较好的平滑效果十分有用。
对脉搏信号滤波来说,选择支集长度较短的小波可提高处理的实时性;选取对称性的小波可满足相移为基本线性,使脉搏信号不失真;选取正则性的小波可使重构以后的信号比较平滑。满足以上三个条件的小波有Daubechies小波,Symmetry小波和Coiflet小波。选取db3、sym8、coif4小波进行反复仿真,结果表明“sym8”小波滤波最适合脉搏波的滤波处理,因此,选择sym8作为小波基波。
1.2选择尺度
如图3,对原始脉搏波信号在尺度9上的分解波形可以看出,信号中的直流分量及趋势项明显地显现在较大的尺度上,尺度8,尺度9。由于漂移信号主要为超低频信号分量,考虑到可以在小波重构的过程中用来消除基线漂移,故以sym8为小波基对脉搏波在尺度9上进行小波分解。便于后面重构的时候消除大尺度上的基线漂移。
1.3阈值去噪
如图4,经过基线校正后的脉搏波信号进入一维平稳小波降噪处理阶段。本发明中选择sym8基本小波,尺度为8。然后进行小波分解。肌电干扰噪声主要分布在低尺度上。采用软阈值法对低尺度(level 1~3)上的小波系数进行大幅度的衰减进而去除它与脉搏波信号的频带相重叠的部分。即可达到消除高频噪声的目的。为消除肌电干扰噪声的影响,对4~8层尺度上的系数,采用软、硬阈值折衷的算法进行阈值去噪。保证重构信号与真实信号的最小方差。
1.4重构脉搏波
去掉噪声后的细节信号和平滑信号可以用来重构信号,为了消除基线偏移,只要在小波变换重构的过程中,将该尺度下的分量置零,就可以得到去除了直流及缓变趋势分量的合成信号。
因此,将含噪脉搏信号利用sym8小波进行9层小波分解,得到各层小波系数。去除N大于等于9的小波分量。
在本研究中脉搏信号的采样频率为200Hz,sym8小波分解在尺度9下逼近信号的频率和功率极低,因此,原始脉搏波信号的低频信号的主要成分在经过基线矫正后不受影响。
在matlab小波工具箱中按照上述步骤演示滤波过程(如图4):
(1)启动SWT并装载信号
采用Matlab(The MathWorks,Inc.)作为数据处理软件。版本为R2009a。在Wavelet Toolbox Main Menu窗口选择【SWT De-noising 1-D】按钮,装载要分析原始脉搏波数据文件。
(2)对信号进行一维平稳小波变换
选择基本小波为sym8,尺度为8。经过小波分解,如图4左边一列图形。显示分解后的低频和高频信号。
(3)利用平稳小波变换来消噪
选择固定软阈值,并且按照1.3中的方法调整各层次的阈值。点击降噪命令。结果如(图4)右下列波形所示。最终输出波形见(图4)右上波形。
第二步:经过滤噪处理之后的9路脉搏信号的融合处理。
通过因子分析(Factor Analysis)对滤噪后的数据进行空间降维,目的是消除多通道数据的空间线性相关性和剔除无用信息的干扰。最终确定最优的传感器网络模型。
2.1因子分析
设定因子数目为3,采用promax算子进行因子旋转。表1为原始9个变量在3个因子上的载荷(Loading)。
本发明中对脉搏波信号进行因子分析,可将原始9个脉搏通道数据序列划分为3个脉搏波数据组,每个数据组由在某个因子上的载荷较大,而在其它2个因子上的载荷均较小的几个时间序列所组成。采用如下简便的方法进行空间降维:在由3个因子决定的3个变量组中,分别取且仅取一个典型变量,组成降维之后的变量集合。其中,典型变量的数学意义是:在所有原始变量中,该变量在特定因子上具有最高的载荷(Loading)。三个主因子的物理意义是:第1因子上承载的信息最接近真实脉搏波;第2因子上承载的信息最接近运动干扰脉搏信号;第3因子上承载的信息最接近测量噪声。
在SPSS中进行因子分析,步骤如下:
(1)启动SPSS并装载信号
SPSS软件版本为SPSS16.0。导入9路脉搏波的时间序列数据。
(2)选择因子分析工具开始进行因子分析
选择显示因子聚类图;设定因子数目为3;选择提取因子方法为PCA;旋转方法为Promax。开始分析。
(3)输出分析结果
因子分析结束后导出分析结果,见图5,图6。
2.2选取主因子脉搏波通道
脉搏波信号因子分析之后产生3列主因子脉搏波信号。把第1因子和第2因子上载荷(Loading)最大的脉搏波通道,标记为A路和B路脉搏波信号。去除第3因子上对应的脉搏波采集通道,对应的是被严重失真的脉搏波通道。其中,A路信号最能反映真实脉搏信息;B路信号为参考脉搏信号,来自无脉搏处的皮肤波动。用于对不同运动情况下对A路脉搏信号去除扰动。A路脉搏波信号与B路脉搏波信号以合适的权重融合输出最终的脉搏波信号。同时,A路脉搏波信号和B路脉搏波信号获得传感器阵列中的最大链接权重。
2.3输出融合脉搏波
如图5所示。在3个因子上9路变量被分成3类。通过各个变量在因子上的载荷得分(图6)把脉搏波分成3类。其中脉搏波变量V1,V5,V6,V7自相关度较大,聚成一类,计算其分形维数,属于标准脉搏波的分形维数区域内,故定义为A类脉搏波(如图7)。去除严重失真的一路脉搏波。剩下的脉搏波变量V2,V4,V8,V3(见图8)属于B类脉搏波。
分别选择A类和B类脉搏波中因子载荷(Loading)最大的脉搏波通道,标记为A路和B路脉搏波信号。对两路脉搏波信号做加权融合。B路的权重k1在-0.3到-0.5之间选择,A路的权重k2在1到0.8之间选择。输出脉搏波序列F为:
fi=k1×ai+k2×bi
其中,fi为t=i时刻的脉搏波值,ai和bi分别为A路脉搏波和B路脉搏波t=i时刻的脉搏波值。
最终输出理想脉搏波信号(图9)。
当两路输出脉搏波通道被选定之后,相应的对脉搏波传感器网络SN(sensornetwork)的输出权重进行调整。对应A路和B路脉搏波信号的传感器测量点得到权重值为1。其它测量点权重置零,即只接收来自主因子通道的脉搏波信号。以减小后续的运算量。当脉搏传感器的佩戴位置改变时,传感器网络可以根据上述方法自适应的调整连接权重,迅速找到最合适的脉搏采集节点并输出结果。
Claims (1)
1.一种自组织脉搏传感器中的滤波融合方法,其特征在于,包括以下步骤:
(1)用小波分析的方法对9路脉搏信号进行数字滤波;
(2)经过滤噪处理之后的9路脉搏信号的融合处理;
其中,所述步骤(1)具体如下:
(A)选择小波基:选择sym8作为小波基波;
(B)选择尺度:在尺度9上进行小波分解;
(C)阈值去噪:采用软、硬阈值折衷的算法进行阈值去噪;
(D)重构脉搏波;
所述步骤(2)具体如下:
(a)因子分析:可将经过滤噪处理之后的9路脉搏信号划分为3个脉搏波数据组,每个数据组由在某个因子上的载荷较大,而在其它2个因子上的载荷均较小的几个时间序列所组成;采用如下简便的方法进行空间降维:在由3个因子决定的3个脉搏波数据组中,分别取且仅取一个典型变量,组成降维之后的变量集合,所述典型变量是3个脉搏波数据组里,每个脉搏波数据组中因子的载荷最大的一个变量;
(b)选取主因子脉搏波通道:选择第1因子和第2因子上载荷最大的脉搏波通道为两路主因子脉搏波通道;三个主因子的物理意义是:第1因子上承载的信息最接近真实脉搏波;第2因子上承载的信息最接近运动干扰脉搏信号;第3因子上承载的信息最接近测量噪声;
(c)输出融合脉搏波:对两路脉搏波信号做加权融合,最终输出理想脉搏波信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101395289A CN101803911B (zh) | 2010-04-02 | 2010-04-02 | 自组织脉搏传感器中的滤波融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101395289A CN101803911B (zh) | 2010-04-02 | 2010-04-02 | 自组织脉搏传感器中的滤波融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101803911A CN101803911A (zh) | 2010-08-18 |
CN101803911B true CN101803911B (zh) | 2012-06-13 |
Family
ID=42605991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101395289A Active CN101803911B (zh) | 2010-04-02 | 2010-04-02 | 自组织脉搏传感器中的滤波融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101803911B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102579023B (zh) * | 2011-01-06 | 2013-09-11 | 上海艾康菲医疗器械技术有限公司 | 脉搏波信号处理方法和装置及电子血压测量装置 |
CN102334981B (zh) * | 2011-07-23 | 2013-11-27 | 浙江大学 | 一种人体多路脉搏波信号采集系统 |
CN102670182B (zh) * | 2012-05-03 | 2014-06-18 | 北京工业大学 | 脉搏波采集质量实时分析装置 |
CN107080522A (zh) * | 2017-03-16 | 2017-08-22 | 深圳竹信科技有限公司 | 信号处理方法及装置 |
CN109805918A (zh) * | 2018-12-28 | 2019-05-28 | 北京津发科技股份有限公司 | 一种基于环形多点压力测量脉搏波形的设备 |
CN109864731B (zh) * | 2018-12-28 | 2022-07-01 | 北京津发科技股份有限公司 | 一种脉搏测量方法和装置及终端设备、可读存储介质 |
CN112869725B (zh) * | 2021-02-23 | 2022-05-27 | 佛山科学技术学院 | 一种多通道脉搏采集系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1631317A (zh) * | 2005-01-20 | 2005-06-29 | 北京工业大学 | 基于脉博熵的多点脉搏信息融合方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1242693A (zh) * | 1997-08-26 | 2000-01-26 | 精工爱普生株式会社 | 脉波诊断装置、运动指标检测装置、运动强度检测装置、心输出量检测装置、每搏输出量检测装置、心功能诊断装置及其检测方法 |
JP3313101B2 (ja) * | 2000-04-28 | 2002-08-12 | 琢己 生田 | ウェーブレット・ニューロ波形診断方法および装置 |
-
2010
- 2010-04-02 CN CN2010101395289A patent/CN101803911B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1631317A (zh) * | 2005-01-20 | 2005-06-29 | 北京工业大学 | 基于脉博熵的多点脉搏信息融合方法 |
Non-Patent Citations (4)
Title |
---|
JP特开2001-309898A 2001.11.06 |
周红标.动态脉率数据采集与脉搏信号处理系统的研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2009,(第11期),第4.2节. * |
周红标.基于小波变换的脉搏信号特征提取.《电子测量技术》.2009,第32卷(第9期),第77-79页. * |
洪文学等.基于小波变换的脉搏波信号去噪.《北京生物医学工程》.2009,第28卷(第1期),第97-99页. * |
Also Published As
Publication number | Publication date |
---|---|
CN101803911A (zh) | 2010-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101803911B (zh) | 自组织脉搏传感器中的滤波融合方法 | |
CN112914527B (zh) | 一种基于脉搏波光电容积描记术的动脉血压信号采集方法 | |
CN105030228A (zh) | 在心电信号中确定其p波位置的方法及装置 | |
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN106889981B (zh) | 一种用于提取胎儿心率的智能终端 | |
CN105769173A (zh) | 一种具有心电信号去噪功能的心电监测系统 | |
CN101422362A (zh) | 具有运动伪差消除功能的无线心电监护系统 | |
Bortolan et al. | Dynamic filtration of high-frequency noise in ECG signal | |
CN100493448C (zh) | 心室复极高频波体表检测方法与装置 | |
CN101352336A (zh) | 一种带运动信息采集的长时间动态心电记录装置 | |
CN107569228A (zh) | 基于频带信息和支持向量机的颅内脑电信号特征波识别装置 | |
CN103190901A (zh) | 基于极值域均值模式分解和改进Hilbert包络的R波检测算法 | |
CN102955889A (zh) | 一种用于提取时域特征点的脉搏波重构方法 | |
CN108836305B (zh) | 一种融合巴特沃斯滤波和小波变换的ecg特征提取方法 | |
Yang et al. | Removal of pulse waveform baseline drift using cubic spline interpolation | |
CN102197998A (zh) | 示波测量法中伪影的频谱的使用 | |
CN111543983B (zh) | 一种基于神经网络的脑电信号通道选择方法 | |
CN115486856A (zh) | 消除信号相移的表面电生理信号处理方法和系统 | |
CN114886416A (zh) | 一种基于心冲击图信号的心率和心动周期检测方法 | |
CN114052676A (zh) | 一种中医脉搏精简阵列传感器及其全阵列脉搏信息获取算法 | |
CN112274159A (zh) | 一种基于改进带通滤波器的压缩域心电信号质量评估方法 | |
CN111803062A (zh) | 一种基于深度学习的房颤事件检测方法 | |
CN111265238A (zh) | 基于多维通道信号处理的胎心监护系统、设备及方法 | |
Hosoya et al. | Spectral analysis of 87-lead body surface signal-averaged ECGs in patients with previous anterior myocardial infarction as a marker of ventricular tachycardia. | |
Wang et al. | Continuous blood pressure prediction using pulse features and Elman neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |