CN103020472A - 基于约束估计的生理信号质量评估方法和系统 - Google Patents

Abstract

本发明涉及一种基于约束估计的生理信号质量评估方法和系统，该方法包括以下步骤：接收待评估的类周期生理信号的信号段，对其进行预处理和波形分析识别及信号周期分段。在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识进行约束建模，进而建立可解析的带约束时序估计系统；使用约束估计模型追踪生理参数的时序变化，将预设置规则库与时序变化信息相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代进行直至完成所述类周期生理信号的全部信号段的信号质量定级。

Description

基于约束估计的生理信号质量评估方法和系统

【技术领域】

本发明涉及生理信号质量评估领域，尤其涉及一种基于约束估计的生理信号质量评估方法和系统。

【背景技术】

对于类周期生理信号，例如，心电、光电容积脉搏波，呼吸，血压等一系列信号，作为常见的人体生理信号，无论从频域上还是时域上都蕴含着重要的生理意义，无论是在心血管疾病诊断、睡眠呼吸疾病诊断、还是临床生命体征监护和家庭疾病预警等各个研究和应用领域都具有重要的研究价值。以光电容积脉搏波信号(Photoplethysmogram，缩写PPG)为例，其简称脉搏波信号，。从时序形态上，升支反映心室快速射血内动脉的被动扩张，降支反映射血后期的回缩。脉搏波的形状，因循环系统的情况改变而不同。如主动脉瓣是否健全，心搏节律是否正常，动脉管的弹性如何等，都可根据脉搏波形的变化进行诊断。脉搏波从频域上分析，则可以得到人体的脉率信息。

近年来，对于这些类周期信号的检测方法，逐渐从医院的大型有线监护设备向家庭穿戴式小型无线医疗设备转移。这种穿戴式无线医疗传感器为远程医疗和日常的家庭监护提供了一种无创简便且灵活的生理状态监测手段，而且通过穿戴式生物传感器测量可以获取丰富的生理信号状态信息，如血压、心电、脉搏波、心率、呼吸率、血氧等等。然而穿戴式传感器装置很容易受运动伪差和噪声的干扰，使生理特征的提取偏离真实情况，导致错误警报和错误的诊断决策。因此，建立生理信号的评估机制，特别是对日常生活状态获取的生理信号的评估机制显得尤为重要。在这个评估机制中，需要识别运动引起的伪差，区分运动干扰引起的信号特征改变和生理变化引起的信号特征改变，不包括因为病理特征异常而引起的变化。

目前关于生理信号质量评估的技术可以应用到心电、光电容积脉搏波，呼吸，血压等一系列信号。国内外研究者也提出了各自的方法来评估信号质量。

然而现有方法无法应对多变的环境，无法真正鉴别运动干扰伪差及正常生理变化，仍然存在误判伪差导致遗漏警报或错误警报的问题。在信号波形局部变形严重而提取的生理特征参数仍有效的情况下，采用形态学信息来分析信号质量的方法可能会判定信号受严重运动干扰而无法包含有效生理特征信息。在信号波形良好而由于生理原因使提取的生理特征参数发生时序上的变化的情况下，现有分析方法可能因生理特征变化的异常而判定运动干扰致使所提取的生理特征无效，混淆运动伪差的干扰和生理变化的影响。

因此，现有技术需要改进。

【发明内容】

有鉴于此，有必要提出一种新型的生理信号质量评估方法和系统。

本发明的一个技术方案是，一种基于约束估计的生理信号质量评估方法，其包括以下步骤：A1、接收待评估的类周期生理信号的信号段，对其进行预处理和波形分析识别及信号周期分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；A2、对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识进行约束建模，进而建立可解析的带约束时序估计模型及时序估计系统；A3、使用约束估计模型追踪生理参数的时序变化，将预设置规则库与时序变化信息相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代进行直至完成所述类周期生理信号的全部信号段的信号质量定级。

优选的，所述生理信号质量评估方法中，步骤A1中，所述类周期生理信号包括脉搏波信号、心电信号、血压信号、呼吸信号；和/或，所述特征点包括信号段的起点、峰值点、通过计算提取的特征参数、或基于曲率信息定位的重搏波谷点和重搏波峰值点。

优选的，所述生理信号质量评估方法中，步骤A1中，所述预处理执行以下步骤A11：通过滤波器滤除基线漂移的影响，还通过中值滤波平滑以去除小幅波动的毛刺噪音干扰。

优选的，所述生理信号质量评估方法中，步骤A11中，根据所述类周期生理信号的类型，保留其信号频率的预设置分布范围。

优选的，所述生理信号质量评估方法中，步骤A1中，所述波形分析识别，包括正常波形的识别及异常波形的识别，以保留有效的信号段；所述区分各个周期信号段执行以下步骤A12：识别周期信号段中类周期生理信号波形的峰值点，作为最显著特征点，通过先验的不应期时间段及幅值范围，对所述最显著特征点的候选集合元素进行筛选，去除违背预设置条件的极大值点，然后选取保留的每两个相邻峰值点，求出各相邻峰值点之间的极小值点作为信号分段点。

优选的，所述生理信号质量评估方法中，对每一信号段中的信号进行振动分析，根据波形斜率变化判断出上升支和下降支，对所有的上升支和下降支进行振动分析，当振动满足预定义条件时，定位出波形的起点、峰值点和终点，以完成正常波形的周期分段；其中，将由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成的波形识别为正常波形；将当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动的波形段，识别为异常波形；将上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形识别为次正常波形。

优选的，所述生理信号质量评估方法中，将连续几个上升支和下降支异常的波形段合并为一周期信号段；其中，正常波形的分段还依据前后两个周期信号段的信息，对候选的所述最显著特征点和所述极小值点进行微调，以保留有效的信号段。

优选的，所述生理信号质量评估方法中，步骤A1中，仅对正常波形的周期信号段和次正常波形的周期信号段的特征点进行检测。

优选的，所述生理信号质量评估方法中，步骤A1中，还分析和计算每一周期信号段与模板信号的相似性，得到信号变形度的量化信息。

优选的，所述生理信号质量评估方法中，如A12所述方法对生理信号进行分段，得到N个周期的信号段，将得到的所有周期的信号与模板信号进行对比，进行均值和标准差计算，用来描述所述模板信号分布。

优选的，所述生理信号质量评估方法中，利用动态时间规整方式计算动态时间规整距离，衡量信号段与模板信号之间的相似性。

优选的，所述生理信号质量评估方法中，步骤A3中，采用基于带约束的时序估计模型，包括卡尔曼模型或者隐马尔可夫模型、粒子滤波模型、指数加权移动平均模型，对所述特征矢量进行时序变化的追踪，定级所述信号质量，获得所述信号数据有效性的评价。

优选的，所述生理信号质量评估方法中，步骤A2中，还执行以下步骤A21：根据计算开销和代价，采用离线方式获取训练数据，对所述时序估计模型进行调优。

优选的，所述生理信号质量评估方法中，步骤A2中，根据已提取的生理特征参数，生成由局部形态信息和全局形态信息组成的多维特征矢量，基于带约束的卡尔曼模型或者隐马尔可夫模型、粒子滤波模型、指数加权移动平均模型，追踪特征参数的时序变化。

优选的，所述生理信号质量评估方法中，步骤A2中，基于带约束的kalman卡尔曼滤波器，约束所述时序估计模型如下：

$\begin{array}{cc}{x}_k=F_k{x}_{k-1}+u_k,& u_k~N(0,Q_k)\\ z_k=H_k{x}_k+v_k,& v_k~N(0,R_k)\\ {\tilde{x}}_{k|k}^P=\arg \min {(x-{\hat{x}}_{k|k})}^{\′}{W}_k(x-{\hat{x}}_{k|k})& \end{array};$ 其中，系统状态方程为：

s.t.Cx≤d

x_k＝[T_1k T_2k T_3k T_4k T_5k H_1k H_2k H_3k S_1k S_2k D_k]^T；

其中，D_k为通过动态时间规整计算而得的相似性量化值，其余维数分别对应预设置的生理特征参数。

优选的，所述生理信号质量评估方法中，以最大概率估计作为状态求解目标，所述约束的时序估计系统如下：

(1)预测

其中

为前一状态带约束的估测值；

$P_{k|k-1}=F_k{P}_{k-1|k-1}{F}_k^T+Q_k,$ 其中P_k-1|k-1为前一估测方差；

由预测值

和观察值z_k计算新息如下：

使用预设置规则库对新息进行分析，追踪预设置生理信号的生理特征参数的时序变化，以及通过新息协助判断类周期生理信号的信号段的数据有效性；若该信号段特征参数组成的测量值被判定无效，则更新过程不引入新息的信息；

(2)更新

$S_k=H_k{P}_{k|k-1}{H}_k^T+R_k,$ 其中S_k为新息方差；

其中K_k为最优卡尔曼增益；

${\hat{x}}_{k|k}={\hat{x}}_{k|k-1}+K_k\widetilde{\mathrm{\γ}};$

P_k|k＝(I-K_kH_k)P_k|k-1；

${\tilde{x}}_{k|k}={\hat{x}}_{k|k}-P_{k|k}{C}^T{\left(C{P}_{k|k}{C}^T\right)}^{-1}(C{\hat{x}}_{k|k}-d),$ 其中为带约束的估计值。

优选的，所述生理信号质量评估方法中，对每一类周期生理信号的信号段，以识别运动伪差和鉴别数据有效性为目的,信号质量被定义为如下所述的3层：信号质量级别L3，表示完全被运动干扰，噪音污染而无法提取生理特征参数，或提取的生理特征参数无效；信号质量级别L2，表示信号虽被运动伪差干扰污染而呈现变形，但仍包含可判断的信息，信号段数据仍具有效性；信号质量级别L1，表示信号正常干净，未被干扰或污染，形态良好，提取的特征有效，其中兼顾考虑了因生理变化而引起的生理特征时序的变化。

优选的，所述生理信号质量评估方法中，对于约束所述时序估计模型中的过程噪声方差Q和测量噪声方差R，采用离线方式获取训练数据，对所述时序估计模型进行调优。

优选的，所述生理信号质量评估方法中，采集原始训练数据按周期段进行特征提取后生成训练数据集，采用EM最大期望算法迭代直至收敛。

优选的，所述生理信号质量评估方法中，使用最大化测量概率作为优化目标，依据所使用的约束时序估计模型的生理特征参数，模型参数的训练规约为求解目标函数

的优化，其中z为真实值，p(·)为似然函数，

为系统状态矢量。

本发明的又一技术方案是：一种基于约束估计的生理信号质量评估系统，其包括信号特征提取模块、约束估计建模模块、时序预测及信号质量分析决策模块；所述信号特征提取模块与所述约束估计建模模块连接，用于接收待评估的类周期生理信号的信号段，对其进行预处理和波形分析识别，各个周期信号分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；所述约束估计建模模块与所述时序预测模块连接，用于对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识，建立约束的时序估计模型及时序估计系统；所述时序预测及信号质量分析决策模块，用于将预设置规则库与所述时序变化相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代追踪所述生理特征参数的时序变化，递归完成所述类周期生理信号的全部信号段的信号质量定级。

优选的，所述生理信号质量评估系统还设置与所述时序预测及信号质量分析决策模块连接的离线参数训练调优模块，用于根据计算开销和代价，采用离线方式获取训练数据，对所述时序估计模型进行调优。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置类周期生理信号预处理单元，用于通过滤波器滤除基线漂移的影响，还通过中值滤波平滑以去除小幅波动的毛刺噪音干扰。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置波形分析识别单元，用于识别周期信号段中类周期生理信号的上升支收缩波的峰值点，作为最显著特征点，通过先验的不应期时间段及幅值范围，对所述最显著特征点的候选集合元素进行筛选，去除违背预设置条件的极大值点，然后选取保留的每两个相邻峰值点，求出各相邻峰值点之间的极小值点作为信号分段点；并对每一信号段中的信号进行振动分析，根据波形斜率变化判断出上升支和下降支，对所有的上升支和下降支进行振动分析，当振动满足预定义条件时，定位出波形的起点、峰值点和终点，以完成正常波形的周期分段；其中，将由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成的波形识别为正常波形；将当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动的波形段,识别为异常波形；将上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形识别为次正常波形。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置筛选单元，用于筛选正常波形的周期信号段和次正常波形的周期信号段，供所述信号特征提取模块进行特征点检测。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置相似性计算单元，用于分析和计算每一周期信号段与模板信号的相似性，得到信号变形度的量化信息。

本发明采用单周期形态信息与连续周期间特征时序变化信息相结合的方式，统一建模于已调优的约束估计模型，兼顾了个体生理差异性及测量状态环境的多变性，从而有效进行信号质量评估；并且，本发明采用干净良好信号模板的提取，以及基于动态时间规整的相似性分析；相对于其他方法，还加入了周期信号段的形态趋势变化分析,从而更全面地评估信号质量，用作下一步工作的判断依据。

【附图说明】

图1为一个实施例的基于形态信息和时序信息联合分析的生理信号质量评估的流程示意图；

图2为一个实施例的光电容积脉搏波信号的质量评估过程的示意图；

图3为一个实施例的光电容积脉搏波信号特征点提取结果示意图；

图4为一个实施例的光电容积脉搏波信号选用的波形特征示意图；

图5为一个实施例的光电容积脉搏波信号质量评估结果示意图；

图6为一个实施例的生理信号特征提取的流程示意图。

【具体实施方式】

下面结合附图，对本发明的具体实施方式进行详细描述。

本发明涉及生物医学信号处理/计算机医疗应用领域，特别涉及一种生理波信号的质量评估方法。在日常穿戴式监测状态或者医院重症病人生理信息监测情况下，为了提高生理信息监测的准确性，减少错误报警和错误诊断决策，本发明提供了一种生理信号质量评估方法，能够对运动干扰和生理变化引起的信号异常进行有效识别和区分，并且进行信号污染程度的评估，最终尽最大可能的保留有效信号以达到鲁棒提取生理特征参数的目的，为后续的信号估计做准备。

本发明的一个实施例是，提供了一种基于约束估计的生理信号质量评估方法，以便可靠提取生理特征；其包括以下步骤：A1、接收待评估的类周期生理信号的信号段，对其进行预处理、波形分析识别及各个周期信号分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；A2、对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识进行约束建模，进而建立可解析的带约束时序估计模型及时序估计系统；A3、使用约束估计模型追踪生理参数的时序变化，将预设置规则库与时序变化信息相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代进行直至完成所述类周期生理信号的全部信号段的信号质量定级。例如，按周期信号段迭代追踪所述生理特征参数的时序变化，递归完成所述类周期生理信号的全部信号段的信号质量定级。例如，如图1所示，对原始信号数据进行特征提取，同时作基于模板的相似性分析，得到特征矢量；然后作基于约束时序估计模型的递归自适应时序变化追踪预测及周期段信号质量评价，此时可以调用额外规则库，即预设置规则库，以及调用由离线参数训练模型调优后得到的最优模型参数；然后得到质量评估结果及信号数据有效性报告，最后提取可靠生理特征参数。

例如，本发明采取整合信号单个周期段波形形态信息和前后连续周期间时序信息联合分析的方法，基于约束时序估计模型，建立了一套信号质量评估框架，并制定了3层信号质量等级对信号质量进行定级。又如，本发明提供了一种基于约束估计的生理信号质量评估系统，生理信号质量评估系统包括信号特征提取模块，约束估计建模，时序预测与信号质量分析决策模块，以及一个附属的离线的参数训练调优模块。第一部分：信号特征提取模块，对于待评估的类周期生理信号，类周期生理信号包括脉搏波信号、心电信号、血压信号、呼吸信号等；本发明下面的若干实施例以PPG信号为例，但是需要说明的是，各实施例不仅是适用于PPG信号，保护范围不局限于PPG信号，具体实施例也不局限于PPG信号，对于呼吸信号、心电信号、血压信号等生理体征信号以及其他各种类周期信号都适用。对生理信号进行预处理和波形分析识别后，在每个周期信号段中进行特征点检测，提取重要生理特征参数，同时从局部和全局两类度量角度完成形态的单周期初步分析。约束估计建模与时序预测信号质量分析决策模块：对于每一信号段，将已提取的特征组合形成特征矢量，根据生理信号的先验知识，进行约束建模并建立时序估计模型，迭代追踪重要特征参数的时序变化，并结合额外规则库对信号质量进行定级和信号数据有效性的评价，而信号段质量评价结果作为信号数据有效性的体现，将为时序估计模型的更新提供依据。整个评估过程按周期段迭代递归进行，直至全部信号段定级完成，从而有效准确识别运动干扰，完成生理特征参数的可靠提取。附属的参数训练模块用于时序估计模型的调优，鉴于计算开销和代价，采用离线方式获取训练数据及进行模型调优。这样，通过对一个周期信号段的信号，提取生理特征参数，整合该周期信号段的形态分析和前后连续信号段间的时序变化追踪，结合预设置规则库来判定信号段数据的有效性，并根据结果进行状态更新，完成了该周期信号段的信号质量定级和有效性评价；迭代进行上述自适应递归过程，直至完成所有周期信号段的质量评估，获得针对每个周期信号段质量评估的结果。

例如，本发明实施例的实现分别说明如下:

(A)信号特征提取及特征矢量建立

其包括两个部分，一是单周期信号段特征提取，即局部形态特征信息的提取，二是单周期信号段与模板信号相似性分析和计算，即全局形态特征信息的提取。下面以PPG信号为例来说明本实施例的具体实施方法，如图2所示，PPG信号获取后，由PPG信号波形识别及特征点提取，同时作基于模板的PPG信号段波形相似性分析；然后基于带约束的卡尔曼(Kalman)时序估计模型追踪PPG信号特征时序变化及PPG信号质量评价，此时可调用离线训练调优模型与规则库的信息，最后得到可靠的心率提取；下面继续分两个步骤分别叙述。

步骤1：单周期段PPG信号特征的提取，包括PPG信号数据的获取，预处理，正常及异常波形识别，和特征点提取。

(1)PPG信号的获取：可通过BIOPAC多通道生理数据采集设备以及配套的PPG100C模块来获取光电容积脉搏波(PPG)信号，或通过其他设备采集。其中，对于轻量级运动伪差的引入，可通过轻微的任意方式的身体运动来实现，对于显著级运动伪差的引入，可通过任意的手指及手臂运动或剧烈周身运动来实现。例如，本实施例中的采样频率为1000Hz。

(2)PPG信号的预处理：对采集到的PPG信号进行预处理，使用二阶Butterworth带通滤波器来减少基线漂移的影响，采用中值滤波平滑来去除小幅波动的毛刺噪音干扰。其中带通滤波器采用一个截止频率10Hz的二阶Butterworth高通滤波器和一个截止频率1Hz的二阶Butterworth低通滤波器叠加组成。根据所述类周期生理信号的类型，保留其信号频率的预设置分布范围，对于PPG信号，滤波器滤除高频和低频部分，保留1至10Hz频带的信息。

(3)完成预处理后，进行正常及异常波形的识别：

a)识别信号周期段内最显著特征点，即PPG信号的上升支收缩波的峰值点systolic peak(收缩期峰值)，如图中3中的P点。对原始PPG波形使用0.3s窗口的中值滤波进行平滑处理，平滑后即得到去除重搏波峰值信息的波形，对求一阶导数，并根据一阶导数符号变化检测中的极大值点位置。考虑中值滤波处理的延时效应，通过极大值点前后各15个采样点的视窗映射回原波形并检测极大值点作为PPG信号峰值点的候选集合，即最显著特征点的候选集合。b)对于最显著特征点，定位周期段起点，将信号按照周期进行分段，并按时序识别出正常模式的信号段及异常信号段。通过先验的不应期时间段及幅值范围对最显著特征点的候选集合元素进行筛选，去除不满足条件的极大值点。然后选取保留的每两个峰值点，求出这两个点间的极小值点作为信号分段点的候选。此时，最显著特征点和极小值点将信号分成了若干段的上升支和下降支，完成了信号周期分段的第一步。c)对每一段信号进行振动分析(oscillation analysis)。首先，根据波形斜率变化判断出上升支和下降支。在振动分析中，正常波形被定义为由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成。当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动时，波形段被识别标记为异常波形。当上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形将被识别为次正常波形，此波形虽然形态上与正常波形有些差异，但是不影响波形的分析和特征信息的提取，因此也把它算在正常波形范围内进行后续分析。对所有的上升支和下降支进行振动分析，当振动满足定义的条件时，即可定位出波形的起点，峰值点，和终点。这样就完成了正常波形的周期分段。对于连续几个上升支和下降支异常的波形段合并为一段。其中，正常波形的分段将联合考虑前后两个周期的信息，以最大限度保留有效信号段为目的，对候选的最显著特征点和极小值点进行微调。

(4)特征点提取：完成波形识别和信号分段后，对可分析波形(analyzablewaveform)，即正常波形和次正常波形段的特征点进行检测，如图3所示，特征点包括PPG信号段的起点、峰值点，及基于曲率信息定位的重搏波谷点和重搏波峰值点。之后通过计算提取相关的特征参数，包括如图4所示的信号段主波高度H1，重搏波上升支高度H2，重搏波下降支高度H3，连续两周期主波峰值点间隔T1，主波上升支时间T2，主波下降支时间T3，重搏波宽度T4，信号段宽度T5，收缩波(systolic wave)斜率S1，舒张波(diastolic wave)斜率S2。

上述过程完成了第一个模块局部形态特征信息的提取。

步骤2.单周期信号段与模板信号相似性分析和计算

对单周期信号段与模板信号进行相似性分析，可以得到信号变形度的量化信息。采集模板信号，或者，模板信号的生成采用离线方式进行，使用BIOPAC多通道生理数据采集设备或其他采集设备，采集不同年龄段和不同性别测试者的静止、轻度中度运动、剧烈运动状态下受控实验采集的脉搏波信号，其中，受控实验是指运动的剧烈程度进行一定人为控制，并且运动过程中尽可能保持信号采集传感器的稳定，尽量减少传感器运动对信号造成的影响。对信号进行分段，方法如前面所述，得到N个周期的信号段。对得到的所有周期的信号进行对比，进行均值和标准差计算，用来描述模板信号分布。利用动态时间规整(Dynamic Time Warping)来计算DTW距离即匹配代价，从而衡量信号段与模板信号之间的相似性。匹配代价计算如下：

d_i，j＝(x_i-y_j)²

$D(i,j)=d_{i,j}+\left\{\begin{array}{c}D(i,j-1)\\ D(i-1,j-1)\\ D(i-1,j)\end{array}\right\}$

上述式中，x_i为待分析PPG信号段中的采样点，y_j为模板信号的采样点。最优匹配路径上的总代价D＝∑D_opt可以用来衡量相似程度。D越大表征分析信号段与模板信号之间的差异越大，相似程度越低。相似度衡量的方法包括但不限于动态时间规整(DTW)。因相关方法属于现有技术，不再赘述。通过相似性计算，即可完成全局形态信息的提取。相似性度量值将构成约束估计系统的特征矢量的一维，进行时序估计。

(B)基于带约束的卡尔曼kalman模型对特征矢量进行时序变化的追踪，定级信号质量，获得PPG信号数据有效性的评价，以便可靠提取生理特征参数，例如心率。

完成对PPG信号段的特征提取后，可以生成由局部形态信息和全局形态信息组成的11维特征矢量。基于带约束的kalman卡尔曼滤波器来追踪特征参数的时序变化。约束估计模型为

x_k＝F_kx_k-1+u_k，u_k~N(0,Q_k)

z_k＝H_kx_k+v_k，v_k~N(0,R_k)

${\tilde{x}}_{k|k}^P=\arg \min {(x-{\hat{x}}_{k|k})}^{\′}{W}_k(x-{\hat{x}}_{k|k})$

s.t.Cx≤d

系统状态方程为：

x_k＝[T_1k T_2k T_3k T_4k T_5k H_1k H_2k H_3k S_1k S_2k D_k]^T

其中D_k为通过动态时间规整计算而得的相似性量化值，其余维数分别对应图4所示的特征参数。其中，11维参数适应于PPG信号的实施例，其他的类生理周期信号的具体应用，对应预设置维数的生理特征参数。

此外，追踪时序上的变化不仅可以使用带约束的卡尔曼滤波器，还可以采用隐马尔可夫模型(HMM)，粒子滤波模型，指数加权移动平均模型(EWMA)等。

根据先验知识和研究结果，进行不等式线性约束的建模：

$\frac{3}{10}\≤T_1\≤\frac{3}{2},T_2+T_3+T_4\≤T_5$

$S_1>\sqrt{3},\left|S_2\right|>\sqrt{3}$

获得约束矩阵C和约束矢量d后，可通过活动集方法求解二次规划问题，将不等式约束求解转换成等式约束求解，即

${\tilde{x}}_{k|k}^P=\arg \min {(x-{\hat{x}}_{k|k})}^{\′}{W}_k(x-{\hat{x}}_{k|k})$

$s.t.\hat{C}x=\hat{d}$

基于kalman卡尔曼滤波器的约束估计，可以采用约束投射(Estimateprojection)，将不受约束的估计投射到约束平面上来求解。其解析形式的解可表示为：

${\tilde{x}}_{k|k}={\hat{x}}_{k|k}-W^{-1}{C}^T{\left(C{W}^{-1}{C}^T\right)}^{-1}(C{\hat{x}}_{k|k}-d),$

s.t.Cx＝d

其中，W＝(P_k|k)^-1或W＝I。

本实施例中，观察值z_k由当前待追踪时序信息的信号段特征参数组成。模型中系统转移矩阵F和测量矩阵H为单位矩阵，而出于简便高效考虑，输入控制模型B和控制向量u可以设为0。过程噪音方差矩阵Q和观察噪音方差矩阵R的候选集合可由参数训练模块离线训练得到，然后根据代价函数最小化原则选取参数Q和R的组合。

若以最大概率估计作为状态求解目标，则本实施例中的约束估计系统可描述如下：

(1)预测

其中

为前一状态带约束的估测值。

$P_{k|k-1}=F_k{P}_{k-1|k-1}{F}_k^T+Q_k,$ 其中P_k-1|k-1为前一估测方差。

由预测值

和观察值z_k计算新息(或残差)。新息计算如下：

$\widetilde{\mathrm{\γ}}=z_k-H_k{\hat{x}}_{k|k-1}$

使用额外规则库对新息进行分析，追踪重要特征参数的时序变化，以及通过新息来协助判断PPG信号段数据的有效性。若该信号段特征参数组成的测量值被判定无效，则更新过程不引入新息的信息。

(2)更新

$S_k=H_k{P}_{k|k-1}{H}_k^T+R_k,$ 其中S_k为新息方差

其中K_k为最优卡尔曼增益

${\hat{x}}_{k|k}={\hat{x}}_{k|k-1}+K_k\widetilde{\mathrm{\γ}}$

P_k|k＝(I-K_kH_k)P_k|k-1

${\tilde{x}}_{k|k}={\hat{x}}_{k|k}-P_{k|k}{C}^T{\left(C{P}_{k|k}{C}^T\right)}^{-1}(C{\hat{x}}_{k|k}-d),$ 其中

为带约束的估计值。

追踪时序变化信息的方法和模型包括但不限于带约束的卡尔曼滤波器。

对每一PPG信号段，以识别运动伪差和鉴别数据有效性为目的，信号质量被定义为如下所述的3层：

(1)信号质量级别L3，表示完全被运动干扰，噪音污染而无法提取生理特征参数，或提取的生理特征参数无效。

(2)信号质量级别L2，表示信号虽被运动伪差干扰污染而呈现变形，但仍包含可判断的信息，信号段数据仍具有效性。

(3)信号质量级别L1，表示信号正常干净，未被干扰或污染，形态良好，提取的特征有效，其中兼顾考虑了因生理变化而引起的生理特征时序的变化。

对一个周期段的信号，经过特征提取，整合单周期信号段的形态分析和前后连续信号段间的时序变化追踪以及额外规则库来判定信号段数据的有效性，并根据结果进行状态更新，完成了信号质量分析评估。此自适应递归过程将迭代进行，直至完成所有信号段的质量评估。最终将获得针对每个周期信号段质量评估的结果。信号质量评估后，时序滤波的结果中包含了特征量T₁的预估值，基于T₁可计算生理参数心率的值，完成心率的可靠提取。

(C)离线参数训练及模型调优

采用离线参数训练及模型调优模块,离线的模型参数训练，主要是针对约束卡尔曼模型中的过程噪声方差Q和测量噪声方差R进行，以达到最优化估计的目的。

鉴于生理特征参数的差异体现主要和年龄及性别相关，本方法的离线训练数据的获取采取以下实验设计方式：选取男女、老年青年四种组合的测试者各5人，使用BIOPAC设备采集指端PPG信号，数据组分为2组：(1)静止状态10分钟，测试者轻度中度运动(如中慢速骑单车或走路)10分钟，然后休息10分钟，此组共采集30分钟数据；(2)跑步机进行剧烈运动十分钟，采集剧烈运动状态数据5分钟，停止运动休息15分钟，此组共采集20分钟数据。训练数据的获取实验可以反映特征参数在同一个人同一状态内、同一个人不同状态下以及同一个人测量状态切换间的变化和不同人同一状态下的变异，兼顾考虑了个体差异性。

采集的原始波形数据，对采集的原始波形数据按周期段进行特征提取后生成训练数据集，采用EM最大期望算法迭代直至收敛。

卡尔曼滤波模型的优化有几种指标：最大化联合概率，最小化预测误差，最大化预测概率，最大化测量概率。优选的，使用最大化测量概率作为优化目标，依据所使用的约束时序估计模型的特征，模型参数的训练可以规约为求解目标函数

的优化问题，其中z为真实值，p(·)为似然函数，

为系统状态矢量。

模型参数训练的解析解可表示为

$\left\{\begin{array}{c}{\hat{Q}}_k=\frac{1}{k}\{(k-1){\hat{Q}}_{k-1}+L_{k|k}+{\mathrm{\Σ}}_{i=k-T}^{k-1}{\mathrm{\γ}}_{i|k}\}\\ {\hat{R}}_k=\frac{1}{k+1}\{k{\hat{R}}_{k-1}+V_{k|k}+{\mathrm{\Σ}}_{i=k-T}^{k-1}{\mathrm{\χ}}_{i|k}\}\end{array}\right.,$

其中，L和V表示前向滤波(forward filtering)的作用，γ和x表示后向平滑(backward smoothing)的作用。

EM算法是两阶段迭代算法。使用先前的训练值

E阶段计算系统状态和测量状态的对数似然(log likelihood)的期望(expectation)；M阶段求取使期望最大化的Q和R训练值。形式化描述即为：

$\left\{\begin{array}{c}E:f=E\left\{\log P(x_{0......k},z_{0......k}|(Q,R))\right|z_{0......k},({\hat{Q}}_{k-1},{\hat{R}}_{k-1})\}\\ M:({\hat{Q}}_k,{\hat{R}}_k)={\arg \max }_{(Q,R)}f(Q,R)\end{array}\right.$

EM算法进行模型调优的具体过程可表述如下：

·初始化：n=0，初设Q⁽⁰⁾和R⁽⁰⁾

●迭代(直至收敛)：

运行固定区间平滑估计(fixed interval smoothing)，通过前向滤波及后向算法的组合来实现，得到估计值、估计冗余(residual)及估计误差协方差：

P(k|N),ε(k|N),k＝0......N和P(k,k-1|N),k＝1......N

计算V(k|N),k＝0......N：V(k|N)＝ε(k|N)ε^T(k|N)+H(k)P(k|N)H^T(k)，H为观测矩阵

计算A(k|N),B(k|N),L(k|N),k＝1......N： $A\left(k\right|N)=\hat{x}\left(k\right|N){\hat{x}}^T\left(k\right|N)+P\left(k\right|N),$ $B\left(k\right|N)=\hat{x}\left(k\right|N){\hat{x}}^T(k-1|N)+P(k,k-1|N),$

L(k|N)＝A(k|N)+F(k-1)A(k-1|N)F^T(k-1)-B(k|N)F^T(k-1)-F(k-1)B^T(k|N)，F为系统状态转移矩阵

确定Q⁽ⁿ⁺¹⁾和R⁽ⁿ⁺¹⁾： $Q^{(n+1)}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}L\left(k\right|N),$ $R^{(n+1)}=\frac{1}{N+1}\underset{k=0}{\overset{N}{\mathrm{\Σ}}}V\left(k\right|N)$

n=n+1

完成参数训练，即可得到反映不同测量状态及个体差异的参数配置组合，可用于约束时序估计模型以优化估计。

利用上述技术对PPG信号进行质量评估后，可以得到如图5所示的结果，图5为实例生理信号——光电容积脉搏波信号(PPG)质量评估结果示意图。需要说明的是，各实施例中，生理信号可以为PPG信号，也可以为其他类周期生理信号,如ABP血压信号，ECG心电信号等，提取的参数不仅为心率，还可以为其他生理特征参数，如呼吸率等。本实施例中，采用整合形态信息和时序变化信息来进行PPG信号质量评估，可有效识别运动伪差，能区分生理变化和运动伪差引起的异常，可有效准确地进行信号质量评估，从而达到提高生理特征参数提取的精确度的目的。又如，生理信号特征提取的流程示意图如图6所示，预处理之后，进行最显著特征点定位，例如PPG峰值点，然后作基于振动分析的周期段波形识别，如果是可分析(analyzable)的周期波段，则自适应阈值，例如脉搏波间隔，并且进行形态特征提取，即生理信号特征；否则返回错误形态(fault patterns)的信息。

本发明的又一实施例是：一种基于约束估计的生理信号质量评估系统，其包括信号特征提取模块、约束估计建模模块、时序预测及信号质量分析决策模块；所述信号特征提取模块与所述约束估计建模模块连接，用于接收待评估的类周期生理信号的信号段，对其进行预处理和波形分析识别，各个周期信号分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；所述约束估计建模模块与所述时序预测模块连接，用于对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识，建立约束的时序估计模型及时序估计系统；所述时序预测及信号质量分析决策模块，用于将预设置规则库与所述时序变化相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代追踪所述生理特征参数的时序变化，递归完成所述类周期生理信号的全部信号段的信号质量定级。

优选的，所述生理信号质量评估系统还设置与所述时序预测及信号质量分析决策模块连接的离线参数训练调优模块，用于根据计算开销和代价，采用离线方式获取训练数据，对所述时序估计模型进行调优。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置类周期生理信号预处理单元，用于通过滤波器滤除基线漂移的影响，还通过中值滤波平滑以去除小幅波动的毛刺噪音干扰。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置波形分析识别单元，用于识别周期信号段中类周期生理信号的上升支收缩波的峰值点，作为最显著特征点，通过先验的不应期时间段及幅值范围，对所述最显著特征点的候选集合元素进行筛选，去除违背预设置条件的极大值点，然后选取保留的每两个相邻峰值点，求出各相邻峰值点之间的极小值点作为信号分段点；并对每一信号段中的信号进行振动分析，根据波形斜率变化判断出上升支和下降支，对所有的上升支和下降支进行振动分析，当振动满足预定义条件时，定位出波形的起点、峰值点和终点，以完成正常波形的周期分段；其中，将由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成的波形识别为正常波形；将当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动的波形段,识别为异常波形；将上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形识别为次正常波形。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置筛选单元，用于筛选正常波形的周期信号段和次正常波形的周期信号段，供所述信号特征提取模块进行特征点检测。

优选的，所述生理信号质量评估系统中，所述信号特征提取模块设置相似性计算单元，用于分析和计算每一周期信号段与模板信号的相似性，得到信号变形度的量化信息。

进一步地，本发明的实施例还可以是，上述各实施例的各技术特征，相互组合形成的基于约束估计的生理信号质量评估方法和生理信号质量评估系统。本发明相对于其他技术具有以下的优点：

1、采用单周期形态信息与连续周期间特征时序变化信息相结合的方式，统一建模于已调优的约束估计模型，兼顾了个体生理差异性及测量状态环境的多变性，从而有效进行信号质量评估。

2、采用干净良好信号模板的提取，以及基于动态时间规整的相似性分析。相对于其他方法，加入了周期段的形态趋势变化分析,更全面的评估信号质量。

3、以有效识别伪差及利用信号质量评定结果来提高生理特征参数获取分析的精确度为目的，提出了3层信号质量等级，准确界定信号数据的有效性；结合离线模型参数的训练与在线实时动态参数配置选择以达到预测模型的最优化。

4、本发明不仅可以应用于生理信号质量评估，也可以应用于其他领域任何特征矢量的时序上变化分析，如速度，发动机引擎的温度等。

本发明各实施例中，采用整合形态信息和时序变化信息来进行PPG信号质量评估，可有效识别运动伪差，能区分生理变化和运动伪差引起的信号特征突变，可有效准确地进行信号质量评估，从而达到提高生理特征参数提取的精确度的目的。

需要补充说明的是，本发明的生理信号质量评估方法，对外部运行过程进行控制，对外部数据进行处理和计算，其直接目的不是获得诊断结果或健康状况，而只是对类周期生理信号进行质量评估和处理，以获取作为中间结果的信息，以及计算该信息的方法，从而有效地进行信号质量评估，达到预测模型的最优化。根据目前的医学知识和本发明所公开的内容，从所获得的信息本身不能够直接得出疾病的诊断结果。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；并且，上面列出的各个技术特征，其相互组合所能够形成各个实施方案，应被视为属于本发明说明书记载的范围。对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (26)

1.一种基于约束估计的生理信号质量评估方法，其特征在于，包括以下步骤：

A1、接收待评估的类周期生理信号的信号段，对其进行预处理、波形分析识别及各个周期信号分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；

A2、对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识进行约束建模，进而建立可解析的带约束时序估计模型及时序估计系统；

A3、使用约束估计模型追踪生理参数的时序变化，将预设置规则库与时序变化信息相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代进行直至完成所述类周期生理信号的全部信号段的信号质量定级。

2.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，所述类周期生理信号包括脉搏波信号、心电信号、血压信号、呼吸信号；和/或，所述特征点包括信号段的起点、峰值点、通过计算提取的特征参数、或基于曲率信息定位的重搏波谷点和重搏波峰值点。

3.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，所述预处理执行以下步骤A11：通过滤波器滤除基线漂移的影响，还通过中值滤波平滑以去除小幅波动的毛刺噪音干扰。

4.根据权利要求3所述生理信号质量评估方法，其特征在于，步骤A11中，根据所述类周期生理信号的类型，保留其信号频率的预设置分布范围。

5.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，所述波形分析识别，包括正常波形的识别及异常波形的识别，以保留有效的信号段；所述各个周期信号分段执行以下步骤A12：识别周期信号段中类周期生理信号波形的峰值点，作为最显著特征点，通过先验的不应期时间段及幅值范围，对所述最显著特征点的候选集合元素进行筛选，去除违背预设置条件的极大值点，然后选取保留的每两个相邻峰值点，求出各相邻峰值点之间的极小值点作为信号分段点。

6.根据权利要求5所述生理信号质量评估方法，其特征在于，对每一信号段中的信号进行振动分析，根据波形斜率变化判断出上升支和下降支，对所有的上升支和下降支进行振动分析，当振动满足预定义条件时，定位出波形的起点、峰值点和终点，以完成正常波形的周期分段；其中，将由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成的波形识别为正常波形；将当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动的波形段，识别为异常波形；将上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形识别为次正常波形。

7.根据权利要求6所述生理信号质量评估方法，其特征在于，将连续几个上升支和下降支异常的波形段合并为一周期信号段；其中，正常波形的分段还依据前后两个周期信号段的信息，对候选的所述最显著特征点和所述极小值点进行微调，以保留有效的信号段。

8.根据权利要求7所述生理信号质量评估方法，其特征在于，步骤A1中，仅对正常波形的周期信号段和次正常波形的周期信号段的特征点进行检测。

9.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A1中，还分析和计算每一周期信号段与模板信号的相似性，得到信号变形度的量化信息。

10.根据权利要求9所述生理信号质量评估方法，其特征在于，对采集的生理信号进行周期分段，得到N个周期的信号段，将得到的所有周期的信号与模板信号进行对比，进行均值和标准差计算，用来描述所述模板信号分布。

11.根据权利要求11所述生理信号质量评估方法，其特征在于，利用动态时间规整方式计算动态时间规整距离，衡量信号段与模板信号之间的相似性。

12.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A3中，采用基于带约束的时序估计模型，包括卡尔曼模型或者隐马尔可夫模型、粒子滤波模型、指数加权移动平均模型，对所述特征矢量进行时序变化的追踪，定级所述信号质量，获得所述信号数据有效性的评价。

13.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A2中，还执行以下步骤A21：根据计算开销和代价，采用离线方式获取训练数据，对所述时序估计模型进行调优。

14.根据权利要求1所述生理信号质量评估方法，其特征在于，步骤A2中，根据已提取的生理特征参数，生成由局部形态信息和全局形态信息组成的多维特征矢量，基于带约束的卡尔曼模型或者隐马尔可夫模型、粒子滤波模型、指数加权移动平均模型，追踪特征参数的时序变化。

15.根据权利要求14所述生理信号质量评估方法，其特征在于，步骤A2中，基于带约束的kalman卡尔曼滤波器，约束所述时序估计模型如下：

$\begin{array}{cc}{x}_k=F_k{x}_{k-1}+u_k,& u_k~N(0,Q_k)\\ z_k=H_k{x}_k+v_k,& v_k~N(0,R_k)\\ {\tilde{x}}_{k|k}^P=\arg \min {(x-{\hat{x}}_{k|k})}^{\′}{W}_k(x-{\hat{x}}_{k|k})& \end{array};$ 其中，系统状态方程为：

s.t.Cx≤d

x_k＝[T_1k T_2k T_3k T_4k T_5k H_1k H_2k H_3k S_1k S_2k D_k]^T；

其中，D_k为通过动态时间规整计算而得的相似性量化值，其余维数分别对应预设置的生理特征参数。

16.根据权利要求15所述生理信号质量评估方法，其特征在于，以最大概率估计作为状态求解目标，所述约束的时序估计系统如下：

(1)预测

其中

为前一状态带约束的估测值；

$P_{k|k-1}=F_k{P}_{k-1|k-1}{F}_k^T+Q_k,$ 其中P_k-1|k-1为前一估测方差；

由预测值和观察值z_k计算新息如下：

使用预设置规则库对新息进行分析，追踪预设置生理信号的生理特征参数的时序变化，以及通过新息协助判断类周期生理信号的信号段的数据有效性；若该信号段特征参数组成的测量值被判定无效，则更新过程不引入新息的信息；

(2)更新

$S_k=H_k{P}_{k|k-1}{H}_k^T+R_k,$ 其中S_k为新息方差；

其中K_k为最优卡尔曼增益；

${\hat{x}}_{k|k}={\hat{x}}_{k|k-1}+K_k\widetilde{\mathrm{\γ}};$

P_k|k＝(I-K_kH_k)P_k|k-1；

${\tilde{x}}_{k|k}={\hat{x}}_{k|k}-P_{k|k}{C}^T{\left(C{P}_{k|k}{C}^T\right)}^{-1}(C{\hat{x}}_{k|k}-d),$ 其中

为带约束的估计值。

17.根据权利要求16所述生理信号质量评估方法，其特征在于，对每一类周期生理信号的信号段，以识别运动伪差和鉴别数据有效性为目的，信号质量被定义为如下所述的3层：

信号质量级别L3，表示完全被运动干扰，噪音污染而无法提取生理特征参数，或提取的生理特征参数无效；

信号质量级别L2，表示信号虽被运动伪差干扰污染而呈现变形，但仍包含可判断的信息，信号段数据仍具有效性；

信号质量级别L1，表示信号正常干净，未被干扰或污染，形态良好，提取的特征有效，其中兼顾考虑了因生理变化而引起的生理特征时序的变化。

18.根据权利要求15所述生理信号质量评估方法，其特征在于，对于约束所述时序估计模型中的过程噪声方差Q和测量噪声方差R，采用离线方式获取训练数据，对所述时序估计模型进行调优。

19.根据权利要求18所述生理信号质量评估方法，其特征在于，采集原始训练数据按周期段进行特征提取后生成训练数据集，采用EM最大期望算法迭代直至收敛。

20.根据权利要求19所述生理信号质量评估方法，其特征在于，使用最大化测量概率作为优化目标，依据所使用的约束时序估计模型的生理特征参数，模型参数的训练规约为求解目标函数

的优化，其中z为真实值，p(·)为似然函数，

为系统状态矢量。

21.一种基于约束估计的生理信号质量评估系统，其特征在于，包括信号特征提取模块、约束估计建模模块、时序预测及信号质量分析决策模块；

所述信号特征提取模块与所述约束估计建模模块连接，用于接收待评估的类周期生理信号的信号段，对其进行预处理、波形分析识别及信号周期分段，在每一周期信号段中进行特征点检测，提取预设置生理信号的生理特征参数；

所述约束估计建模模块与所述时序预测模块连接，用于对于每一信号段，将已提取的生理特征参数组合形成特征矢量，根据生理信号的先验知识进行约束建模，进而建立可解析的带约束时序估计模型及时序估计系统；

所述时序预测及信号质量分析决策模块，用于使用约束估计模型追踪生理参数的时序变化，将预设置规则库与时序变化信息相结合，对所述类周期生理信号的信号质量进行定级，并评价所述类周期生理信号的信号段的信号数据有效性，更新所述时序估计系统，按周期信号段迭代进行直至完成所述类周期生理信号的全部信号段的信号质量定级。

22.根据权利要求21所述的生理信号质量评估系统，其特征在于，还设置与所述时序预测及信号质量分析决策模块连接的离线参数训练调优模块，用于根据计算开销和代价，采用离线方式获取训练数据，对所述时序估计模型进行调优。

23.根据权利要求22所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置类周期生理信号预处理单元，用于通过滤波器滤除基线漂移的影响，还通过中值滤波平滑以去除小幅波动的毛刺噪音干扰。

24.根据权利要求23所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置波形分析识别单元，用于识别周期信号段中类周期生理信号波形的峰值点，作为最显著特征点，通过先验的不应期时间段及幅值范围，对所述最显著特征点的候选集合元素进行筛选，去除违背预设置条件的极大值点，然后选取保留的每两个相邻峰值点，求出各相邻峰值点之间的极小值点作为信号分段点；并对每一信号段中的信号进行振动分析，根据波形斜率变化判断出上升支和下降支，对所有的上升支和下降支进行振动分析，当振动满足预定义条件时，定位出波形的起点、峰值点和终点，以完成正常波形的周期分段；其中，将由一个包含零振动数的上升支和一个包含0或1振动数的下降支组成的波形识别为正常波形；将当上升支存在大强度振动或下降支存在振动强度超过峰值点的幅值的异常振动或下降支存在2个以上大强度振动的波形段，识别为异常波形；将上升支和下降支振动数量及强度介于正常波形和异常波形之间的波形识别为次正常波形。

25.根据权利要求24所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置筛选单元，用于筛选正常波形的周期信号段和次正常波形的周期信号段，供所述信号特征提取模块进行特征点检测。

26.根据权利要求25所述的生理信号质量评估系统，其特征在于，所述信号特征提取模块设置相似性计算单元，用于分析和计算每一周期信号段与模板信号的相似性，得到信号变形度的量化信息。

Images