CN103505189B - 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 - Google Patents
基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 Download PDFInfo
- Publication number
- CN103505189B CN103505189B CN201310496497.6A CN201310496497A CN103505189B CN 103505189 B CN103505189 B CN 103505189B CN 201310496497 A CN201310496497 A CN 201310496497A CN 103505189 B CN103505189 B CN 103505189B
- Authority
- CN
- China
- Prior art keywords
- pulse signal
- frequency band
- wavelet
- signal
- class
- 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
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于小波包变换和隐马尔科夫模型的脉搏信号分类方法,包括以下步骤:采用db4小波作为小波包变换的小波基函数,对采集的两类脉搏信号进行小波包变换,获得各个频带的小波包分解系数;根据局域判别基算法选择最优频带;利用Fisher准则选择最优能量特征向量;将两类脉搏信号分别选取一部分做为训练信号,另外一部分作为测试信号,根据上述方法求两类信号的最优特征向量;将训练信号的最优能量特征向量作为连续隐马尔科夫的观测向量训练出两个隐马尔科夫模型;将测试信号的最优能量特征向量分别输入到训练的两个模型中,根据前向-后向算法求其概率值P(O|λi),通过概率值比较,完成脉搏信号的分类。
Description
技术领域
本发明涉及一种基于小波包变换和隐马尔科夫模型的脉搏信号分类方法。
背景技术
脉搏是由心脏射血活动引起的一种血液和血管壁震荡。此振荡波最初在主动脉根部形成,然后沿着动脉树迅速向外周血管传播,而成为各部分脉搏的表现波。在传统的脉象研究中,是靠不同指法下的指面感觉来分辨脉搏,靠运用生动的自然景象或想象的示意图形来比喻脉象的这些比喻缺乏明确的物理含义,加之各人指下体会难免存在差异,这种脉象鉴别方法不能建立统一的客观标准。为完成对脉象信号的定量与定性的客观化研究,需要研究出客观化的完整而简单有效的脉象处理方法,能够在对脉象信号进行特征分析提取基础上,进一步对脉象信号进行量化分类。目前,小波变换被广泛的应用到脉象信号处理中,然而如何选择出适用于脉搏信号特征提取的最优小波包分解算法并没有解决,难以对不同脉搏信号进行分类。
发明内容
本发明的目的在于提出一种基于小波包变换和隐马尔科夫模型的脉搏信号分类方法,该方法综合了小波包变换算法,局域判别基方法,Fisher准则以及连续隐马尔科夫模型方法,在对信号进行时频分析的同时,能够有效的选择出适用于脉搏信号的最优特征量,实现对不同种类的脉象信号进行有效的分类。
为了实现上述目的,基于小波包变换和隐马尔科夫模型的脉搏信号分类方法具体包括以下几个步骤:
(1)通过HK-2000C脉搏传感器采集脉搏信号,得到脉搏信号序列x(i),i=1,2,...,N,i表示等时间间隔采样时间点,N为信号长度;
(2)按照公式1对采集到的脉搏信号x(i)进行4层小波包变换,采用db4小波作为小波包变换的小波基函数,所述db4小波基函数的分解低通滤波器系数为:h(n)=[-0.0106,0.0329,0.0308,-0.1870,-0.0280,0.6309,0.7148,0.2304](n=0,1...7),分解高通滤波器系数为:g(n)=[-0.2304,0.7148,-0.6309,
-0.0280,0.1870,0.0308,-0.0329,-0.0106](n=0,1...7);
其中,表示第j层第l个频带的第m个小波系数,j=0,1,2,3,7≤2j-1。
(3)根据所述步骤(1),(2),采集A、B两类脉搏信号,并从其中各取一例获取其小波包分解系数,分别用 表示;
(4)根据局域判别基(LDB)方法,选择小波包分解后的最优频带。具体步骤如下:
4.1)根据公式(2)(3)求每一个频带的能量分布:
其中,P1(j,l)表示A类脉搏信号第j层第l个频带的能量分布,p2(l,l)表示B类脉搏信号第j层第l个频带的能量分布。
4.2)根据公式(4)求得两组信号对应频带的相对熵:
4.3)从最后一层,即j=3开始计算,如果D(j,l)≥D(j+1,2l)+D(j+12l+1)选择保留频带Ω(j,l),否则保留频带Ω(j+1,2l)和频带Ω(j+1,2l+1))并将D(j,l)重新赋值为:D(j,l)=D(j+1,2l)+D(j+1,2l+1),根据此方法,选择出最优的频带(Ω1,Ω2…Ωt)其中t表示最优频带的个数。
(5)求取最优频带对应的能量特征,所述能量特征为频带内小波包分解系数平方和,可以表示为H={EM1,EM2…EMt}。利用Fisher准则(该方法是由WileyPress在Patternclassificationandsceneanalysis一书中提出)选取最优特征向量F={EMq,EMq+1…EMq+s}其中s+1<t表示最优特征向量的个数。
(6)分别从两类信号中选取N组脉搏信号作为训练信号,其余M组信号作为测试信号。根据上述方法选择出的特征向量,提取训练数据和测试数据的特征向量。A类信号训练数据的最优特征向量可以表示为其中i=1,2……N。其测试数据的最优特征向量可以表示为:其中j=1,2,……M。B类信号训练数据的最优特征向量表示为其中i=1,2……N,其测试数据的最优特征向量表示为:其中j=1,2,……M。
(7)用连续隐马尔科夫模型作为分类器,对A、B两类信号进行分类。(该方法在ApplicationofcontinuousGaussianmixtureHMMinfaultdiagnosingofrotatingmachinerystart-upprocess得到应用)所述连续隐马尔模型可以用公式(5)表示,其中π表示初始状态,A表示状态转移概率分布,μ表示混合高斯函数的均值,U表示混合高斯函数的方差,C表示权值系数。将两类训练数据分别用来训练两类信号的连续隐马尔科夫模型,模型可以用λ1和λ2表示。
λ={π,A,μ,U,C}(5)(8)把两类测试数据分别输入到训练得到的隐马尔科夫模型,利用前向-后向算法(该算法被在Atutorialonhiddenmarkovmodelsandselectedapplicationsinspeechrecognition中得到应用)计算两个模型输出的概率值P(O|λi)i=1,2,概率值反映了观测序列与模型的吻合程度如果P(O|λ1)>P(O|λ2)表示该组数据属于模型λ1,即属于A类脉搏信号,否则属于模型λ2,即属于B类脉搏信号。
与现有技术相比,本发明的有益效果如下:1)提出了一种定量的客观化研究方法处理脉象信号。2)在利用小波包变换进行频域分析时,通过局域判别基的方法和Fisher准则,有效的选择了最优的频带,并提取了最优特征向量,能够更加有效的提取脉象信号中蕴含的重要特征。3)能够利用连续隐马尔科夫模型实现对不同种类脉搏信号的分类。
附图说明
图1a为实测A类脉搏信号
图1b为实测B类脉搏信号
图2为本发明脉搏信号最优特征提取流程图
图3为本发明脉搏信号识别流程图
图4为实测18组A类信号分类结果
图5为实测23组B类信号分类结果
具体实施方式:
下面结合附图对本发明进一步详细说明。
参见图1,其中(a)表示A类脉搏信号,(b)表示B类脉搏信号,通过HK-2000C脉搏传感器模块对脉搏信号进行采样,得到序列x(i),i=1,2......N;
参见图2,采用db4小波作为小波包变换的小波基函数,对采集到的两类脉搏信号利用公式(1)进行小波包变换,获得所有频带的小波包分解系数,分别用 表示;利用局域判别基(LDB)和Fisher准则,选择最优能量特征向量。具体实行方法是:根据公式(2)(3)求每一个频带的能量分布,P1(j,l)表示A类脉搏信号第j层第l个频带的能量分布,p2(j,l)表示B类脉搏信号第j层第l个频带的能量分布;根据公式(4)求得两组信号对应频带的相对熵,用D(j,l);从最后一层,即j=3开始计算,如果D(j,l)≥D(j+1,2l)+D(j+1,2l+1)选择保留频带Ω(j,l),否则保留频带Ω(j+1,2l)和频带Ω(j+1,2l+1),并将D(j,l)重新赋值为D(j,l)=D(j+1,2l)+D(j+1,2l+1),根据此方法,选择出最优的频带(Ω1,Ω2…Ωt}其中t表示最优频带的个数;求取最优频带对应的能量特征,可以表示为H={EM1,EM2…EMt}o利用Fisher准则,选取最优特征向量F={EMq,EMq+1…EMq+s}其中s+1<t表示最优特征向量的个数。
参见图3,利用连续隐马尔科夫模型作为分类器,实现对两类脉搏信号的分类,具体实行方法是:分别从两类信号中选取10组脉搏信号作为训练信号,其余18组A类信号,23组B类信号作为测试信号。根据上述方法选择出的特征向量,提取训练数据和测试数据的特征向量。A类信号训练数据的最优特征向量可以表示为其中i=1,2……10。其测试数据的最优特征向量可以表示为:其中j=1,2,……18。B类信号训练数据的最优特征向量表示为其中i=1,2……10,其测试数据的最优特征向量表示为:其中j=1,2,……23;将两类训练数据分别用来训练两类信号的连续隐马尔科夫模型,模型可以用λ1和λ2表示;把两类测试数据分别输入到训练得到的隐马尔科夫模型,利用前向-后向算法计算两个模型输出的概率值P(O|λi),i=1,2,概率值反映了观测序列与模型的吻合程度。如果P(O|λ1)>P(O|λ2)表示该组数据属于模型λ1,即属于A类脉搏信号,否则属于模型λ2,即属于B类脉搏信号。本发明取对数后的概率为输出概率,即logliki=lgP(O|λi)。如果loglik1>loglik2表示该组数据属于模型λ1,即属于A类脉搏信号,否则属于模型λ2,即属于B类脉搏信号。
参见图4,对18例A类脉搏信号进行识别,有2例信号的对数似然概率loglik1<l0glik2,即有2例A类脉搏信号被误识别为B类脉搏信号,识别率为88.9%。
参见图5,对23例B类脉搏信号进行识别,有3例信号的对数似然概率loglik1>loglik2,即有3例B类脉搏信号被误判为A类脉搏信号,识别率为86.9%。
Claims (1)
1.基于小波包变换和隐马尔科夫模型的脉搏信号分类方法,包括以下几个步骤:
(1)数据采集模块通过脉搏传感器模块采集脉搏信号,得到脉搏信号序列x(i),i=1,2,…,N,i表示等时间间隔采样时间点,N为信号长度;
(2)按照公式1对采集到的脉搏信号x(i)进行4层小波包变换,采用db4小波作为小波包变换的小波基函数,所述db4小波基函数的分解低通滤波器系数为:h(n)=[-0.0106,0.0329,0.0308,-0.1870,-0.0280,0.6309,0.7148,0.2304],分解高通滤波器系数为:g(n)=[-0.2304,0.7148,-0.6309,-0.0280,0.1870,0.0308,-0.0329,-0.0106],其中,n=0,1...7;
其中,表示第j层第l个频带Ω(j,l)的第m个小波系数,j=0,1,2,3,l≤2j-1;(3)根据所述步骤(1),(2),采集A、B两类脉搏信号,并从其中各取一例获取其小波包分解系数,分别用 表示;
(4)根据局域判别基(LDB)方法,选择小波包分解后的最优频带;具体步骤如下:
4.1)根据公式(2)(3)求每一个频带的能量分布:
其中,P1(j,l)表示A类脉搏信号第j层第l个频带的能量,P2(j,l)表示B类脉搏信号第j层第l个频带的能量;
4.2)根据公式(4)求得两组信号对应频带的相对熵:
4.3)从最后一层,即j=3开始计算,如果D(j,l)≥D(j+1,2l)+D(j+1,2l+1)选择保留频带Ω(j,l),否则保留频带Ω(j+1,2l)和频带Ω(j+1,2l+1),并将D(j,l)重新赋值为:D(j,l)=D(j+1,2l)+D(j+1,2l+1),根据此方法,选择出最优的频带{Ω1,Ω2...Ωt}其中t表示最优频带的个数;
(5)求取最优频带对应的能量特征H={EM1,EM2...EMt},其中各个能量特征EM为各个频带内所有小波系数的平方和;利用Fisher准则选取最优特征向量F={EMq,EMq+1…EMq+s},其中s+1<t表示最优特征向量的个数;
(6)分别从两类信号中选取N组脉搏信号作为训练信号,其余M组信号作为测试信号;根据上述方法选择出的特征向量,提取训练数据和测试数据的特征向量;A类信号训练数据的最优特征向量可以表示为其中i=1,2……N;其测试数据的最优特征向量可以表示为:其中j=1,2,……M;B类信号训练数据的最优特征向量表示为其中i=1,2……N,其测试数据的最优特征向量表示为:其中j=1,2,……M;
(7)用连续隐马尔科夫模型作为分类器,对A、B两类信号进行分类,所述连续隐马尔模型可以用公式(5)表示,其中π表示初始状态,A表示状态转移概率分布,μ表示混合高斯函数的均值,U表示混合高斯函数的方差,C表示权值系数;将两类训练数据的最优特征向量分别用来训练两类信号的连续隐马尔科夫模型,模型可以用λ1和λ2表示;
λ={π,A,μ,U,C}(5)
把两类测试数据的最优特征向量分别输入到训练得到的连续隐马尔科夫模型,利用前向-后向算法计算两个模型输出的概率值P(O|λi),i=1,2,如果P(O|λ1)>P(O|λ2)表示该组数据属于模型λ1,即属于A类脉搏信号,如果P(O|λ1)<P(O|λ2)表示该组数据属于模型λ2,即属于B类脉搏信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310496497.6A CN103505189B (zh) | 2013-10-21 | 2013-10-21 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310496497.6A CN103505189B (zh) | 2013-10-21 | 2013-10-21 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103505189A CN103505189A (zh) | 2014-01-15 |
CN103505189B true CN103505189B (zh) | 2016-05-25 |
Family
ID=49889012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310496497.6A Active CN103505189B (zh) | 2013-10-21 | 2013-10-21 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103505189B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320735A (zh) * | 2018-01-23 | 2018-07-24 | 北京易智能科技有限公司 | 一种多数据融合的情感识别方法及系统 |
CN108338777A (zh) * | 2018-02-08 | 2018-07-31 | 深圳还是威健康科技有限公司 | 一种脉搏信号检测分析方法及装置 |
CN108771534B (zh) * | 2018-06-29 | 2019-03-26 | 北京理工大学 | 一种基于多小波变换融合下的脉搏信号特征提取方法 |
CN111914655B (zh) * | 2020-07-06 | 2022-07-12 | 电子科技大学 | 一种基于显著信号子段提取的脉象分类方法 |
CN111649940A (zh) * | 2020-07-10 | 2020-09-11 | 上海三一重机股份有限公司 | 行走减速机故障模型生成方法、装置和计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1304114A (zh) * | 1999-12-13 | 2001-07-18 | 中国科学院自动化研究所 | 基于多生物特征的身份鉴定融合方法 |
WO2005006278A2 (en) * | 2003-06-30 | 2005-01-20 | Honda Motor Co., Ltd. | Systems and methods for training component-based object identification systems |
CN101317794A (zh) * | 2008-03-11 | 2008-12-10 | 清华大学 | 多指多自由度假手用肌电控制能力检测训练方法 |
WO2010115939A2 (en) * | 2009-04-07 | 2010-10-14 | National University Of Ireland, Cork | A method for the real-time identification of seizures in an electroencephalogram (eeg) signal |
DE102009037097A1 (de) * | 2009-08-11 | 2011-02-17 | Kouemou, Guy Leonard, Dr. Ing. | Gerät zum automatischen Atmungs- und Beatmungsmonitoring |
CN102271589A (zh) * | 2008-12-30 | 2011-12-07 | 皇家飞利浦电子股份有限公司 | 用于处理心音信号的方法和系统 |
CN102824166A (zh) * | 2012-07-05 | 2012-12-19 | 华东师范大学 | 一种用于脉搏波分类处理的装置 |
WO2013093913A1 (en) * | 2011-12-19 | 2013-06-27 | Opticul Diagnostics Ltd. | Spectroscopic means and methods for identifying microorganisms in culture |
-
2013
- 2013-10-21 CN CN201310496497.6A patent/CN103505189B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1304114A (zh) * | 1999-12-13 | 2001-07-18 | 中国科学院自动化研究所 | 基于多生物特征的身份鉴定融合方法 |
WO2005006278A2 (en) * | 2003-06-30 | 2005-01-20 | Honda Motor Co., Ltd. | Systems and methods for training component-based object identification systems |
CN101317794A (zh) * | 2008-03-11 | 2008-12-10 | 清华大学 | 多指多自由度假手用肌电控制能力检测训练方法 |
CN102271589A (zh) * | 2008-12-30 | 2011-12-07 | 皇家飞利浦电子股份有限公司 | 用于处理心音信号的方法和系统 |
WO2010115939A2 (en) * | 2009-04-07 | 2010-10-14 | National University Of Ireland, Cork | A method for the real-time identification of seizures in an electroencephalogram (eeg) signal |
DE102009037097A1 (de) * | 2009-08-11 | 2011-02-17 | Kouemou, Guy Leonard, Dr. Ing. | Gerät zum automatischen Atmungs- und Beatmungsmonitoring |
WO2013093913A1 (en) * | 2011-12-19 | 2013-06-27 | Opticul Diagnostics Ltd. | Spectroscopic means and methods for identifying microorganisms in culture |
CN102824166A (zh) * | 2012-07-05 | 2012-12-19 | 华东师范大学 | 一种用于脉搏波分类处理的装置 |
Non-Patent Citations (1)
Title |
---|
Pulse Signal Analysis Based on Wavelet Packet Transform and Hidden Markov Model Estimation;Jingjing Meng et al.;《Instrumentation and Measurement Technology Conference(I2MTC),2013 IEEE International》;20130509;第671-675页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103505189A (zh) | 2014-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103505189B (zh) | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 | |
CN103280220B (zh) | 一种实时的婴儿啼哭声识别方法 | |
CN101317794B (zh) | 多指多自由度假手用肌电控制能力检测训练方法 | |
CN109524020A (zh) | 一种语音增强处理方法 | |
CN109171707A (zh) | 一种智能心电图分类方法 | |
US20170154640A1 (en) | Method and electronic device for voice recognition based on dynamic voice model selection | |
CN102483916B (zh) | 声音特征量提取装置和声音特征量提取方法 | |
CN110428842A (zh) | 语音模型训练方法、装置、设备及计算机可读存储介质 | |
CN105488466B (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
CN104887263A (zh) | 一种基于心音多维特征提取的身份识别算法及其系统 | |
CN106941005A (zh) | 一种基于语音声学特征的声带异常检测方法 | |
CN105225223A (zh) | 基于小波分析和bp神经网络的复合材料损伤检测方法 | |
CN110338786A (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
CN109559758B (zh) | 一种基于深度学习的将纹理图像转换成触觉信号的方法 | |
CN101156771A (zh) | 基于脉搏波频谱分析提高血管硬度测量精度的方法及装置 | |
CN105989842A (zh) | 对比声纹相似度的方法、装置及其在数字娱乐点播系统中的应用 | |
CN103308919B (zh) | 一种基于小波包多尺度信息熵的鱼类识别方法及系统 | |
CN104546007B (zh) | 胎动检测抗干扰处理方法及装置 | |
CN105147252A (zh) | 心脏疾病识别及评估方法 | |
CN101655520A (zh) | 对电力系统中雷击信号与暂态谐波信号的提取方法 | |
CN103531206A (zh) | 一种结合局部与全局信息的语音情感特征提取方法 | |
US20100169085A1 (en) | Model based real time pitch tracking system and singer evaluation method | |
CN112382302A (zh) | 婴儿哭声识别方法及终端设备 | |
Permana et al. | Implementation of constant-q transform (CQT) and mel spectrogram to converting bird’s sound | |
CN104536007B (zh) | 一种基于多视角声学数据的鱼类识别方法 |
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 |