CN103750845A - 一种自动去除近红外光谱信号运动伪迹的方法 - Google Patents

Abstract

一种自动去除近红外光谱信号运动伪迹的方法，包括以下四个步骤：步骤一计算近红外光谱信号的移动标准差，自动选取阈值并标记原始信号运动伪迹区域；步骤二对近红外光谱信号进行经验模式分解，得到具有明确生理意义的固有模式分量；步骤三计算每个固有模式分量的疑似运动伪迹区域，结合步骤一得到的原始信号运动伪迹区域，对不同固有模式分量进行处理，进行运动伪迹消除；步骤四信号重构，本发明根据近红外光谱信号的概率分布特点，自动选取阈值和检测含运动伪迹的区间；对近红外光谱信号进行经验模式分解可得到具有明确生理意义的固有模式分量，通过对明显异常的固有模式分量进行处理，可以在去除运动伪迹的同时有效保留NIRS信号中的生理信息。

Description

一种自动去除近红外光谱信号运动伪迹的方法

技术领域

本发明属于医疗技术领域，特别涉及一种自动去除近红外光谱信号运动伪迹的方法。

背景技术

近红外光谱技术（NIRS）可以无损探测脑组织中含氧血红蛋白和脱氧血红蛋白浓度的变化量，是一种测量大脑局部血液动力学信息以及新陈代谢状况的有效手段。与其它的脑功能测量设备如正电子发射型计算机断层成像（PET）和磁共振成像（MRI）等相比，NIRS具有舒适安全、操作简单、成本低廉等突出优点，使之成为连续监测大脑血液动力学状况的绝佳选择。特别是通过近红外光谱技术测量动脉血氧饱和度在临床上得到了广泛应用。NIRS测量对皮肤和探头的接触情况较为敏感，因此容易引入一些运动伪迹（MA），直接影响测量信号的质量，并最终影响后续分析处理结果的可靠性。现有的NIRS运动伪迹检测方法主要有两类，一类是直接基于近红外数据的检测方法；另一类是基于附加信号（如加速度传感器信号）的检测技术。但是这两类运动伪迹检测方法一般都需要人工设定阈值，很难实现运动伪迹的自动去处。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种自动去除近红外光谱信号运动伪迹的方法，根据近红外光谱信号的概率分布特点，自动选取阈值和检测含运动伪迹的区间；对近红外光谱信号进行经验模式分解可得到具有明确生理意义的固有模式分量，通过对明显异常的固有模式分量进行处理，可以在去除运动伪迹的同时有效保留NIRS信号中的生理信息。

为了达到上述目的，本发明的技术方案为：

一种自动去除近红外光谱信号运动伪迹的方法，包括以下步骤：

步骤一、计算近红外光谱NIRS信号的移动标准差MSD，自动选取阈值并标记原始信号运动伪迹区域；

步骤二、对近红外光谱NIRS信号进行经验模式分解，得到具有明确生理意义的固有模式分量；

步骤三、计算每个固有模式分量的疑似运动伪迹区域，结合检测得到的原始信号运动伪迹区域，对不同固有模式分量分别进行运动伪迹消除；

步骤四、把消除运动伪迹后的所有固有模式直接加和进行信号重构。

所述的步骤一具体为：根据公式（1）计算长度为N的NIRS信号x(i)的移动标准差(MSD)，用s(i)表示：

$S\left(i\right)=\frac{1}{2k+1}{[\underset{j=-k}{\overset{k}{\mathrm{\Σ}}}{x}^2(i+j)-\frac{1}{2k+1}{\left(\underset{j=-k}{\overset{k}{\mathrm{\Σ}}}x(i+j)\right)}^2]}^{\frac{1}{2}}---\left(1\right)$

其中：k等于x(i)信号采样率的一半,i=k+1,k+2,…,N-k，

选取计算得到的移动标准差上四分位数作为检测包含运动伪迹的信号区域的判断阈值T，近红外光谱信号的移动标准差大于阈值T的部分为原始信号运动伪迹区域。

所述的步骤二具体为：对近红外光谱NIRS信号按公式（2）进行经验模式分解：

$x\left(i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j\left(i\right)+r\left(i\right)---\left(2\right)$

其中：c_j是分解所得的第j个IMF，r是减去全部IMF后所得的残差项；对含有运动伪迹的NIRS信号进行经验模式分解，所得固有模式分别为IMF1，IMF2，……，IMFn，和残差项r，n为EMD的分解固有模式个数，根据信号的采样率选择。

所述的步骤三运动伪迹消除具体为：判断所有固有模式信号的疑似运动伪迹区域在时间上是否与原始信号运动伪迹区域存在相交部分，如果有相交部分，把该固有模式信号在原始信号运动伪迹区域内的值置为零，其余位置保持不变。

所述的步骤四信号重构过程具体是：对固有模式直接加和，把具有明确生理意义的固有模式相加，舍弃测量系统噪声和其他测量干扰成分，即y=IMF1’+IMF2’+……+IMFn’，重构后的信号就是自动去除运动伪迹的红外光谱信号。

本发明提出一种自动去除近红外光谱信号中运动伪迹的方法。根据近红外光谱信号的概率分布特点，自动选取阈值和检测含运动伪迹的区间；对近红外光谱信号进行经验模式分解可得到具有明确生理意义的固有模式分量，通过对明显异常的固有模式分量进行处理，可以在去除运动伪迹的同时有效保留NIRS信号中的生理信息。

附图说明

图1是本发明的流程图。

图2是本发明的近红外光谱信号移动标准差概率分布直方图。

图3是本发明的近红外光谱信号移动标准差概率分布箱图。

图4是本发明的含运动伪迹的近红外光谱信号的经验模式分解（EMD）及其频谱分布图。

图5是利用本发明对含运动伪迹的近红外光谱信号进行运动伪迹去除的示意图。

具体实施方式

下面结合附图对本发明的原理作详细说明。

参见图1，本发明所述的运动伪迹去除方法包括以下四个步骤：

步骤一：计算NIRS信号的移动标准差（MSD），自动选取阈值并标记原始信号运动伪迹区域；

具体为：根据公式（1）计算长度为N的NIRS信号x(i)的移动标准差(MSD)，用s(i)表示：

$S\left(i\right)=\frac{1}{2k+1}{[\underset{j=-k}{\overset{k}{\mathrm{\Σ}}}{x}^2(i+j)-\frac{1}{2k+1}{\left(\underset{j=-k}{\overset{k}{\mathrm{\Σ}}}x(i+j)\right)}^2]}^{\frac{1}{2}}---\left(1\right)$

其中：k等于x(i)信号采样率的一半,i=k+1,k+2,…,N-k，

NIRS测量得到的血液动力学信号具有缓慢变化的特征，当NIRS信号中包含运动伪迹时，其MSD值远大于正常信号的MSD值。参见图2，计算所得的MSD值s(i)的频率分布直方图中，MSD值较大的区域出现频数极低。因此，可以根据信号本身的概率分布特性确定阈值的大小，以此来辨别信号是否含有运动伪迹。

参见图3，为了自动计算检测运动伪迹的MSD阈值T，对s(i)进一步做箱图分析。图3中矩形中间的横线表示s(i)的中位数，矩形上下两条边分别表示s(i)的上四分位和下四分位，其余两条较短的横线表示的是上下边界，上下边界以外的部分为整个概率分布的离群值，如图3中上边界外的点状重叠部分。因为出现运动伪迹的NIRS信号区域的MSD是整体数据的离群值，那么箱图中的上边界值就作为区分不含运动伪迹的信号区域和包含运动伪迹的信号区域判断阈值T。NIRS信号中MSD值大于阈值T的部分为运动伪迹存在区域，小于T的为正常信号，此过程得到的运动伪迹存在区域为原始信号运动伪迹区域。

步骤二：对NIRS信号进行经验模式分解，得到多个固有模式；经验模式分解（EMD）根据信号自身的时间尺度特征将信号分解成有限多个固有模式IMF，且不需要设立基函数，是由信号自身驱动的一种自适应分析方法，EMD将信号x(i)分解为：

$x\left(i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j\left(i\right)+r\left(i\right)---\left(2\right)$

其中：c_j是分解所得的第j个IMF，r是减去全部IMF后所得的残差项；对含有运动伪迹的NIRS信号进行经验模式分解，所得固有模式分别为IMF1，IMF2，……，IMFn，和残差项r，n为EMD的分解固有模式个数，根据信号的采样率选择。NIRS信号是一种包含有呼吸、脉搏以及神经血管耦合相关的低频震荡等多种生理信息的多组分信号。EMD可将NIRS信号分解成与这些生理信息相关的成分，具有很好的生理学意义。图4是对实际采集的NIRS信号的分解结果，其中x_nirs为上述的x(i)信号。对各个固有模式进行频谱分析可得，IMF1和IMF2主要集中在1Hz左右，表征脉搏效应；IMF3处于低频段0.2Hz左右，表征呼吸效应；IMF4和IMF5表征0.1Hz及以下的神经血管耦合相关的低频震荡；其余固有模式和残差为测量系统噪声和其他测量干扰的变化趋势。虚线所示区域为步骤一中标记所得的原始信号运动伪迹区域。

步骤三：对经验模式分解所产生的不同固有模式进行运动伪迹消除；运动伪迹的消除。NIRS通过步骤二分解后，运动伪迹会以不同的强度分布于一些固有模式中，波形不规则且变化剧烈。参见图4，所示的虚线区域为经步骤一得到的原始信号运动伪迹区域。

为了自动确认在原始信号运动伪迹区域内固有模式信号的干扰程度，分别把经过经验模式分解得到的不同固有模式IMF作为输入，重复使用步骤一方法分别计算所有固有模式IMF信号的运动伪迹存在区域，此过程得到的运动伪迹存在区域为对应固有模式IMF信号的疑似运动伪迹区域。

如果某个固有模式信号的疑似运动伪迹区域与原始信号运动伪迹区域相交，则认为该模式在原始信号运动伪迹区域内有明显干扰。然后，对存在明显干扰的所有固有模式，在原始信号运动伪迹区域内的值置为零，其余位置保持不变。

在图4中，固有模式IMF3、IMF4和IMF5中的疑似运动伪迹区域与原始信号运动伪迹区域相交，因此将IMF3、IMF4、IMF5虚线区域对应的数值置零，虚线区域以外的值保持不变。其余固有模式受运动伪迹影响不大，不作改变。经伪迹消除以后的各固有模式分别记为IMF1’，IMF2’，……，IMFn’。

步骤四：把消除运动伪迹后的所有固有模式直接加和进行信号重构。

信号重构过程是对固有模式直接加和，把具有明确生理意义的固有模式相加，舍弃测量系统噪声和其他测量干扰成分，即y=IMF1’+IMF2’+……+IMFn’。重构后的信号就是自动去除运动伪迹的红外光谱信号。

参见图5，顶部图是原始近红外光谱信号，三个虚线区域为经步骤一得到的原始信号运动伪迹区域；中间图是使用本发明重构得到的去除运动伪迹的红外光谱信号；底部图是对中间图中第三个虚线区域内的信号进行放大。

Claims (5)

1.一种自动去除近红外光谱信号运动伪迹的方法，其特征在于，包括以下步骤：

步骤一、计算近红外光谱NIRS信号的移动标准差MSD，自动选取阈值并标记原始信号运动伪迹区域；

步骤二、对近红外光谱NIRS信号进行经验模式分解，得到具有明确生理意义的固有模式分量；

步骤三、计算每个固有模式分量的疑似运动伪迹区域，结合检测得到的原始信号运动伪迹区域，对不同固有模式分量分别进行运动伪迹消除；

步骤四、把消除运动伪迹后的所有固有模式直接加和进行信号重构。

2.根据权利要求1所述的一种自动去除近红外光谱信号运动伪迹的方法，其特征在于，所述的步骤一具体为：根据公式（1）计算长度为N的NIRS信号x(i)的移动标准差(MSD)，用s(i)表示：

$S\left(i\right)=\frac{1}{2k+1}{[\underset{j=-k}{\overset{k}{\mathrm{\Σ}}}{x}^2(i+j)-\frac{1}{2k+1}{\left(\underset{j=-k}{\overset{k}{\mathrm{\Σ}}}x(i+j)\right)}^2]}^{\frac{1}{2}}---\left(1\right)$

其中：k等于x(i)信号采样率的一半,i=k+1,k+2,…,N-k，选取计算得到的移动标准差上四分位数作为检测包含运动伪迹的信号区域的判断阈值T，近红外光谱信号的移动标准差大于阈值T的部分为原始信号运动伪迹区域。

3.根据权利要求1所述的一种自动去除近红外光谱信号运动伪迹的方法，其特征在于，所述的步骤二具体为：对近红外光谱NIRS信号x(i)按公式（2）进行经验模式分解：

$x\left(i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{c}_j\left(i\right)+r\left(i\right)---\left(2\right)$

其中：c_j是分解所得的第j个IMF，r是减去全部IMF后所得的残差项；对含有运动伪迹的NIRS信号进行经验模式分解，所得固有模式分别为IMF1，IMF2，……，IMFn，和残差项r，n为EMD的分解固有模式个数，根据信号的采样率选择。

4.根据权利要求1所述的一种自动去除近红外光谱信号运动伪迹的方法，其特征在于，所述的步骤三运动伪迹消除具体为：判断所有固有模式信号的疑似运动伪迹区域在时间上是否与原始信号运动伪迹区域存在相交部分，如果有相交部分，把该固有模式信号在原始信号运动伪迹区域内的值置为零，其余位置保持不变。

5.根据权利要求1所述的一种自动去除近红外光谱信号运动伪迹的方法，其特征在于，所述的步骤四信号重构过程具体是：对固有模式直接加和，把具有明确生理意义的固有模式相加，舍弃测量系统噪声和其他测量干扰成分，即y=IMF1’+IMF2’+……+IMFn’，重构后的信号就是自动去除运动伪迹的红外光谱信号。

Images