CN105078505B - 生理信号处理方法及处理装置 - Google Patents
生理信号处理方法及处理装置 Download PDFInfo
- Publication number
- CN105078505B CN105078505B CN201410168189.5A CN201410168189A CN105078505B CN 105078505 B CN105078505 B CN 105078505B CN 201410168189 A CN201410168189 A CN 201410168189A CN 105078505 B CN105078505 B CN 105078505B
- Authority
- CN
- China
- Prior art keywords
- intrinsic mode
- physiological signal
- unit
- mode function
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种生理信号处理方法，包括如下步骤：1)利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个本征模态函数分量；2)对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，得到除噪后的生理信号；3)对所述除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息(即信号包络)。相应地，提供一种生理信号处理装置。本发明所述生理信号处理方法和处理装置具有实现简单、除噪效果好等优点。
Description
技术领域
本发明涉及生物医学信号处理技术领域，具体涉及一种生理信号处理方法及处理装置。
背景技术
为了能提前检测到胎儿的心脏疾病、胎儿被脐带缠绕引起的窒息和胎儿窘迫等异常情况，大大减少产前胎儿和产后婴儿的死亡率，孕妇在受孕24周之后就开始去医院周期性地接受胎儿健康监护，在胎儿健康监护(也称为胎心监护)技术中，胎心音图(fetalphonocadiogram，简称FPCG)监测是相对容易实现的技术之一。具体为，在孕妇腹部采集胎心音信号，并绘制成胎心音波形图，通过该图可以得到胎心率、胎动等多种信息，而这些信息能够很好的反应胎儿的健康状况。但是，胎心音信号是一种微弱的低频非线性、非平稳生理信号，特征频段在20-200Hz内，其通过羊水、子宫等孕妇腹部组织和器官向外传播时，还会受到外界噪声，胎动，孕妇的心音，孕妇腹部血流音、肠鸣音等干扰，使得在孕妇腹部采集得到的胎心音信号非常复杂，为胎心音信号的后续处理带来了诸多困难和挑战。
在胎心音信号的处理过程中，最重要的步骤是信号除噪，因为胎心音信号的信噪比的高低会严重影响胎心音信号的特征识别和相关分析。国际上，很多研究团队尝试了多种方法对采集的胎心音信号进行除噪，例如，意大利团队M.Ruffo等使用匹配滤波的方法除噪，滤波的模板来自采集的信号本身，这种方法虽然实现较为简单，但是因为匹配模板来自采集信号，使得除噪的效果与采集的信号本身的信噪比相关联，若采集的信号的信噪比很低，则可能完全没有除噪效果；印度团队A.K.Mittra等采用自适应滤波的方法除噪，这种方法具有一定的除噪效果，但该方法必须使用特定的信号采集方式，其设计的信号采集装置中使用了两个声传感器，一个在孕妇腹部采集信号，一个裸露在环境中测量环境噪声，使得该方法实现较为复杂。
发明内容
本发明所要解决的技术问题是针对现有技术中所存在的上述缺陷，提供一种实现简单且除噪效果好的生理信号处理方法及处理装置。
解决本发明技术问题所采用的技术方案：
所述生理信号处理方法包括如下步骤：
1)利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个本征模态函数分量；
2)对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，得到除噪后的生理信号；
3)对所述除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息。
优选地，在步骤1)之前还包括如下步骤：
对生理信号进行差分放大，以及对差分放大后的生理信号进行截止频率为F的低通滤波，其中，F为所述生理信号的特征频段中的最高频率值。如果所述生理信号为胎心音信号，由于胎心音信号的特征频段在20-200Hz内，则F为200Hz。
优选地，在步骤1)之前还包括如下步骤：
在生理信号中加入一个稳定、高频的正弦信号。
优选地，所述正弦信号的幅值与所述生理信号的幅值一致；
和/或，所述正弦信号的频率大于或等于所述生理信号的特征频段中的最高频率值。如果所述生理信号为胎心音信号，则所述正弦信号的频率大于或等于200Hz。
优选地，所述步骤1)还包括如下步骤：
在得到多个本征模态函数分量的同时，求取各个本征模态函数分量的过零点，并将各个本征模态函数分量的过零点组成一维矩阵，然后判断所述一维矩阵中是否含有非零元素，若判断不含非零元素，则执行步骤2)，若判断含有非零元素，则将该非零元素对应的本征模态函数分量，以及位于该非零元素之后的所有元素对应的本征模态函数分量均剔除，并执行步骤2)。
优选地，所述步骤1)还包括如下步骤：
在得到第一个本征模态函数分量的同时，计算第一个本征模态函数分量的均方差；
所述步骤2)中，对步骤1)得出的多个本征模态函数分量进行类小波软阈值自适应除噪具体为：
式(1)中，i依次取大于等于1的正整数，imf(i)为步骤1)得出的第i个本征模态函数分量，IMFi为第i个经类小波软阈值自适应除噪后的本征模态函数分量，ti为imf(i)的软阈值，其中，
式(2)中，N为步骤1)得出的所有本征模态函数分量组成的信号的长度，Ei为步骤1)得出的第i个本征模态函数分量的噪声强度，其中，
式(3)中，σ1为第一个本征模态函数分量的均方差。
本发明还提供一种生理信号处理装置，包括：
分解单元，用于利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个本征模态函数分量，并发送至重构单元；
选择重构单元，用于对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，得到除噪后的生理信号，并发送至变换单元；
变换单元，用于对所述除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息。
优选地，所述处理装置还包括：
差分放大单元，用于对生理信号进行差分放大，并发送至低通滤波单元。
低通滤波单元，用于对差分放大后的生理信号进行截止频率为F的低通滤波，并发送至分解单元，其中，F为所述生理信号的特征频段中的最高频率值。如果所述生理信号为胎心音信号，则F为200Hz。
优选地，所述处理装置还包括：
模态混叠消除单元，用于在生理信号中加入一个稳定、高频的正弦信号，并发送至分解单元。
优选地，所述模态混叠消除单元加入的正弦信号的幅值与所述生理信号的幅值一致；
和/或，所述模态混叠消除单元加入的正弦信号的频率大于或等于所述生理信号的特征频段中的最高频率值。如果所述生理信号为胎心音信号，则所述正弦信号的频率大于或等于200Hz。
优选地，所述处理装置还包括：
计算单元，用于在分解单元得到多个本征模态函数分量的同时，求取各个本征模态函数分量的过零点，并将各个本征模态函数分量的过零点组成一维矩阵；
判断单元，用于判断所述一维矩阵中是否含有非零元素，若判断不含非零元素，则将所述各个本征模态函数分量发送至选择重构单元；若判断含有非零元素，则将所述各个本征模态函数分量发送至分量剔除单元；
分量剔除单元，用于将所述各个本征模态函数分量中与所述非零元素对应的本征模态函数分量，以及位于该非零元素之后的所有元素对应的本征模态函数分量均剔除，并将剩余的本征模态函数分量发送至选择重构单元。
优选地，所述计算单元还用于在分解单元得到第一个本征模态函数分量的同时，计算第一个本征模态函数分量的均方差，并发送至选择重构单元；
所述选择重构单元对其接收到的多个本征模态函数分量进行类小波软阈值自适应除噪具体为：
式(1)中，i依次取大于等于1的正整数，imf(i)为判断单元或分量剔除单元发送的第i个本征模态函数分量，IMFi为第i个经类小波软阈值自适应除噪后的本征模态函数分量，ti为imf(i)的软阈值，其中，
式(2)中，N为分量剔除单元发送的所有本征模态函数分量组成的信号的长度，Ei为分量剔除单元发送的第i个本征模态函数分量的噪声强度，其中，
式(3)中，σ1为第一个本征模态函数分量的均方差。
有益效果：
本发明所述生理信号处理方法和处理装置从生理信号本身的尺度特征出发，利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个代表瞬时频率分量的本征模态函数，即得到多个本征模态函数分量，再对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，从而实现对生理信号的除噪，得到了干净的生理信号，然后对除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息(即信号包络)。可见，本发明所述处理方法和处理装置不仅具有良好的局部适应性，而且在引入瞬时频率后，还可从时频两方面同时对生理信号进行分析，实现了对生理信号精确的时频分析，增加了信号处理的灵活性和有效性；同时，本发明所述处理方法和处理装置既吸取了小波变换多分辨的优势，又克服了小波变换中需要选择小波基的困难，所以采用希尔伯特黄变换对非平稳信号进行处理比小波变换更有优势。
附图说明
图1为本发明实施例1所述生理信号处理方法的流程图；
图2为本发明实施例2所述胎心音信号处理方法的流程图；
图3为图2的步骤S204中胎心音信号x4(t)的分解流程图；
图4为本发明实施例3所述生理信号处理装置的结构框图；
图5为本发明实施例4所述生理信号处理装置的结构框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和实施例对本发明作进一步详细描述。
希尔伯特黄变换(Hilbert-Huang Transform，HHT)是自1990年之后发展起来一种新的信号处理方法，由于HHT具有很高的自适应性，因而成为分析频率随时间变化的非线性、非平稳信号的重要工具，目前已经在地震波、雷达信号和语音信号等领域得到了广泛的应用。
HHT包含经验模态分解(Empirical Mode Decomposition，EMD)和希尔伯特(Hilbert)变换，其中经验模态分解是核心。经验模态分解的思想是，将任何复杂的信号都看成是由一些不同的固有模态函数(Intrinsic Mode Function，IMF)分量组成，并且每一个IMF分量无论是线性的，还是非线性、非平稳的，都具有相同数量的极值点和过零点，在相邻的两个过零点之间只有一个极值点，而且上、下包络线关于时间轴局部对称，任何两个过零点之间是相互独立的，即满足单分量信号的特征，并且能够保证由固有模态函数求出的瞬时频率有意义，固有模态函数将原来传统的全局性要求改为局部性要求，避免了由于波形不对称而引起的瞬时抖动，对信号具有很好的局部变表征能力。
由于HHT具有上述特点，因此还适用于生理信号(如胎心音、心电、脑电、呼吸音和肠鸣音等信号)的处理，本发明正是以HHT为基础实现对生理信号的处理，下面通过具体实施例详细说明本发明所述生理信号处理方法和处理装置。
实施例1：
如图1所示，本实施例提供一种生理信号处理方法，包括如下步骤：
S101.利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个代表瞬时频率分量的本征模态函数，即得到多个本征模态函数分量。
S102.对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，实现对所述生理信号的除噪，从而得到除噪后的生理信号。
S103.对所述除噪后的生理信号进行希尔伯特变换，实现对除噪后的生理信号精确的时频分析，从而得到除噪后的生理信号的特征信息(即信号包络)。
本实施例中，所述生理信号可以为胎心音、心电、脑电、呼吸音或肠鸣音信号；而且，在对生理信号进行处理前，需要先采集生理信号，并通过传感器转换成电信号，再对转换成电信号的生理信号进行上述处理。
可见，本实施例所述生理信号处理方法具有实现简单和除噪效果好等优点，还能提取除噪后的生理信号的特征信息，便于对生理信号的进一步处理。
实施例2：
本实施例提供一种生理信号处理方法。如图2所示，所述生理信号为胎心音信号，可采用现有的任何一种采集方式来实现胎心音信号的采集，在对胎心音信号进行处理前，还需要通过传感器将采集到的胎心音信号转换成成电信号，再对转换成电信号的胎心音信号(即步骤S201中的胎心音信号x1(t))进行下述处理。
所述处理方法包括如下步骤：
S201.对胎心音信号x1(t)进行差分放大，以实现胎心音信号x1(t)的幅值放大，从而得到胎心音信号x2(t)。本步骤中，可采用软件处理器，使用软件编程的方法实现胎心音信号x1(t)的幅值放大。
S202.对胎心音信号x2(t)进行截止频率为200Hz(由于胎心音信号的特征频段在20-200Hz内，则胎心音信号的特征频段中的最高频率F为200Hz)的低通滤波，以滤除大量的高频噪声，从而得到胎心音信号x3(t)。本步骤中，所述低通滤波器相当于一个抗混叠滤波器。
S203.在胎心音信号x3(t)中加入一个稳定、高频的正弦信号y(t)，以消除模态混叠(Mode Mixing)的影响，并得到胎心音信号x4(t)。
优选地，所述正弦信号y(t)的幅值与胎心音信号x3(t)的幅值一致；
和/或，所述正弦信号y(t)的频率大于200Hz。
由于胎心音信号的特征频段在20-200Hz内，引起模态混叠的噪声频率更高，而利用希尔伯特黄变换的经验模态分解对胎心音信号进行分解时，是将胎心音信号从高频向低频分解，因此胎心音信号的高频部分集中了大量噪声，模态混叠也在其中，一般都在本征模态函数分量1(即IMF1)中)，本步骤中，在对胎心音信号进行分解之前，先在胎心音信号(即胎心音信号x3(t))中加入一个稳定、高频的正弦信号，该稳定、高频的正弦信号能够对高频噪声起到“补偿”作用，从而在利用希尔伯特黄变换的经验模态分解对胎心音信号进行分解时，可以有效地消除模态混叠的影响。
S204.利用希尔伯特黄变换的经验模态分解对胎心音信号x4(t)进行分解，得到多个本征模态函数分量imf(i)，i依次取大于等于1的正整数。
下面，通过图3详细描述胎心音信号x4(t)的分解流程：
S204-1.令R(i)＝x4(t)，i＝1。
S204-2.令H(j)＝R(i)，j＝1。
S204-3.提取H(j)的所有极值点。
S204-4.采用三次样条插值函数拟合出H(j)的上包络线Hup(t)和下包络线Hdown(t)，其中，H(j)的所有极大值点拟合形成上包络线Hup(t)，H(j)的所有极小值点拟合形成下包络线Hdown(t)。
由于H(j)的两端点不一定为极值(极大值或极小值)点，因此上、下包络线在H(j)的两端不可避免地会出现发散现象，使得在H(j)的端点附近，上、下包络线可能出现严重的失真，甚至出现下包络线越过上包络线的情况，如果不对H(j)的端点进行处理，就会严重影响经验模态分解的质量，使下面步骤中分解出的imf(i)在其端点附近产生失真，这种现象称为端点效应，也称为端点飞翼。本步骤中，采用现有的镜像延拓法来消除端点效应。
S204-5.求取H(j)上、下包络线的平均曲线m(j)，且m(j)＝0.5*[Hup(t)+Hdown(t)]。
S204-6.令H(j)＝H(j)-m(j)，即从H(j)中去除平均曲线m(j)。
S204-7.判断H(j)是否为本征模态函数，即判断已去除平均曲线m(j)的H(j)是否满足本征模态函数的条件，也即判断H(j)是否满足分量截止条件，如是，则执行步骤S204-9，如否，则执行步骤S204-8。本实施例中，分量终止条件(也称为分量停止准则)遵循仿柯西收敛准则，其方差为0.25，所述仿柯西收敛准则是一种以全局的量作为判断标准的停止准则。
S204-8.j＝j+1，并返回步骤S204-3。
S204-9.令imf(i)＝H(j)，R(i)＝R(i)-H(j)。
S204-10.判断R(i)是否满足分解终止条件，如是，则退出分解流程，如否，则执行S204-11。本步骤中，分解终止条件(也称为分解停止准则)是整个分解过程的终止条件，需满足残余分量单调。
S204-11.i＝i+1，并返回步骤S204-2。
S205.求取各个本征模态函数分量imf(i)的过零点，并将各个本征模态函数分量imf(i)的过零点组成一维矩阵。
S206.判断步骤S205中形成的一维矩阵中是否含有非零元素，如是，则执行步骤S207，如否，则执行步骤S208。
S207.将步骤S205中形成的一维矩阵中的非零元素对应的本征模态函数分量，以及位于该非零元素之后的所有元素对应的本征模态函数分量均剔除，并执行步骤S208。
理论上来说，利用希尔伯特黄变换的经验模态分解得到的所有本征模态函数分量的过零点数目应为零，但是，由于受到低频噪声的影响，会产生影响低频分量的基线漂移现象，使得在低频分量上会出现分解得到的部分本征模态函数分量并不能完全满足本征模态函数的条件，造成部分本征模态函数分量的过零点数目不为零。为了消除这种基线漂移现象，本步骤中，将步骤S205中形成的一维矩阵中的非零元素对应的本征模态函数分量，以及位于该非零元素之后的所有元素对应的本征模态函数分量均剔除，也就是说，保留了非零元素之前的所有元素对应的本征模态函数分量，使得剩余的本征模态函数分量的过零点数目为零，因此消除了基线漂移的影响，该方法有效且简便易行。
S208.在消除了模态混叠(步骤S203)和基线漂移(步骤S205-S207)现象后，余下的本征模态函数分量依然含有一些噪声，这些噪声可采用类小波软阈值自适应算法消除，具体地，
计算第一个本征模态函数分量imf(1)的均方差σ1，并利用类小波软阈值自适应函数对余下的本征模态函数分量imf(i)进行滤波除噪，具体地，
式(1)中，i依次取大于等于1的正整数，imf(i)为所述余下的第i个本征模态函数分量，IMFi为第i个经类小波软阈值自适应除噪后的本征模态函数分量，ti为imf(i)的软阈值，可见，每个ti和imf(i)均对应一个IMFi，sign(x)为符号函数，当x>0时，sign(x)＝1，当x＝0时，sign(x)＝0，当x<0时，sign(x)＝-1，abs(x)为绝对值函数，用于求x的整数部分的绝对值，其中，
式(2)中，N为经过所述余下的本征模态函数分量组成的信号的长度，Ei为所述余下的第i个本征模态函数分量的噪声强度，其中，
式(3)中，σ1为第一个本征模态函数分量imf(1)的均方差，
然后执行步骤S209。
S209.对经过步骤S208得出的所有经类小波软阈值自适应除噪后的本征模态函数分量进行选择重构，得到除噪后干净的胎心音信号x5(t)，还可将胎心音信号x5(t)经数字编码成音频文件，并播放，和/或存储。
S210.对所述除噪后的胎心音信号x5(t)进行希尔伯特变换，得到除噪后的胎心音信号x5(t)的特征信息，即胎心音信号x5(t)的信号包络。
具体地，对所述除噪后的胎心音信号x5(t)进行希尔伯特变换，将变换得出的信号与初始胎心音信号(即胎心音信号x1(t))组成复合信号，并对所述复合信号求绝对值，可得到胎心音信号x5(t)的信号包络。
在得到胎心音信号x5(t)的信号包络之后，可使用现有的时间门限法对所述信号包络进行特征识别，从而确定所述信号包络中各个第一心音波形的位置和各个第二心音波形的位置，再根据所述信号包络中各个第一心音波形的位置和各个第二心音波形的位置，分别计算每相邻两个第一心音波形的起始点/结束点之间的时长，和每相邻两个第二心音波形的起始点/结束点之间的时长，得到多个基于第一心音的心率值和多个基于第二心音的心率值，对所述多个基于第一心音的心率值和多个基于第二心音的心率值求平均以得出胎心率。
由于胎心音是一种微弱的低频非线性、非平稳生理信号，即使对现有的听诊器等采集方式进行改进，例如采用更高质量的自制胎心音采集装置，也只能隔绝大部分外界噪声，而孕妇的心音和组织器官产生的噪声仍然严重“污染”胎心音，例如，胎心音在通过羊水、子宫等孕妇腹部组织和器官向外传播时，会受到胎动，孕妇的心音，孕妇腹部血流音、肠鸣音等的干扰，也就是说，只对胎心音信号采集装置进行改进是无法得到干净的胎心音信号的。本实施例采用希尔伯特黄变换等方法可对现有任何一种采集方式采集得到的胎心音信号进行处理，除掉胎心音信号中的噪声，得到干净的胎心音信号，并对所述除噪后的胎心音信号进行希尔伯特变换，得到除噪后的胎心音信号的信号包络，还可通过对所述信号包络进行相应处理以得到胎心率，不仅对胎儿健康监护具有重要的价值和意义，还能与现有的任何一种胎心音信号采集装置兼容。
需要说明的是，上述步骤中，步骤S201-S203、S205-S208均是可选步骤，本领域技术人员可根据实际采集到的胎心音信号对上述方法中的可选步骤酌情增减，必要时还可改变某些可选步骤的顺序；虽然本实施例是以胎心音信号为例来描述其处理方法，但除胎心音信号以外的其它生理信号也适用于本实施例所述处理方法。
实施例3：
如图4所示，本实施例提供一种生理信号处理装置，包括：分解单元、选择重构单元和变换单元。
所述分解单元用于利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个本征模态函数分量，并发送至选择重构单元；
所述选择重构单元用于对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，得到除噪后的生理信号，并发送至变换单元；
所述变换单元用于对所述除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息。
可见，本实施例所述生理信号处理装置具有结构简单和除噪效果好等优点，还能提取除噪后的生理信号的特征信息，便于后续对生理信号的处理。
实施例4：
如图5所示，本实施例提供一种生理信号处理装置，包括：差分放大单元、低通滤波单元、模态混叠消除单元、分解单元、计算单元、判断单元、分量剔除单元、选择重构单元和变换单元。
所述差分放大单元用于对生理信号进行差分放大，并发送至低通滤波单元；
所述低通滤波单元用于对差分放大后的生理信号进行截止频率为F的低通滤波，并发送至模态混叠消除单元，其中，F为所述生理信号的特征频段中的最高频率值，如果所述生理信号为胎心音信号，则F为200Hz。；
所述模态混叠消除单元用于在低通滤波后的生理信号中加入一个稳定、高频的正弦信号，并发送至分解单元；
优选地，所述模态混叠消除单元加入的正弦信号的幅值与放大后的生理信号的幅值一致；
和/或，所述模态混叠消除单元加入的正弦信号的频率大于或等于所述生理信号的特征频段中的最高频率值；如果所述生理信号为胎心音信号，则正弦信号的频率大于或等于200Hz；
所述分解单元用于利用希尔伯特黄变换的经验模态分解对加入稳定、高频的正弦信号后的生理信号进行分解，得到多个本征模态函数分量，并发送至计算单元；
所述计算单元用于在分解单元得到多个本征模态函数分量的同时，求取各个本征模态函数分量的过零点，并将各个本征模态函数分量的过零点组成一维矩阵；
所述判断单元用于判断所述一维矩阵中是否含有非零元素，若判断不含非零元素，则将所述各个本征模态函数分量发送至选择重构单元；若判断含有非零元素，则将所述各个本征模态函数分量发送至分量剔除单元；
所述分量剔除单元用于将所述各个本征模态函数分量中与所述非零元素对应的本征模态函数分量，以及位于该非零元素之后的所有元素对应的本征模态函数分量均剔除，并将剩余的本征模态函数分量发送至选择重构单元；
所述计算单元还用于在分解单元得到第一个本征模态函数分量的同时，计算第一个本征模态函数分量的均方差，并发送至选择重构单元；
所述选择重构单元对其接收到的多个本征模态函数分量进行类小波软阈值自适应除噪，具体地，
式(1)中，i依次取大于等于1的正整数，imf(i)为判断单元或分量剔除单元发送的第i个本征模态函数分量，IMFi为第i个经类小波软阈值自适应除噪后的本征模态函数分量，ti为imf(i)的软阈值，其中，
式(2)中，N为分量剔除单元发送的所有本征模态函数分量组成的信号的长度，Ei为分量剔除单元发送的第i个本征模态函数分量的噪声强度，其中，
式(3)中，σ1为第一个本征模态函数分量的均方差；
所述选择重构单元还用于对经类小波软阈值自适应除噪后的本征模态函数分量IMFi进行选择重构，得到除噪后的生理信号，并发送至变换单元；
所述变换单元用于对所述除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息。
本实施例中各单元的具体操作与实施例2所述方法中的相应步骤相同，省略其详细描述。
需要说明的是，所述差分放大单元、低通滤波单元、模态混叠消除单元、计算单元和分量剔除单元均是可选器件，本领域技术人员可根据实际采集到的生理信号对上述装置中的可选器件酌情增减，必要时还可改变某些可选器件在整个装置中的位置，以及与其它器件之间的连接关系。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种生理信号处理方法，其特征在于，包括如下步骤：
1)利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个本征模态函数分量，在得到多个本征模态函数分量的同时，求取各个本征模态函数分量的过零点数目，并将各个本征模态函数分量的过零点数目组成一维矩阵，然后判断所述一维矩阵中是否含有非零元素，若判断不含非零元素，则执行步骤2)，若判断含有非零元素，则将该非零元素对应的本征模态函数分量，以及位于该非零元素之后的所有元素对应的本征模态函数分量均剔除，并执行步骤2)；
2)对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，得到除噪后的生理信号；
3)对所述除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息。
2.根据权利要求1所述的处理方法，其特征在于，
在步骤1)之前还包括如下步骤：
对生理信号进行差分放大，以及对差分放大后的生理信号进行截止频率为F的低通滤波，其中，F为所述生理信号的特征频段中的最高频率值。
3.根据权利要求1所述的处理方法，其特征在于，
在步骤1)之前还包括如下步骤：
在生理信号中加入一个稳定、高频的正弦信号。
4.根据权利要求3所述的处理方法，其特征在于，
所述正弦信号的幅值与所述生理信号的幅值一致；
和/或，所述正弦信号的频率大于或等于所述生理信号的特征频段中的最高频率值。
5.根据权利要求1所述的处理方法，其特征在于，
所述步骤1)还包括如下步骤：
在得到第一个本征模态函数分量的同时，计算第一个本征模态函数分量的均方差；
所述步骤2)中，对步骤1)得出的多个本征模态函数分量进行类小波软阈值自适应除噪具体为：
<mrow>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>|</mo>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mo>|</mo>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo><</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中，i依次取大于等于1的正整数，imf(i)为步骤1)得出的第i个本征模态函数分量，IMFi为第i个经类小波软阈值自适应除噪后的本征模态函数分量，ti为imf(i)的软阈值，其中，
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mi>N</mi>
</mfrac>
<mo>*</mo>
<mn>2</mn>
<mi>ln</mi>
<mi> </mi>
<mi>N</mi>
</mrow>
</msqrt>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>...</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中，N为步骤1)得出的所有本征模态函数分量组成的信号的长度，Ei为步骤1)得出的第i个本征模态函数分量的噪声强度，其中，
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mn>0.719</mn>
</mfrac>
<mo>*</mo>
<msup>
<mn>2.01</mn>
<mrow>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>...</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中，σ1为第一个本征模态函数分量的均方差。
6.一种生理信号处理装置，其特征在于，包括：
分解单元，用于利用希尔伯特黄变换的经验模态分解对生理信号进行分解，得到多个本征模态函数分量，并发送至选择重构单元；
计算单元，用于在分解单元得到多个本征模态函数分量的同时，求取各个本征模态函数分量的过零点数目，并将各个本征模态函数分量的过零点数目组成一维矩阵；
判断单元，用于判断所述一维矩阵中是否含有非零元素，若判断不含非零元素，则将所述各个本征模态函数分量发送至选择重构单元；若判断含有非零元素，则将所述各个本征模态函数分量发送至分量剔除单元；
分量剔除单元，用于将所述各个本征模态函数分量中与所述非零元素对应的本征模态函数分量，以及位于该非零元素之后的所有元素对应的本征模态函数分量均剔除，并将剩余的本征模态函数分量发送至选择重构单元；
选择重构单元，用于对所述多个本征模态函数分量进行类小波软阈值自适应除噪，然后选择重构，得到除噪后的生理信号，并发送至变换单元；
变换单元，用于对所述除噪后的生理信号进行希尔伯特变换，得到除噪后的生理信号的特征信息。
7.根据权利要求6所述的处理装置，其特征在于，还包括：
差分放大单元，用于对生理信号进行差分放大，并发送至低通滤波单元；
低通滤波单元，用于对差分放大后的生理信号进行截止频率为F的低通滤波，并发送至分解单元，其中，F为所述生理信号的特征频段中的最高频率值。
8.根据权利要求6所述的处理装置，其特征在于，还包括：
模态混叠消除单元，用于在生理信号中加入一个稳定、高频的正弦信号，并发送至分解单元。
9.根据权利要求8所述的处理装置，其特征在于，
所述模态混叠消除单元加入的正弦信号的幅值与所述生理信号的幅值一致；
和/或，所述模态混叠消除单元加入的正弦信号的频率大于或等于所述生理信号的特征频段中的最高频率值。
10.根据权利要求6所述的处理装置，其特征在于，
所述计算单元还用于在分解单元得到第一个本征模态函数分量的同时，计算第一个本征模态函数分量的均方差，并发送至选择重构单元；
所述选择重构单元对其接收到的多个本征模态函数分量进行类小波软阈值自适应除噪具体为：
<mrow>
<msub>
<mi>IMF</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>b</mi>
<mi>s</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>|</mo>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&GreaterEqual;</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mo>|</mo>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo><</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中，i依次取大于等于1的正整数，imf(i)为判断单元或分量剔除单元发送的第i个本征模态函数分量，IMFi为第i个经类小波软阈值自适应除噪后的本征模态函数分量，ti为imf(i)的软阈值，其中，
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mi>N</mi>
</mfrac>
<mo>*</mo>
<mn>2</mn>
<mi>ln</mi>
<mi> </mi>
<mi>N</mi>
</mrow>
</msqrt>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>...</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中，N为分量剔除单元发送的所有本征模态函数分量组成的信号的长度，Ei为分量剔除单元发送的第i个本征模态函数分量的噪声强度，其中，
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msup>
<msub>
<mi>&sigma;</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mn>0.719</mn>
</mfrac>
<mo>*</mo>
<msup>
<mn>2.01</mn>
<mrow>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>...</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中，σ1为第一个本征模态函数分量的均方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410168189.5A CN105078505B (zh) | 2014-04-24 | 2014-04-24 | 生理信号处理方法及处理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410168189.5A CN105078505B (zh) | 2014-04-24 | 2014-04-24 | 生理信号处理方法及处理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105078505A CN105078505A (zh) | 2015-11-25 |
| CN105078505B true CN105078505B (zh) | 2018-01-23 |
Family
ID=54560481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410168189.5A Active CN105078505B (zh) | 2014-04-24 | 2014-04-24 | 生理信号处理方法及处理装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105078505B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199181A (zh) * | 2016-06-23 | 2016-12-07 | 华中科技大学 | 一种多相系统中信号流动态数据重构方法 |
| CN107577986B (zh) * | 2017-07-31 | 2021-07-06 | 来邦科技股份公司 | 一种呼吸与心跳分量提取方法、电子设备和存储介质 |
| CN107961005B (zh) * | 2017-11-07 | 2020-06-30 | 东南大学 | 少通道脑机接口eeg信号的特征提取方法 |
| CN107961429A (zh) * | 2017-11-28 | 2018-04-27 | 广州视源电子科技股份有限公司 | 睡眠辅助方法和系统、睡眠辅助装置 |
| CN108742697B (zh) * | 2018-05-29 | 2022-06-03 | 深圳市太空科技南方研究院 | 心音信号分类方法及终端设备 |
| CN109674454A (zh) * | 2018-11-20 | 2019-04-26 | 上海大学 | 基于希尔伯特变换的脉搏波传导速度测算方法 |
| CN110192892B (zh) * | 2019-05-08 | 2021-12-14 | 四川新源生物电子科技有限公司 | 一种无线肠鸣音分析仪 |
| CN110367986A (zh) * | 2019-06-25 | 2019-10-25 | 南京理工大学 | 基于ewt的呼吸信号近似熵特征提取方法 |
| CN112914502B (zh) * | 2019-12-05 | 2023-04-28 | 南京理工大学 | 基于ewt的肠动信号分离方法 |
| CN113345471B (zh) * | 2021-08-02 | 2021-11-02 | 深圳市医友天下科技有限公司 | 基于人工智能心音识别方法、终端和可读存储介质 |
| CN117357080A (zh) * | 2023-11-09 | 2024-01-09 | 河北地质大学 | 近红外光谱信号去噪方法及装置、终端设备、存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1103216A2 (en) * | 1999-11-24 | 2001-05-30 | HER MAJESTY THE QUEEN as represented by THE MINISTER OF NATIONAL DEFENCE OF HER MAJESTY'S CANADIAN GOVERNMENT | Method and device for measuring blood pressure and heart rate in an environment with extreme levels of noise and vibrations |
| CN102469978A (zh) * | 2009-07-07 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 呼气吸气信号的降噪 |
| CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012046158A1 (en) * | 2010-10-08 | 2012-04-12 | Koninklijke Philips Electronics N.V. | Processing of periodic physiological signals |
-
2014
- 2014-04-24 CN CN201410168189.5A patent/CN105078505B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1103216A2 (en) * | 1999-11-24 | 2001-05-30 | HER MAJESTY THE QUEEN as represented by THE MINISTER OF NATIONAL DEFENCE OF HER MAJESTY'S CANADIAN GOVERNMENT | Method and device for measuring blood pressure and heart rate in an environment with extreme levels of noise and vibrations |
| CN102469978A (zh) * | 2009-07-07 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 呼气吸气信号的降噪 |
| CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于三级滤波器的表面肌电信号降噪处理;雷培源等;《北京生物医学工程》;20110228;第30卷(第1期);第64页 * |
| 基于经验模态分解的小波阈值降噪方法研究;李振兴等;《计算机仿真》;20090930;第26卷(第9期);第325-327页 * |
| 经验模态分解中的模态混叠问题;胡爱军等;《振动、测试与诊断》;20110831;第31卷(第4期);第431页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105078505A (zh) | 2015-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105078505B (zh) | 生理信号处理方法及处理装置 | |
| CN109907752B (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护系统 | |
| CN101138507B (zh) | 多普勒血流声音信号的处理方法及装置 | |
| Gao et al. | Denoising nonlinear time series by adaptive filtering and wavelet shrinkage: a comparison | |
| Taebi et al. | Noise cancellation from vibrocardiographic signals based on the ensemble empirical mode decomposition | |
| CN110680308B (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
| CN102499694B (zh) | 用于消除血氧饱和度监测干扰的方法 | |
| Hao et al. | ECG baseline wander correction by mean-median filter and discrete wavelet transform | |
| Kumar et al. | Performance analysis of different filters for power line interface reduction in ECG signal | |
| Bhateja et al. | A composite wavelets and morphology approach for ECG noise filtering | |
| CN103845079B (zh) | 一种基于盲分离的多普勒胎心音瞬时心率的检测方法 | |
| CN107184187B (zh) | 基于DTCWT-Spline的脉搏波信号去噪处理方法 | |
| EP2753235A1 (en) | Electrocardiogram baseline removal | |
| Lin et al. | Wheeze recognition based on 2D bilateral filtering of spectrogram | |
| CN113397496B (zh) | 基于信噪比提高技术的脉搏波获取方法、系统及存储介质 | |
| TW201225912A (en) | Method for measuring physiological parameters | |
| CN104305992A (zh) | 一种交互式胎儿心电快速自动提取方法 | |
| CN111493821B (zh) | 一种基于modwt及中值滤波的ppg信号实时去噪方法 | |
| Yang et al. | Removal of pulse waveform baseline drift using cubic spline interpolation | |
| Patil et al. | New approach of threshold estimation for denoising ECG signal using wavelet transform | |
| RU2005141556A (ru) | Способ и система для анализа сердечно-сосудистых звуков | |
| Gradolewski et al. | The use of wavelet analysis to denoising of electrocardiography signal | |
| Bhogeshwar et al. | To verify and compare denoising of ECG signal using various denoising algorithms of IIR and FIR filters | |
| Fehér | Denoising ECG signals by applying discrete wavelet transform | |
| CN110881958A (zh) | 一种用于中医脉诊仪的脉搏信号非生理信号去除方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |