CN106021948B - 一种面向肠鸣音信号监护系统的信号处理方法 - Google Patents
一种面向肠鸣音信号监护系统的信号处理方法 Download PDFInfo
- Publication number
- CN106021948B CN106021948B CN201610371549.0A CN201610371549A CN106021948B CN 106021948 B CN106021948 B CN 106021948B CN 201610371549 A CN201610371549 A CN 201610371549A CN 106021948 B CN106021948 B CN 106021948B
- Authority
- CN
- China
- Prior art keywords
- signal
- borborygmus
- sound
- sound signal
- gurgling
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种面向肠鸣音信号监护系统的信号处理方法,在肠鸣音数据被传声器量化为采样率为Fs的数字信号后,经过自适应滤波算法处理,按窗口长度分段,每段信号应用快速傅立叶变换算法求出其信号频谱,该频谱将首先应用于强度检测;此后在待测频带内与中频谱模型作相关性检测分析,再被送入比较器和参考值相比,只有相关系数足够大的,才认为是肠鸣音信号在该数据窗口中出现,以输出结果“1”表示;反之则输出“0”,本发明还将据此给出RIM、IMF和AMT,用以评价受试者的肠道活动性情况。本发明用于可穿戴式人体肠鸣音信号监护系统,可以植入设备硬件,或置于医院监测服务器中,根据输入系统的肠鸣音信号,标记出受试者肠鸣音的出现位置,从而为医师对腹腔手术病人给予合理的术后康复护理提供技术支持。
Description
技术领域
本发明属于医疗监护设备的信号处理技术领域,涉及一种面向肠鸣音信号监护系统的信号处理方法。
背景技术
肠鸣音反映了人体消化道活动性的状态,为医生提供了重要的临床参考数据。对于经历过腹腔手术的病人来说,他们的肠道活动性是否恢复和何时恢复,决定了要对其采取怎样的术后护理和喂食方案。然而,现阶段通过判断病人肠鸣音的有无来检测病人肠道活动性的恢复状况,以及确定是要给病人提供营养液、流食还是固体食物,仍然依靠医师的主观经验,进行往往偏保守的估计。这既不利于主任医生为临床实习的医生提供即时教学指导,又不利于减少医院的运营成本,还增加了患者的护理时间和护理代价:特别是在医患关系紧张、医疗资源短缺的中国,这一问题显得更加尖锐而棘手。而诸如笨重的身体信号监测类仪器,又很大程度上限制了病人的活动。因而,为特定的病人引入可穿戴式医疗监测电子系统,将对术后医疗护理和医院的高效运转有着至关重要的作用。
目前,由于肠鸣音在时域波形、出现频度和持续时间上呈现出高度随机的特性,这方面的研究非常有限,与心音或者脑电图这样有规律可循的信号相比,对人体肠鸣音信号并不存在一整套成熟的处理和评价体系。
由人体采集的肠鸣音信号混有来自外部环境和皮肤摩擦的噪声,也会受到身体内部心肺音、脉搏和血液循环的干扰。这些声音信号和肠鸣音往往共享一部分频带,因而不能通过传统的频域滤波器去除,所以,在信号增强和降噪方面,自适应滤波、小波域滤波和径向基函数神经网络降噪等新方法常用于带内噪声消除。其中自适应滤波因具有较强的学习能力和方便的组织原理,使得该技术被用于分离心音和肠鸣音,以及助听器或听诊器的研究。
然而,现有对肠鸣音的自适应滤波降噪技术存在的问题主要有两点——其一是声电传感器采集到的肠鸣音混入的噪声至少有两个来源,即频带较宽的环境噪声,以及皮肤与传感器之间的摩擦和身体内部血液循环、呼吸等带来的噪声;现有的研究几乎均是将二者合在一起考虑,采集一路参考噪声信号,但由于噪声来源不一,性质有所差异,显然这种不把两路噪声分开处理的做法是不合适的。其二是由于肠鸣音信号本身的高度随机性,该信号的理想波形几乎难以构建,因而,采用传统的信噪比或谐波失真等信号处理中相当经典的物理量评价滤波质量并不现实,需要采用其他更直观、更方便的定量衡量方式。
在声音信号特征提取与建模方面,不少研究者都对肠鸣音的时频特性的提取有所贡献。肠鸣音的时域波形特征量包括抖动、闪烁偏差等统计特征;而包括平均频谱强度在内的频域特征也得到了越来越多的关注。然而,这些研究缺乏统一的数学模型来描述肠鸣音这种特殊信号的时频特性。涉及信号建模与合成方面的研究的确存在,但无论是从时域还是频域出发,它们也往往仅局限于心音、掌声、音乐声等时间规律性较强的信号。
贝叶斯算法、STFT(短时傅立叶变换)或Wigner-Ville分布常用于信号处理与分析,但是计算时间较长、空间复杂度消耗非常大,不适应穿戴式小型硬件的快速处理计算的需要,也难以应用于临床实践。另外,虽有根据处理后的肠鸣音为医生提供直接诊疗数据的先例,这些研究也依然采用主观性极强的肠道活动性评价,并没有客观识别、比对和标记肠鸣音的位置的定量方法。
发明内容
针对上述现有技术及其缺陷,本发明旨在提出一种面向肠鸣音信号监护系统的信号处理方法,具有操作简便、计算直接、降噪性能好、模型定量化的优点。
本发明是通过以下技术方案来实现:
一种面向肠鸣音信号监护系统的信号处理方法,包括以下操作:
1)自适应滤波模块接收声电传感器采集的肠鸣音信号xn、人体参考噪声nb和环境噪声ne,经一级自适应滤波处理将肠鸣音信号x、人体参考噪声nb中的环境噪声ne剥离,经二级自适应滤波处理将肠鸣音信号x中的人体参考噪声nb剥离,得到降噪信号yn;
2)以频带抑制比衡量一定频带内降噪信号yn质量的改善程度,所述的频带抑制比为有用信号频带内和无有用信号频带内信号平均功率谱密度的比值;频带抑制比越大表明信号降噪质量越好,频带抑制比(FBRR)满足设定值的降噪信号yn进行肠鸣音信号的提取;
3)将降噪信号yn将按窗口长度分段,每段信号应用快速傅立叶变换算法求出其信号频谱Yj,其中j为时间指标;将信号频谱Yj输入到强度检测单元进行强度检测,只有待测频带(FRoI)内相对频谱强度(RSI)大于给定阈值的数据段,才被认为存在有足够强的肠鸣音群信号,以进行相关系数检测;
4)相关系数检测是将信号频谱Yj在待测频带内与频谱模型X作相关性检测,进行相似程度分析,其相关系数的统计学表达式为
其中j为时间窗口指标;
5)将相关系数序列输入到滞回比较器与阈值tha、thb进行滞回比较,按时间指标增长时,相关系数大于tha才认为有肠鸣音信号,滞回比较器输出结果“1”;反之,相关系数必须小于等于thb认为这一组肠鸣音信号消失,滞回比较器输出结果“0”;
6)滞回比较器将每一段信号对应的相关系数向量量化为“0-1”标记的布尔序列并输出,布尔序列中连续3个或以上的连“1”,被认为是一个肠鸣音群信号,依时间指标标记肠鸣音出现的位置。
所述肠鸣音数据被传声器量化为采样率为Fs的数字信号后发送至自适应滤波模块,所述一级自适应滤波处理是将肠鸣音信号x、人体参考噪声nb作为输入信号分别输入到自适应滤波器IA、IB中,环境噪声ne作为参考噪声分别输入到自适应滤波器IA、IB中,采用自适应算法除去环境噪声ne;
所述二级自适应滤波处理是采用两个级联的自适应滤波器进行处理,自适应滤波器IIa的信号输入连接自适应滤波器IA的信号输出,参考噪声输入连接自适应滤波器IB的输出,自适应滤波器IIa的滤波输出、误差输出分别连接自适应滤波器IIb的信号输入、参考噪声输入,采用自适应算法除去人体参考噪声,自适应滤波器IIb滤波输出降噪信号yn。
在自适应滤波器中,误差信号通过自适应算法调整有限冲激响应自适应滤波器每一级对输入信号x延时并求和的权系数向量w,自适应算法则采用计算直接的最小均方误差(LMS)算法;
输入信号x在时域重复一次,取滤波器输出的后半段作为最后的输出信号y:
x=[xraw xraw]
y=yde(Fs·T+1:2Fs·T)
其中Fs为采样率,而T为采样时间;而xraw表示未降噪的输入信号,yde表示两级自适应滤波器的输出信号。
频带抑制比表示为:
对于肠鸣音信号,有用信号的频带包含正常音频峰和高调音频峰的区间,包括[160Hz,320Hz]∪[400Hz,650Hz];无用信号的频带为观测的频带区间减去有用信号的频带区间所得的集合;认为频带抑制比大于10dB的数据存在有足够强的肠鸣音群信号,对其相关系数检测。
所述的频谱模型表示为勒让德函数的广义傅立叶级数和:
其中,x表示归一化频率,即x与信号频率f间存在一一线性映射
对应关系为:
频谱模型表示肠鸣音信号的幅度谱的归一化对数值,同实际强度值之间也存在一一线性映射:
对应关系为:是勒让德函数,表示为:
fl表示广义傅立叶系数,由勒让德函数系的正交归一性导出为
其中S表示用于训练频谱模型的样本的归一化幅度谱,每段样本长60s并包含肠鸣音信号,每段样本频带抑制比大于10dB,每段样本将产生一组fl,所有的fl将按勒让德多项式子空间维度指标l取平均,作为最终的fl;
N表示用于拟合的次数最高的多项式的次数。
所述的阈值tha、thb一般根据线性相关的判定依据确定,thb大于0.6,而较大的tha在0.75~0.82之间。
所述的输出布尔序列每个数位代表尺度为1s的时间指标,以1标记该窗口中存在足够强的肠鸣音信号,而0表示该段样本中无符合处理要求的信号出现;所述输出的布尔序列还通过有线或无线的方式,发送到网络服务器上 进行肠鸣音的评估和显示,以供实时监测设备使用。
还根据所述的输出布尔序列,还将计算肠道相对活动性RIM、肠鸣音每分钟频度IMF与肠鸣音持续时间AMT:
IMF=连“1集群数目
该信号处理方法用于可穿戴式人体肠鸣音信号监护系统,或植入设备硬件,置于医院监测服务器中;根据输入系统的肠鸣音信号,在系统中标记出肠鸣音的出现位置。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供的面向肠鸣音信号监护系统的信号处理方法,采用两级自适应滤波,算法稳定,噪声消除效果更好;对健康受试者餐前1h内、餐后1h内和餐后2-3h的测试结果表明滤波算法性能稳定;而采用频带抑制比评价肠鸣音的降噪效果,即使没有标准无噪参考信号,也可以通过其数值大小定量反映信号质量的改善。
本发明提供的面向肠鸣音信号监护系统的信号处理方法,采用了勒让德函数为肠鸣音的频谱构建了定量模型,构造和拟合较为简便,易于在数字信号处理系统中实现。将肠鸣音信号以1s窗口分段做快速傅立叶变换,计算复杂度为O(n lg n),而空间复杂度为O(n2/Fs),小于STFT和WVD等方法的复杂度。
本发明提供的面向肠鸣音信号监护系统的信号处理方法,采用频谱的阈值检测和相关系数的滞回检测方法,结果鲁棒性较强,对正常受试者的测试结果表明,该方法对连续出现的肠鸣音群可以给出与依据人耳主观经验直接判断高度吻合的结果,并且具有零误判率和低漏判率。对肠鸣音的标记以“0-1” 的布尔序列输出,极大地方便了后续数字信号处理与硬件实现。
本发明提供的面向肠鸣音信号监护系统的信号处理方法,可用于可穿戴式人体肠鸣音信号监护系统(由病人佩戴于腹部),可以植入设备硬件,或置于医院监测服务器中,根据输入系统的肠鸣音信号,标记出受试者肠鸣音的出现位置,从而为医师对腹腔手术病人给予合理的术后康复护理提供技术支持;或者由值班医生(护士)管理数据,实现病房监护。将在术后护理和康复指导等方面极大程度上将医生解放出来,对于实现病人生理数据的自动检测和管理,增进病人的康复进程和医院的运营效率具有重要的现实意义。
附图说明
图1为肠鸣音监护系统中信号处理流程图;
图2为用于可穿戴肠鸣音监护系统的信号处理方法的流程图;
图3为两级结构自适应滤波器的原理示意图;
图4为第二级滤波器的级联示意图;
图5为滞回比较器的转移特性曲线;
图6为采用的单级自适应滤波器的行为级原理示意图;
图7为频谱模型被中线性归一化到[-1,1]区间内的频带示意图;
图8为肠鸣音信号的识别和输出结果示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参见图1、图2,本发明提供的面向肠鸣音信号监护系统的信号处理方法,其特征在于,包括以下操作:
1)自适应滤波模块接收声电传感器采集的肠鸣音信号xn、人体参考噪声nb和环境噪声ne,经一级自适应滤波处理将肠鸣音信号x、人体参考噪声nb中的环境噪声ne剥离,经二级自适应滤波处理将肠鸣音信号x中的人体参考噪声nb剥离,得到降噪信号yn;
2)以频带抑制比衡量一定频带内降噪信号yn质量的改善程度,所述的频带抑制比为有用信号频带内和无有用信号频带内信号平均功率谱密度的比值;频带抑制比越大表明信号降噪质量越好,频带抑制比(FBRR)满足设 定值的降噪信号yn进行肠鸣音信号的提取;
3)将降噪信号yn将按窗口长度分段,每段信号应用快速傅立叶变换算法求出其信号频谱Yj,其中j为时间指标;将信号频谱Yj输入到强度检测单元进行强度检测,只有待测频带(DFB)内相对频谱强度(RSI)大于给定阈值的数据段,才被认为存在有足够强的肠鸣音群信号,以进行相关系数检测;
4)相关系数检测是将信号频谱Yj在待测频带内与频谱模型S作相关性检测,进行相似程度分析;
5)将相关系数序列输入到滞回比较器与阈值tha、thb进行滞回比较,在按时间指标增长时,相关系数大于tha才认为有肠鸣音信号,滞回比较器输出结果“1”;反之,相关系数必须小于等于thb认为这一组肠鸣音信号消失,滞回比较器输出结果“0”;
6)滞回比较器将每一段信号对应的相关系数向量量化为“0-1”标记的布尔序列并输出,布尔序列中连续3个或以上的连“1”,被认为是一个肠鸣音群信号,依时间指标标记肠鸣音出现的位置。
具体来说,具有一定频带(定义为[f1,f2],例如[0,800Hz])的信号幅度谱Yj,其强度(对数值)需被归一化到[-1,1]区间,待测频带内归一化频谱强度的最大值与整个频带内归一化强度的差值被定义为相对频谱强度(RSI):
根据实际用3M听诊器采取的降噪之后的肠鸣音信号频谱分析可知,其阈值RSIth一般大于0.5,而小于1。
阈值tha、thb一般根据线性相关的判定依据确定,即一般相关系数大于0.6才认为有相关性,大于0.8有很强的相关性,所以这两个阈值一般也要大于0.6,而较大的tha一般在0.8左右;所以可以取tha≥0.75,具体取在0.75~0.82之间,0.7≥thb≥0.6。
下面分为三部分对本发明进一步详细的说明。
(1)肠鸣音信号的两步自适应滤波降噪
本发明采用自适应滤波作为降噪滤波器中的基本算法,或者采用小波域算法或径向基函数神经网络算法实现,其中自适应滤波为较优选择。
为分别考虑来自外部环境和人体本身的噪音信号,本发明采用了一种改进的两级结构自适应滤波器,其原理如图3所示。
这种滤波器需要两路参考噪声信号,一路为来自外部环境的参考噪声信号,可由传感器暴露在采集环境中获得;另一路为传声器接触人体皮肤(远离腹腔)的身体参考信号,它包括了血液流动、脉搏、摩擦等干扰,其中也混有环境噪声。
认为身体噪声和环境噪声是独立不相关的情况下,第一步滤波将主要去除来自外界环境的噪声,而第二步操作将剥离了环境噪声的肠鸣音信号和身体噪声信号再次送入自适应滤波器,得到最后的降噪信号。
具体采用两步结构的自适应滤波器,具有三路输入,分别为原始信号、身体参考噪声信号和环境噪声信号,用以对消采集肠鸣音信号中混入的两种不同来源的噪声。
在上述系统中,第一级滤波器I.A/B采用了单级自适应滤波器,而考虑到身体噪声比环境噪声强得多,第二级滤波器将级联两个同样结构的自适应滤波器以增强降噪效果,如图4所示。
所以二级滤波表述为:
所述肠鸣音数据被传声器量化为采样率为Fs的数字信号后发送至自适应滤波模块,所述一级自适应滤波处理是将肠鸣音信号x、人体参考噪声nb作为输入信号分别输入到自适应滤波器IA、IB中,环境噪声ne作为参考噪声分别输入到自适应滤波器IA、IB中,采用自适应算法除去环境噪声ne;
所述二级自适应滤波处理是采用两个级联的自适应滤波器进行处理,自适应滤波器IIa的信号输入连接自适应滤波器IA的信号输出,参考噪声输入连接自适应滤波器IB的输出,自适应滤波器IIa的滤波输出、误差输出分别连接自适应滤波器IIb的信号输入、参考噪声输入,采用自适应算法除去人体参考噪声,自适应滤波器IIb滤波输出降噪信号yn。
因肠鸣音时域波形、持续时间及统计特性上呈现高度随机性,无噪声标准信号难以构建,因而这里不能采用信噪比(SNR)等传统物理量衡量信号质量。为了评价对这种体音信号滤波结果的好坏,可引入频带抑制比(FBRR),表示有用频带信号相对无用频带内信号的增强程度,这一值越大表明信号降噪质量越好。在噪声不是很强、随频率变化不大,且可认为和信号相互独立(本应用中可作此近似)的情况下,频带抑制比定义为有用信号频带内和无有用信号频带内的信号平均功率谱密度(单位频率内的信号功率)之比:
肠鸣音信号虽然时域波形高度随机,但频带基本确定,其频谱呈现出明 显的频峰,并且频带之间还有间隙。对肠鸣音来说,其频峰按照频率从低到高主要分为气过水音、正常音、高调音和金属音等四种,有用信号的频带一般被定义为包含正常音频峰和高调音频峰的区间(人耳主要听到的最强的部分也是这两个频率范围),一般是强度大于10-5的区间,大约等于[160Hz,320Hz]∪[400Hz,650Hz],而无用信号的频带一般是观测的频带区间(比如[150Hz,1kHz])减去有用信号的频带区间所得的集合。经过两步自适应降噪后,带隙噪声已经变得比较弱,肠鸣音的频峰更加突出。因而可以用FBRR衡量无用信号被弱化的程度。认为频带抑制比大于10dB的数据存在有足够强的肠鸣音群信号,对其相关系数检测。
(2)已降噪肠鸣音的强度监测及频谱建模
肠鸣音数据被传声器量化为采样率为Fs的数字信号后,经过(1)中的自适应滤波算法处理,按窗口长度为1s分段。每一小段信号应用快速傅立叶变换算法(FFT)求出其信号频谱,该频谱(Yj,其中j为时间指标)将首先应用于强度检测,只有待测频带内频谱强度大于指定门限的数据段,才能被认为可能存在有足够强的肠鸣音群信号。强度检测单元将依频谱强度阈值确定待测频带内可能存在信号的数据段的位置。
此后,Yj在待测频带内与频谱模型X作相关性检测分析,衡量待测频带内每秒内的信号频谱和频谱模型的相似程度,其相关系数的统计学表达式为
其中j为时间窗口指标;
所述的已降噪肠鸣音的频谱建模如下:
肠鸣音数据在自适应滤波算法结束后,强度较强的气过水音、正常音和高调音这三个频峰被显著增强,而强度很弱的金属音频峰被弱化,甚至可以被忽略。为了实现肠鸣音的自动比对检测,需要采用基本函数构造肠鸣音频 谱的数学模型。
肠鸣音频谱的数学模型为勒让德函数所构成的广义傅立叶级数和,之所以采用该函数系作拟合模型,是因为考虑到肠鸣音强度和频带范围有限,而勒让德函数作为多项式函数又恰巧有[-1,1]上的定义域和值域,并且其正交归一性使得频谱参数可以唯一确定。其表述如下:
其中,x表示归一化频率,即x与信号频率f间存在一一线性映射
对应关系为:
而对于频谱模型它代表的是肠鸣音信号的幅度谱的归一化对数值,与上述的Yj类似,同实际强度值之间也存在一一线性映射
对应关系为:
Pl(x)是勒让德函数,它是二阶微分方程
(1-x2)P"-2xP'+l(l+1)P=0(l∈Ζ,x∈[-1,1])
的解,可以用罗德里格斯公式表示为
fl表示的是广义傅立叶系数,可以由勒让德函数系的正交归一性导出为
这一公式中S表示用于训练频谱模型的样本的归一化幅度谱,样本为采集于足够多的健康受试者,且降噪后频带抑制比要足够大,每段样本将产 生一组fl,所有的fl将按勒让德多项式子空间维度指标l取平均,作为最终的fl取值。
N表示用于拟合的次数最高的多项式的次数,一般小于20,但大于10,用以避免高阶抖动和数值计算误差引入的噪声。
(3)肠鸣音的检测与标记
一段时长为T(单位为s,并且为整数)肠鸣音数据将产生一个长度为T的相关系数向量。该向量中每一个元素将和另一阈值作比较(从行为级上看,即被送入比较器和参考值相比),只有相关系数足够大的,才认为是肠鸣音信号在该数据窗口中出现,以输出结果“1”表示;反之则输出“0”。
在实际的检测中,肠鸣音以集群出现,其强弱、长短组合毫无规律,亦存在极短暂的间歇,为了避免“假翻转”和“毛刺”的出现,提高判断结果的鲁棒性,硬件上需要采用施密特触发器,即在行为级上进行“滞回比较”。滞回比较器的转移特性曲线如图5所示。
即相关系数与两个阈值比较的方法是:按时间指标增长时,相关系数大于tha才认为有肠鸣音信号;反之,相关系数必须小于thb(thb≤tha)才认为这一组肠鸣音信号消失。这样滞回比较器就使用两个阈值,将每一段信号对 应的相关系数向量量化为布尔序列,以代表相应时间窗口内肠鸣音信号的有无。
两个阈值tha、thb一般根据线性相关的判定依据确定,即一般相关系数大于0.6才认为有相关性,大于0.8有很强的相关性,所以这两个阈值一般也要大于0.6,而较大的tha一般在0.8左右。
滞回比较器以“0-1”的布尔序列作为最后的输出,输出序列以1s为单位,以1标记该窗口中存在足够强的肠鸣音信号,而0表示该段样本中无符合处理要求的信号出现;结合时间指标标记肠鸣音出现的位置,以便于后续数字信号处理。
所述的布尔序列将用于计算肠鸣音的每分钟频度(IMF)、相对肠道活动性(RIM)和肠鸣音群持续时间(AMT):
IMF=连“1集群数目
下面给出具体的检测实施例。
具体的,可以采用3M Littmann 3200电子听诊器作为声电传感器,将其贴于人体右侧腹壁进行肠鸣音的采集实验。采集实验在安静的测试室内进行,室内所有窗户、电器均关闭,受试者身体放松,仰卧于台面上。采集人体噪声时可以将听诊器贴于胳膊或手心,将其用来预测来自人体的参考噪声nb;而环境噪声ne可以将电子听诊器暴露在测试室内获得。为了采集到更多高频的声音,抑制低频噪声(尤其是测试电路存在的闪烁噪声),电子听诊器被置于diaphragm滤波器模式。算法的操作和数据处理可以在MATLAB软件中完成。
在算法中采用的单级自适应滤波器的行为级原理如图6所示,yde(n)为滤波器输出。
在滤波器中,误差信号通过自适应算法调整有限冲激响应滤波器每一级对x延时并求和的权系数向量w,自适应算法则采用计算直接的最小均方误差(LMS)算法。
注意到滤波器在信号开始时需要时间自学习调整自身参数以达到稳定的输出,因而信号x可以在时域重复一次,取滤波器输出的后半段作为最后的输出信号y:
x=[xraw xraw]
y=yde(Fs·T+1:2Fs·T)
其中Fs为采样率,而T为采样时间;而xraw表示未降噪的输入信号,yde表示两级自适应滤波器的输出信号。
计算频带抑制比(FBRR)时,由于3M听诊器采集到的信号频谱中,100Hz以下的频率分量已经很强,并且远超过正常音和高调音,自适应滤波器对其消噪后强度几乎不变,故计算时可只考虑100Hz以上的频率范围。3M听诊器的采样率为4000,即无用信号频带上限是2kHz。有用信号频带本应由信号强度判定(例如10-5,对于这种采集方式来说大约对应于FD=[160Hz,320Hz]∪[400Hz,650Hz]),但顾及到方便以及计算复杂度,并且听诊器有时不能紧贴腹壁会使得信号强度偏弱,可以用FD代替有用信号频带。
在MATLAB处理意义下,FBRR的计算公式应调整为
采集和观测一定健康受试者(集合记为M)的肠鸣音信号后,在利用降噪算法对所有信号进行滤波和幅度谱(对数值)归一化后,可随机抽取他们之中若干人(集合记为Q,人数不小于8)的样本(对3M电子听诊器来说,每段样本最长为60s,而每人至少保证有50组FBRR不小于于10dB的样本)用来训练频谱模型
对于N的取值,一般不会大于30,若太小,则拟合精度太低,与原信号频谱的均方误差很大,若太大,则计算复杂度过高且占用较大的存储空间,并且难以避免高阶噪声和抖动。一个可取的N为17。
考虑到如果忽略肠鸣音中的金属音分量,则信号的频带位于[0,800Hz]之内,之后的计算中也采用这个区间作为信号的观测频带范围。
一组对健康受试者的测试和统计给出了频谱模型中广义傅立叶系数fl的一组可取值,如下所示:
指标l | 0 | 1 | 2 | 3 | 4 | 5 |
fl | -0.2508 | -0.7089 | 0.1051 | -0.3099 | -0.0834 | 0.2360 |
指标l | 6 | 7 | 8 | 9 | 10 | 11 |
fl | 0.5002 | -0.1193 | 0.6598 | 0.1079 | 0.2601 | 0.0982 |
指标l | 12 | 13 | 14 | 15 | 16 | 17 |
fl | -0.0215 | -0.0588 | 0.1561 | 0.0444 | 0.0895 | 0.0017 |
与之对应的用勒让德函数级数和构成的频谱模型如下,其中线性归一化到[-1,1]区间内的频带对应于[0,800Hz],如图7所示。
对降噪后的肠鸣音信号进行按1s窗口分段FFT及强度检测操作。注意到来自集合Q的受试者的数据已经被用来为肠鸣音信号频谱建模,因而这里选取的已降噪肠鸣音信号应当来自于集合M\Q。在观测中发现,随着人体消化进程的推进,频谱中正常音的相对强度变化较大,而高调音相对稳定,故可以定义DFB为高调音所占频带,即约为[400Hz,650Hz]。在该待测频带内, 一个可选的相对频谱强度阈值RSIth为0.5。由于一般相关系数大于0.6才认为有较大相关性,信号频谱和模型频谱之间的相关系数的滞回比较阈值相差不会太大,这里给出一组可选的参考阈值为0.67和0.77。
在这一实际应用例中,即便采用滞回比较,可能还会因为听诊器与皮肤之间贴合不够紧密,或者采集时手或身体发抖,从而导致输出的布尔序列仍带有毛刺。相比之下,虽然[400Hz,650Hz]的频峰强度较为稳定,但[160Hz,320Hz]的频峰形貌相对受到这些杂散干扰的影响更小,因此可以再对输出布尔序列进行修正:即若
但若
则仍将输出序列中的“0”改为“1”。
输出的“0-1”序列中,连续3个或以上的连“1”,被认为是一个肠鸣音群信号。例如一段16秒的输入信号产生输出序列为0111110010001111(7C8F),则认为算法识别出待判断信号中出现了两次持续的肠鸣音群。将其与人耳经验听取到的肠鸣音信号相对比,如第2-6s内无肠鸣音信号,则认为算法发生一次误判;而如第2-6s内有肠鸣音信号,此信号群也可以延伸到6s时间之后,只要不与下一次肠鸣音群相连,均认为该肠鸣音群被正确识别。
根据最终输出的布尔序列,可以计算RIM、NBS和AMT,这三项数据可以随该序列一同用于后续信号处理。
一例对受试者1min内肠鸣音信号的识别和输出结果如图8所示。
若用人耳经验判断肠鸣音出现的次数(记作IMFA)将其与算法输出的 IMF作对比,对4名健康男性受试者任取6例不同消化状态下的60s肠鸣音信号样本(其中饭前1h内、饭后1h内、饭后2-3h各2例,依次序排列)的测试结果如下表所示:
以上给出的实施例是实现本发明较优的例子,本发明不限于上述实施例。本领域的技术人员根据本发明技术方案的技术特征所做出的任何非本质的添加、替换,均属于本发明的保护范围。
Claims (6)
1.一种面向肠鸣音信号监护系统的信号处理方法,其特征在于,包括以下操作:
1)自适应滤波模块接收声电传感器采集的肠鸣音信号xn、人体参考噪声nb和环境噪声ne,经一级自适应滤波处理将肠鸣音信号x、人体参考噪声nb中的环境噪声ne剥离,经二级自适应滤波处理将肠鸣音信号x中的人体参考噪声nb剥离,得到降噪信号yn;
肠鸣音数据被传声器量化为采样率为Fs的数字信号后发送至自适应滤波模块,所述一级自适应滤波处理是将肠鸣音信号x、人体参考噪声nb作为输入信号分别输入到自适应滤波器IA、IB中,环境噪声ne作为参考噪声分别输入到自适应滤波器IA、IB中,采用自适应算法除去环境噪声ne;
所述二级自适应滤波处理是采用两个级联的自适应滤波器进行处理,自适应滤波器IIa的信号输入连接自适应滤波器IA的信号输出,参考噪声输入连接自适应滤波器IB的输出,自适应滤波器IIa的滤波输出、误差输出分别连接自适应滤波器IIb的信号输入、参考噪声输入,采用自适应算法除去人体参考噪声,自适应滤波器IIb滤波输出降噪信号yn;
2)以频带抑制比衡量频带内降噪信号yn质量的改善程度,所述的频带抑制比为有用信号频带内和无有用信号频带内信号平均功率谱密度的比值;频带抑制比越大表明信号降噪质量越好,频带抑制比满足设定值的降噪信号yn进行肠鸣音信号的提取;
频带抑制比表示为:
对于肠鸣音信号,有用信号的频带包含正常音频峰和高调音频峰的区间,包括[160Hz,320Hz]∪[400Hz,650Hz];无用信号的频带为观测的频带区间减去有用信号的频带区间所得的集合;认为频带抑制比大于10dB的数据存在有肠鸣音群信号,对其相关系数检测;
3)将降噪信号yn将按窗口长度分段,每段信号应用快速傅立叶变换算法求出其信号频谱Yj,其中j为时间指标;将信号频谱Yj输入到强度检测单元进行强度检测,只有待测频带内相对频谱强度大于给定阈值的数据段,才被认为频带抑制比大于10dB的数据存在有肠鸣音群信号,以进行相关系数检测;
4)相关系数检测是将信号频谱Yj在待测频带内与频谱模型作相关性检测,进行相似程度分析,其相关系数的统计学表达式为:
其中j为时间窗口指标;
所述的频谱模型表示为勒让德函数的广义傅立叶级数和:
其中,x表示归一化频率,即x与信号频率f间存在一一线性映射
f:[f1,f2]αx:[-1,1]
对应关系为:
频谱模型表示肠鸣音信号的幅度谱的归一化对数值,同实际强度值之间也存在一一线性映射:
I:[lg|I|min,lg|I|max]αY:[-1,1]
对应关系为:
Pl(x)是勒让德函数,表示为:
fl表示广义傅立叶系数,由勒让德函数系的正交归一性导出为
其中S表示用于训练频谱模型的样本的归一化幅度谱,每段样本长60s并包含肠鸣音信号,每段样本频带抑制比大于10dB,每段样本将产生一组fl,所有的fl将按勒让德多项式子空间维度指标l取平均,作为最终的fl;
N表示用于拟合的次数最高的多项式的次数;
5)将相关系数序列输入到滞回比较器与阈值tha、thb进行滞回比较,按时间指标增长时,相关系数大于tha才认为有肠鸣音信号,滞回比较器输出结果“1”;反之,相关系数必须小于等于thb才认为这一组肠鸣音信号消失,滞回比较器输出结果“0”;
6)滞回比较器将每一段信号对应的相关系数向量依据相对频谱强度量化为“0-1”标记的布尔序列并输出,布尔序列中连续3个或以上的连“1”,被认为是一个肠鸣音群信号,依时间指标标记肠鸣音出现的位置。
2.如权利要求1所述的面向肠鸣音信号监护系统的信号处理方法,其特征在于,在自适应滤波器中,误差信号通过自适应算法调整有限冲激响应自适应滤波器每一级对输入信号x延时并求和的权系数向量w,自适应算法则采用计算直接的最小均方误差算法;
输入信号x在时域重复一次,取滤波器输出的后半段作为最后的输出信号y:
x=[xraw xraw]
y=yde(Fs·T+1:2Fs·T)
其中Fs为采样率,而T为采样时间;而xraw表示未降噪的输入信号,yde表示两级自适应滤波器的输出信号。
3.如权利要求1所述的面向肠鸣音信号监护系统的信号处理方法,其特征在于,所述的阈值tha、thb根据线性相关的判定依据确定,0.7≥thb≥0.6,tha在0.75~0.82之间。
4.如权利要求1所述的面向肠鸣音信号监护系统的信号处理方法,其特征在于,所述的输出布尔序列每个数位代表尺度为1s的时间指标,以1标记该窗口中存在频谱强度大于给定阈值的肠鸣音信号,而0表示该段样本中无符合处理要求的信号出现;
所述输出的布尔序列还通过有线或无线的方式,发送到网络服务器上进行肠鸣音的评估和显示,以供实时监测设备使用。
5.如权利要求1所述的面向肠鸣音信号监护系统的信号处理方法,其特征在于,还根据所述的输出布尔序列,还将计算肠道相对活动性RIM、肠鸣音每分钟频度IMF与肠鸣音持续时间AMT:
IMF=连“1集群数目
6.如权利要求1所述的面向肠鸣音信号监护系统的信号处理方法,其特征在于,该信号处理方法用于可穿戴式人体肠鸣音信号监护系统,或植入设备硬件,置于医院监测服务器中;根据输入系统的肠鸣音信号,在系统中标记出肠鸣音的出现位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610371549.0A CN106021948B (zh) | 2016-05-30 | 2016-05-30 | 一种面向肠鸣音信号监护系统的信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610371549.0A CN106021948B (zh) | 2016-05-30 | 2016-05-30 | 一种面向肠鸣音信号监护系统的信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021948A CN106021948A (zh) | 2016-10-12 |
CN106021948B true CN106021948B (zh) | 2018-10-23 |
Family
ID=57092607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610371549.0A Active CN106021948B (zh) | 2016-05-30 | 2016-05-30 | 一种面向肠鸣音信号监护系统的信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021948B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106539595B (zh) * | 2016-12-20 | 2022-07-26 | 华南理工大学 | 一种提升肠鸣音区分度的主动多点肠蠕动监测装置 |
CN107693043B (zh) * | 2017-08-18 | 2019-10-11 | 中国人民解放军总医院 | 肠鸣音信号的非线性动力学分析方法 |
CN108175436A (zh) * | 2017-12-28 | 2018-06-19 | 北京航空航天大学 | 一种肠鸣音智能自动识别方法 |
CN107961032B (zh) * | 2018-01-04 | 2020-06-23 | 哈尔滨工业大学 | 基于听诊器阵列预校正的肠鸣音时域提取方法 |
TWI646942B (zh) | 2018-02-06 | 2019-01-11 | 財團法人工業技術研究院 | 肺音監測裝置及肺音監測方法 |
CN110334562B (zh) * | 2018-03-30 | 2022-10-28 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN109805954B (zh) * | 2019-01-23 | 2021-09-14 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的摩擦音干扰自动消除方法 |
CN110037733B (zh) * | 2019-04-01 | 2024-04-02 | 四川大学华西医院 | 一种便携式程控无线体音监测系统 |
CN110051380B (zh) * | 2019-06-05 | 2023-03-31 | 南京清科信息科技有限公司 | 对人体状态进行连续实时监测的系统和方法 |
CN114584908B (zh) * | 2022-03-04 | 2023-12-01 | 科大讯飞股份有限公司 | 助听器的声学测试方法、装置以及设备 |
CN116052725B (zh) * | 2023-03-31 | 2023-06-23 | 四川大学华西医院 | 一种基于深度神经网络的细粒度肠鸣音识别方法及装置 |
CN117159019B (zh) * | 2023-11-03 | 2024-01-23 | 首都医科大学宣武医院 | 一种基于肠鸣音的监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1465016A (zh) * | 2001-07-04 | 2003-12-31 | 索尼株式会社 | 频率分析方法和设备,频谱扩展解调方法和设备 |
CN102222911A (zh) * | 2011-04-19 | 2011-10-19 | 哈尔滨工业大学 | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 |
CN203619583U (zh) * | 2013-10-21 | 2014-06-04 | 重庆市长寿区世才科技有限公司 | 肠鸣音采集监护装置 |
CN105105783A (zh) * | 2015-07-15 | 2015-12-02 | 中国人民解放军成都军区总医院 | 便携式医用肠鸣音分析、储存、播放系统 |
-
2016
- 2016-05-30 CN CN201610371549.0A patent/CN106021948B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1465016A (zh) * | 2001-07-04 | 2003-12-31 | 索尼株式会社 | 频率分析方法和设备,频谱扩展解调方法和设备 |
CN102222911A (zh) * | 2011-04-19 | 2011-10-19 | 哈尔滨工业大学 | 基于ar模型和卡尔曼滤波的电力系统间谐波估计方法 |
CN203619583U (zh) * | 2013-10-21 | 2014-06-04 | 重庆市长寿区世才科技有限公司 | 肠鸣音采集监护装置 |
CN105105783A (zh) * | 2015-07-15 | 2015-12-02 | 中国人民解放军成都军区总医院 | 便携式医用肠鸣音分析、储存、播放系统 |
Non-Patent Citations (6)
Title |
---|
Enhancing Bowel Sounds by Using a Higher Order Statistics-Based Radial Basis Function Network;Bor-Shyh Lin等;《IEEE Journal of Biomedical & Health Informatics》;20130531;第17卷(第3期);全文 * |
ICA 在肠鸣音信号处理中的应用研究;张和华等;《中国医学物理杂志》;20091130;第26卷(第6期);全文 * |
Research on auto-identification method to the typical bowel sound signal;Min Li等;《International Conference on Biomedical Engineer and Informatics》;20111231;全文 * |
肠鸣音信号的自适应滤波及其特征提取方法研究;张和华等;《中国医学物理学杂志》;20090531;第26卷(第3期);全文 * |
肠鸣音的小波域滤波方法;张细政等;《湖南工程学院学报》;20110331;第21卷(第1期);全文 * |
肠鸣音的检测分析及其应用进展;张和华等;《生物医学工程学杂志》;20090831;第26卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106021948A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021948B (zh) | 一种面向肠鸣音信号监护系统的信号处理方法 | |
Taplidou et al. | Wheeze detection based on time-frequency analysis of breath sounds | |
Islam et al. | Multichannel lung sound analysis for asthma detection | |
US7640055B2 (en) | Self-adaptive system for the analysis of biomedical signals of a patient | |
Hadjem et al. | An ECG monitoring system for prediction of cardiac anomalies using WBAN | |
Moussavi | Fundamentals of respiratory sounds and analysis | |
Chourasia et al. | A novel approach for phonocardiographic signals processing to make possible fetal heart rate evaluations | |
Nabar et al. | GeM-REM: Generative model-driven resource efficient ecg monitoring in body sensor networks | |
CN106580262A (zh) | 心电图中实时qrs持续时间的测量 | |
Pouyani et al. | Lung sound signal denoising using discrete wavelet transform and artificial neural network | |
EP3329845A1 (en) | Biological condition determination device and biological condition determination method | |
Lee et al. | Electrocardiogram and phonocardiogram monitoring system for cardiac auscultation | |
CN104581516A (zh) | 一种医学声信号的双麦克风消噪方法及装置 | |
CN112545547A (zh) | 呼吸音分析方法及呼吸音分析系统 | |
CN110037733B (zh) | 一种便携式程控无线体音监测系统 | |
Mandal et al. | Low cost portable solution for real-time complete detection and analysis of heart sound components | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Chen et al. | Towards Remote Auscultation with Commodity Earphones | |
Irimia et al. | Magnetogastrographic detection of gastric electrical response activity in humans | |
Noh et al. | Implementation of unconstrained ballistocardiogram monitoring system for ubiquitous healthcare | |
JP2023527742A (ja) | 複数の生体信号を監視するためのシステム及び方法、並びそのシステムにおいて動作可能なゲートウェイ・デバイス | |
KH et al. | Wearable ECG electrodes for detection of heart rate and arrhythmia classification | |
US20230210489A1 (en) | Extended auscultation device | |
Dastidar et al. | Preprocessing of the electrocardiogram signal for a patient parameter monitoring system | |
Seo et al. | Implementation of Glove-Type Wearable Healthcare System for Heartrate Measurement During Daily Life. |
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 |