CN106054611A - 基于无模型自适应预测控制的心电基线漂移抑制方法 - Google Patents

Abstract

本发明公开了一种基于无模型自适应预测控制算法的心电基线漂移抑制方法，实现过程为首先预设了期望的输出这里选择无基线漂移的数据作为期望输出，就是基线值为0。然后使用改进后无模型自适应预测控制算法计算出输入控制信号Δu(k)，接着对伪偏导数进行预测估计与辨识，最后根据伪偏导数构建A1矩阵，进而构建出控制系统。通过控制信号，作用于构建的系统，达到抑制心电基线漂移的效果。本发明对于在心电采集过程中，对心电基线漂移的抑制，是一种非常有意义的创新方法，方法通用性强，速度快，效果好。

Description

基于无模型自适应预测控制的心电基线漂移抑制方法

技术领域

本发明涉及医疗器械领域，尤其是一种改进后的，基于无模型自适应预测控制算法的心电基线漂移抑制方法。

背景技术

心电图(electrocardiogram,ECG)是心脏活动相关的电位变化图,它是医生诊断疾病的一种现代技术,尤其在确诊和鉴别各种心律失常方面,心电图诊断方法较其他诊断方法都可靠。由于ECG和绝大多数的生物医学信号一样,都是信嗓比很低的微弱信号,往往混有很强的背景噪声,主要的嗓声为工频干扰、肌电干扰、基线漂移等,在各种噪声中对信号影响最大的是基线漂移嗓声。因此,在ECG检测识别过程中,首先消除基线漂移。基线漂移是因呼吸、肢体活动或运动心电图测试所引起的,故这样使得ECG信号的基准线呈现上下漂移的情况。它是一种缓慢变化的低频信号。为了消除基线漂移的干扰,国内外已提出并应用了许多方法。滤波法和拟合基漂法是去除心电基线漂移的两类主要方法。包括了中值滤波、FIR滤波、小波变换等去除基漂的滤波方法。这些方法已经很多次的应用在了去除心电基线漂移的实验中：

(a)中值滤波：中值滤波去除基漂的一般流程是：含有基漂的ECG信号S通过窗宽为200ms的中值滤波器,得到去除了QRS波和P波的信号S1。S1通过窗宽为600ms的中值滤波器,则T波也被剔除,最终得到基漂干扰S2。

(b)FIR滤波:N阶FIR滤波器在Z平面内有N个零点,其收敛域总是包括单位圆,因此FIR滤波器总是稳定的。系数对称的FIR滤波器能够保持线性相位,这是ECG除噪所需要的,但需注意N阶偶对称或奇对称的FIR滤波器有N/2点延时。FIR滤波的原理简单、无累积误差,适于实时场合,但幅频失真一般比较明显。

(c)小波变换:信号的小波变换相当于信号在不同尺度的带通和低通滤波,可分解得到信号的逼近分量和细节分量。基线漂移主要为低频分量,在小波重构的过程中,只要将高尺度的逼近分量置零,就得到了去除基漂的信号。在信号采样频率一定的情况下,对于某一确定小波,其不同尺度下的频率中心和窗宽都是确定的,由此可确定去除基线漂移的小波变换的最佳分解尺度。

这些方法各有优点，但都是对得到的心电数据进行的优化处理，虽然各有优点，却也有对应的限制。

发明内容

本发明的目的在于克服上文中提到的现有方法的缺点和不足，提出了一种基于无模型自适应预测控制的心电基线漂移抑制方法，在采集心电的过程中，就行预处理的去除掉心电的基线噪声，旨在为将来发展的可穿戴，移动医疗设备等提供良好的理论和应用基础。

为实现上述目的，本发明所采用的技术方案是：

一种基于无模型自适应预测控制的心电基线漂移抑制方法，其特征在于，包括步骤：

(a)设置所期望的输出

(b)根据无模型自适应控制算法控制准则计算控制输入信号Δu(k)；

(c)伪偏导数的预测估计与辨识；

(d)根据伪偏导数构建A1矩阵，进而构建控制系统。

进一步的，步骤(a)中选择无基线漂移的数据作为期望输出，就是基线值为0。

进一步的，步骤(b)中的预测模型为：

其中Δu(k)＝u(k)-u(k-1)；

是K+1时刻的期望输出，y(k)是系统k时刻的实际输出，u(k)是k时刻的实际输入，u(k-1)是k-1时刻的实际输入，控制的目的是在k时刻对系统施加控制u(k)，希望k+1时刻的输出期望为

进一步的，步骤(b)中引入时间滞后常数τ，将带时间滞后常数τ的两组输入值之间的变化率，作为输入准则函数中的一个重要的约束，公式为：

$\mathrm{\Δ}u\left(k\right)={\[\frac{\left(u\right(k)-u(k-1-\mathrm{\τ}\left)\right)}{T}\]}^2.$

进一步的，步骤(c)采用改进后的输入准则函数，改进后的伪偏导数为：

其中，μ>0是权重因子，0<η≤1是步长因子，然后根据预测方法，对伪偏导数进行预测。

进一步的，步骤(d)中，A1包含系统中的通过构建的A1矩阵，构建控制系统。

附图说明

图1为心电系统控制图；

图2为方法实施流程图；

图3为预测的心电基线和原始心电基线以及控制输入信号；

图4为原始心电信号和抑制基线漂移后的心电信号；

图5为伪偏导数的预测值。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

图1为心电系统控制图，用无模型自适应系统MFAC算法的参数输出控制信号，作用心电系统，达到去心电基线的效果，返回的实际输出与期望输出差值，来进行反馈调节，保证心电去基线的精确性。

一种基于无模型自适应预测控制方法的心电基线漂移抑制方法，具体实施流程如图2所示，实现步骤如下：

(a)设置所期望的输出

作为期望输出，是因为理想的去基线效果就是基线漂移都没有。

(b)根据无模型自适应控制算法控制准则计算控制输入信号Δu(k):

一般的预测模型：

其中

是K+1时刻的期望输出，y(k)是系统k时刻的实际输出，u(k)是k时刻的实际输入，u(k-1)是k-1时刻的实际输入，控制的目的是在k时刻对系统施加控制u(k)，希望k+1时刻的输出期望为

此处，本发明将引入一个时间滞后常数τ，将带时间滞后常数τ的两组输入值之间的变化率，作为输入准则函数中的一个重要的约束。在原方法的基础上，来增加系统的稳定性，抗干扰和提升系统的跟踪性，达到去噪的精确性。如下所示：

$\mathrm{\&Delta;}u\left(k\right)={\&lsqb;\frac{\left(u\right(k)-u(k-1-\mathrm{\&tau;}\left)\right)}{T}\&rsqb;}^2$

(c)伪偏导数的预测估计与辨识：

采用改进后的输入准则函数，改进后的伪偏导数为：

其中，μ>0是权重因子，0<η≤1是步长因子。然后根据预测方法，对伪偏导数进行预测。

(d)A1包含系统中的通过构建的A1矩阵，构建控制系统。

通过构建的系统，运用输入控制信号的作用，得到实际的输出。调节的效果在于对输入控制信号的调节和伪偏导数的估计。通过实际的输出和期望输出的相差效果，差值反馈作用于输入控制信号，自适应的调节达到最佳的输出效果。其中，预测的心电基线和原始心电基线以及控制输入信号如图3所示，原始心电信号和抑制基线漂移后的心电信号如图4所示，伪偏导数的预测值如图5所示。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于无模型自适应预测控制的心电基线漂移抑制方法，其特征在于，包括步骤：

(a)设置所期望的输出

(b)根据无模型自适应控制算法控制准则计算控制输入信号Δu(k)；

(c)伪偏导数的预测估计与辨识；

(d)根据伪偏导数构建A1矩阵，进而构建控制系统。

2.根据权利要求1所述的方法，其特征在于：步骤(a)中选择无基线漂移的数据作为期望输出，就是基线值为0。

3.根据权利要求1所述的方法，其特征在于：步骤(b)中的预测模型为：

其中Δu(k)＝u(k)-u(k-1)；

是K+1时刻的期望输出，y(k)是系统k时刻的实际输出，u(k)是k时刻的实际输入，u(k-1)是k-1时刻的实际输入，控制的目的是在k时刻对系统施加控制u(k)，希望k+1时刻的输出期望为

4.根据权利要求1所述的方法，其特征在于：步骤(b)中引入时间滞后常数τ，将带时间滞后常数τ的两组输入值之间的变化率，作为输入准则函数中的一个重要的约束，公式为：

$\mathrm{\&Delta;}u\left(k\right)={\&lsqb;\frac{\left(u\right(k)-u(k-1-\mathrm{\&tau;}\left)\right)}{T}\&rsqb;}^2.$

5.根据权利要求1所述的方法，其特征在于：步骤(c)采用改进后的输入准则函数，改进后的伪偏导数为：

其中，μ>0是权重因子，0<η≤1是步长因子。然后根据预测方法，对伪偏导数进行预测。

6.根据权利要求1所述的方法，其特征在于：步骤(d)中，A1包含系统中的通过构建的A1矩阵，构建控制系统。