CN107850460A - 从被干扰污染的数据中检测信号的自适应方法和系统 - Google Patents

Abstract

本文描述了用于在嘈杂的环境中自适应地检测期望信号S(n)的一种系统和方法的各种实施例：获取一个包含期望信号和来自于共同噪声源的噪声和干扰中的至少一个，一个包含来自于所述共同噪声源的噪声的一个版本和/或所述干扰的一个版本的辅助信号；以及在处理单元定义至少一个信号特征，定义噪声和干扰分量对应于噪声和/或干扰以及所述噪声的版本和/或所述干扰的版本，并估计它们的强度。利用所述的至少一个信号特征及其相应的强度来估计期望的信号，并利用所述的分量及其相应的强度来估计噪声和/或干扰分量。

Description

从被干扰污染的数据中检测信号的自适应方法和系统

相关申请的交叉引用

本申请要求2015年3月13日提交的美国临时专利申请第62/132,903号的权益，第62/132,903号申请的全部内容在此通过引用并入本申请。

技术领域

本文描述了在各种不同应用中可用来检测微弱信号或被噪声和/或干扰所污染的信号的一种装置及方法的各种实施例。

背景技术

在许多应用中需要能可靠地检测微弱的信号或者因噪声和/或干扰而失真的信号的能力。通常，信号相对于噪声及其它类型失真的质量可用信噪比(SNR)表示。低SNR可能意味着感兴趣的信号可能强烈失真，使用常规技术可能难以检测这类信号。

例如，医学应用中，许多生理相关的信号可能比记录这些信号时捕获到的背景噪声和信号伪迹要微弱。换言之，这些生理相关信号的SNR低。由于诸如噪声及信号伪迹所带来的失真，与检测本质上微弱的信号可靠性相关联的难度和挑战性因而较高。相应地，就需要有能支持高效地检测本质上微弱或高度失真信号的系统和方法。在医疗应用中，也希望以对病人最低程度的侵入性和最低程度的不适感来这样做。

发明内容

在一个广泛的方面，本文通过对至少一个实施例的描述，提供了一个从嘈杂的环境中检测期望信号S(n)的自适应方法，该方法包括：获得主信号Z(n)，所述主信号Z(n)包含期望信号S(n)和来自于一个共同噪声源的噪声和干扰V(n)中的至少一个；获得辅助信号Y(n)，所述辅助信号Y(n)包含来自于所述共同噪声源的噪声的一个版本和干扰信号的一个版本中的至少一个；以及在处理单元：生成一个特征数据集合，具有至少一个信号特征元素用于定义期望信号的至少一个特征；生成噪声及干扰分量，其对应于所述噪声和干扰的V(n)中的至少一个以及所述噪声的至少一个版本和所述干扰的版本Y(n)；以及利用所述至少一个信号特征及其相应的特征强度、所述至少一个噪声和干扰V(n)分量及其相应的强度以及所述噪声的至少一个版本和所述干扰的版本的Y(n)分量及其相应的强度估计期望信号S(n)。

至少在某些实施例中，此方法还可以包括使用准卡尔曼滤波器来估计强度和期望信号，通过：定义一个观测矩阵H(n)，此矩阵包含至少一个信号特征元素、至少一个、噪声和干扰V(n)分量的数值以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的数值；定义一个状态向量X(n),其包含至少一个信号特征的强度、所述至少一个噪声和干扰V(n)分量的模型参数以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的模型参数；定义一个关于X(n)的状态方程，基于前一时间点X(n-1)和噪声u(n-1)的组合；以及使准卡尔曼滤波器来估计状态和模型参数。

在至少一些实施例中，该方法还可以包括：定义一个时变信号特征矩阵F(n)，所述信号特征矩阵中的元素的线性组合构成了主信号Z(n)中的期望信号S(n)；定义一个时变噪声干扰数据矩阵，所述噪声和干扰矩阵中的元素的线性组合构成主信号Z(n)中的噪声和干扰成分V(n)；以及定义一个观测矩阵H(n)，此观测矩阵包含F(n)、Y(n)和V(n)，以及用于描述主信号Z(n)的观测方程式，在此方程式中Z(n)被表述为状态向量的元素的线性组合。

在至少一些实施例中，该方法还可以包括用估计的状态向量和所述特征矩阵的线性组合构建信号分量波形。

在至少一些实施例中，该方法还可以包括用估计的状态向量和噪声及干扰矩阵的线性组合构建干扰分量的波形。

在至少一些实施例中，该方法还可以包括利用辅助信号的实时数据以及利用估计的状态向量来更新噪声和干扰矩阵分量，从而实现自适应滤波。

在至少一些实施例中，该方法还可以包括基于待测的期望信号，利用解析公式、查找表格或具有特定性质的实际记录来生成至少一个信号特征。

在至少一些实施例中，该方法还可以包括通过一个线性系统将所述噪声和干扰分量V(n)的分量中的至少一个，以及所述噪声的一个版本和所述干扰的一个版本Y(n)的分量的至少一个联系起来。

在至少一些实施例中，该方法还可以包括利用时变自回归移动平均(Autoregressive Moving Average,ARMA)模型来定义所述线性系统。

在至少一些实施例中，该方法可包括利用来自辅助信号的噪声和干扰的时间函数、数据，和/或利用所述处理单元所提供的估计结果的至少一个特性，生成所述的噪声和干扰分量V(n)的分量的至少一个以及所述噪声的一个版本和干扰的一个版本Y(n)分量的至少一个，从而使所述建模对实际数据具有自适应性。

在至少一些实施例中，该方法包括使用主传感器来获得主信号Z(n)并使用辅助传感器来获得辅助信号Y(n)。

在至少一些实施例中，该方法可以应用于畸变产物耳声发射(DPOAE)测量，并且该方法还可以包括使用具有两个扬声器的探头向测试对象提供两个刺激音调，使用一个主麦克风记录主信号Z(n)以及一个辅麦克风来记录辅助信号Y(n)。

在至少一些实施例中，至少一个信号特征包括对应于一个第一刺激音调、一个第二刺激音调以及一个DPOAE信号的信号特征，而且噪声和干扰V(n)和Y(n)分量是从辅助信号获得。

在至少一些实施例中，该方法被应用于DPOAE抑制测量，并且所述至少一个信号特征还包括对应于具有与DPOAE音调相邻的频率的音调的信号特征以用于本底噪声估计。

在至少一些实施例中，该方法可以应用于监测中耳肌反射(MEMR)是否发生，此监测是通过检测DPOAE主测试音调或特意引入的测试音调的相位变化实现；这里的相位变化指的是抑制声(suppressor，为诱发抑制现象的刺激声)开启和关闭时基础音调或特意引入的音调在一段时间内的相位变化来实现，并通过将所述相位变化与一阈值进行比较来确定MEMR是否发生。

在至少一些实施例中，所述方法被应用于示波法血压监测，所述方法还包括使用一个具有导管的血压袖带用于感测主压和辅压，一个主压力传感器用于获得主信号Z(n)，以及一个具有辅压力传感器的组合传感器。

在至少一些用于血压监测的实施例中，所述组合传感器还可以包含一个加速度计来获取辅助信号Y(n),在血压检测中此加速度计用于感测伪迹。

在至少一些用于血压监测的实施例中，所述的至少一个信号特征可以是一个单个常数元素，而且噪声和干扰分量V(n)以及Y(n)是基于从辅助信号收集的数据。

在至少一些用于血压监测的实施例中，所估计的期望信号用于使用标准方法来估计收缩压和舒张压，所述标准方法包括确定袖带放气期间震荡波形包络的斜率改变或确定包络的峰值。

在至少一些实施例中，该方法还可以用于含集成校准的连续血压监测，其中至少一个信号特征包括下列元素：

1，(P_s-P_C)，(P_C-P_C0(n)) (P_s(n)-P_C)(P_c-P_C0)以及(P_C-P_C0)²，其中P_c(n)为血压袖带施加的压力的移动平均值，P_s(n)对应于血压袖带的压力峰值或最小值；状态向量定义为X(n)＝X(n)＝[d₀(n) d₁(n) … d₅]^T；以及主信号为Z(n)＝P_sys-P_c(n)或Z(n)＝P_dia-P_c(n)；其中P_sys是估计的收缩压，P_dia是估计的舒张压。

在用于含集成校准的连续血压监测的至少某些实施例中，对于噪声和干扰V(n)或Y(n)分量可能是不需要的，且观测矩阵H(n)完全由信号特征矩阵F(n)定义。

在用于含内置校准的连续血压监测的至少一些实施例中，该方法可以包括按照以下方式确定实时连续血压波形：

P_b＝P_c+g(P_s-P_c,P_c)

＝P_c+d₀+d₁(P_s-P_C)+d₂(P_C-P_C0)+d₃(P_s-P_C)²+d₄(P_s-P_C)(P_c-P_C0)

+d₅(P_C-P_C0)²

在用于含集成校准的连续血压监测的至少某些实施例中，至少一个信号特征的强度可以通过进行校准来获得，该校准包括：确定一个血压测量来获得收缩压和舒张压；将由血压袖带施加的压力设定为高于舒张压约J mmHg的值；以每秒小于0.5mmHg的速度降低血压袖带压，并记录多个数据对，其中每数据对包含一个脉冲压和相应的袖带压，直到袖带压低于舒张压约K mmHg；从上述多个数据对中识别出至少一个数据对，其中脉冲压力对应于检测到的脉冲压力峰值或检测到的脉冲压力波谷；以及基于所测量到的收缩压、舒张压以及所述至少一个识别到的数据对来确定至少一个校准参数。

在另一个广泛的方面，本文所述的至少一个实施例提供了一种计算机可读介质，包含有在处理单元上可执行的多个指令，这些指令调控处理单元以执行在嘈杂的环境中自适应地检测期望信号的方法，上述计算机可读介质包含执行按本文教导所描述的方法的至少一个实施例的指令。

在另一个广泛的方面，本文描述的至少一个实施例提供了一种用于在嘈杂的环境中自适应地检测期望信号S(n)的系统，该系统包括：输入，用于获取主信号Z(n)和辅助信号Y(n)，其中主信号Z(n)包含期望信号S(n)和来自一个共同噪声源的噪声和干扰V(n)之中的至少一个，且辅助信号Y(n)包含来自所述共同噪声源的所述噪声的一个版本和所述干扰的一个版本中的至少一个；以及和所述输入相耦合的处理单元，所述处理单元被配置来用于：生成具有至少一个信号特征元素的特征数据集合，用于定义所述期望信号的至少一个特征；生成噪声及干扰分量，对应于噪声和干扰V(n)中的至少一个以及所述噪声的至少一个版本和所述干扰的版本Y(n)；估计所述至少一个信号特征的强度、所述至少一个噪声及干扰V(n)分量的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的强度；以及估计期望信号S(n)，利用所述至少一个信号特征及其对应的强度、所述至少一个噪声和干扰V(n)分量及其对应的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量及其对应的强度。

在至少一些实施例中，系统还可以包括主传感器以获得主信号Z(n)和辅助传感器以获得辅助信号Y(n)。

在至少一些实施例中，处理单元可以进一步被配置为执行根据本文教导定义的一般信号估计方法中的至少一个实施例。

在至少一些实施例中，处理单元可以进一步被配置用于执行畸变产物耳声发射(DPOAE)测量，且所述系统包括一个具有两个扬声器的第一探头向测试对象提供两个刺激音调、一个主麦克风用于记录主信号Z(n)以及一个辅麦克风来记录辅助信号Y(n)。

在至少一些实施例中，处理单元可进一步配置以定义所述的至少一个信号特征，以包含对应于第一刺激音调、第二刺激音调以及一个DPOAE信号的信号特征，且噪声和干扰V(n)和Y(n)分量是从辅助信号获得。

在至少一些实施例中，处理单元可被配置用于执行DPOAE抑制测量，所述系统包括一个用于生成抑制音调的第二探头和至少一个信号特征，所述信号特征包括对应于具有与DPOAE音调相邻的频率的音调的信号特征以用于本底噪声估计。

在至少一些实施例中，处理单元可被配置用于监测中耳肌反射(MEMR)是否发生，监测通过检测当抑制声(suppressor)开启和抑制器关闭时基础音调或特意引入的音调在一段时间内的相位变化来实现，MEMR是否发生是通过将所述相位变化与一阈值进行比较来确定的。

在至少一些实施例中，所述第一探头可以包括一个压力释放结构，它包括：一个表面通道，此通道位于探头体的表面且位于耳套下面，所述表面通道具有一个第二端，所述第二端与通向辅助麦克风的辅助通道的第一部分耦合；以及一个第二通道，具有第一端和第二端，所述第一端与靠近辅助麦克风的辅助通道的第二部分相耦合，所述第二端与未被耳套覆盖的探针的外部环境相耦合。

在至少一些实施例中，所述表面通道可具有第一端口，所述第一端形成到被测试耳道的一个小通道，从而那些耦合于耳道中的环境噪声和其它噪声干扰能作为辅助信号被记录下来。

在用于听力测量的至少一些实施例中，该系统还可以包括一个数据采集单元，用于产生至少一个刺激来给到被测对象的至少一个耳朵，并收集被测耳的响应数据；以及一个用户界面，使操作者可以配置所述系统以进行听力测试并显示测试结果。

在至少一些实施例中，处理单元可被配置以进行示波法血压监测，所述系统还包括一个具有导管的血压袖带用于感测主压和辅压、一个主压力传感器以获得主信号Z(n)以及一个具有辅压力传感器的组合传感器。

在至少一些所述血压监测实施例中，其中所述血压袖带的第一纵向边缘包括一个第一导管，所述血压袖带的第二纵向边缘包括一个第二导管，这两个导管由能让所述辅压力传感器感测到伪迹的材料制成。

在至少一些所述血压监测实施例中，所述组合传感器还可以包括加速度计，用于获取所述辅助信号V(n)，所述加速度计用于感测所述监测过程中的身体伪迹。

在至少一些血压监测实施例中，所述系统还包括一个气泵和一个连接到所述血压袖带的内胆的阀门系统，以在使用过程中对所述血压袖带充气和放气；以及一个压力控制单元，耦合到所述泵和阀门系统，以在使用过程中控制施加于被测者的压力。

在至少一些血压监测实施例中，所述处理单元还被配置为执行用于无创血压监测的方法实施例中的至少一个。

在至少一些血压监测实施例中，所述系统还可以包括该系统还可以包括一个数据采集单元，用于收集来自所述主传感器和所述组合传感器的数据；以及用户界面，可以让操作者配置以进行血压测试和血压监测中的至少一个，并显示测试或监控结果。

本申请的其它特征和优点,通过以下结合附图的详细描述，将变得显而易见。然而，应该理解，所述的详细描述和特定的例子，尽管指出了本申请的优选实施例，他们仅以示例的方式给出，因为在本发明的精神和范围内的各种变化和修改对于本领域技术人员来说是显而易见的。

附图说明

为更好地理解本文所述的各种实施例，以及更清楚地展示如何实施这些实施例，本文通过举例的方式参考附图，这些附图展示了至少一个示例性实施例，也是本文现在要描述的。所述附图的目的并非是要限制本文中所描述的教导的范围。

图1是根据本文中教导的，一个信号检测系统的示例实施例的框图。

图2是根据本文中的教导，用于估计信号参数的一个通用信号检测方法的示例实施例的流程图。

图3是根据本文中的教导的一个畸变产物耳声发射(DPOAE)抑制检测系统示例实施例的框图。

图4是根据本文中的教导的一个DPOAE仿真信号发生器示例实施例的框图。

图5A-5C绘出了根据本文中的教导的DPOAE抑制检测系统的仿真波形。

图6示出了根据本文中的教导的一个DPOAE抑制检测系统的另一示例实施例的框图。

图7示出了根据本文中的教导的DPOAE探头一个示例实施例。

图8A-8E是根据本文的教导的DPOAE探头的示例实施例的结构图。

图9A-9C是图7中DPOAE抑制检测系统的一个示例性实施例用户界面的一些图像。

图10是根据本文中的教导的血压监控系统的示例性实施例的框图。

图11A-11B示出了图10的血压监测系统的血压测量袖带和数据采集单元的示例性实施例的结构图。

图12是根据本文的教导的用于连续血压监测的校准方法的示例实施例的流程图。

图13A-13B示出了根据本文的教导的在袖带放气的不同速率下测量的袖带压力的曲线图。

图13C-13D分别示出了根据本文的教导的，平均袖带压力和血液脉冲振荡波形的图。

图13E示出了图13D的血液脉冲振荡波形的放大视图。

图13F示出了根据本文中的教导的对应于图13F的时间参照点的正压和负压峰的图。

本文中所描述的示例性实施例的其它方面和特征将从下面结合附图的描述中看出。

具体实施方式

下面将描述按照本文中的教导的各种实施例，以提供所要求保护的主题的至少一个实施例的示例。这里描述的实施例不限制任何所要求保护的主题。所要求保护的主题不限于那些装置、系统或方法，他们具有以下描述的任何一个装置、系统或方法的所有的特征，或本文描述的多个或全部装置和/或方法所共有的特征。这种的情况是可能的，即存在一种装置、系统或方法由本文所描述但可以不是任何所要求保护主题的一个实施例。任何未在本文档要求保护的主题，可以成为另一个保护性文件的主题，例如一个继续专利申请，申请人、发明人或拥有者并不打算通过由本文档对任何此类主题的公开而将其放弃、弃权或捐献于公众。

应该理解，为了使图示简单清楚，在适当的情况下，参考数字可在不同图中重复使用以指示相对应的或类似的元件。此外，本文阐述了许多具体细节以供彻底理解所述实施例。然而，本领域普通技术人员会理解本文中所描述的实施例，并可在没有这些特定细节的情况下实施它们。在其他一些例子中，对广为所知的方法、步骤和部件未做详细描述，以免混淆在此描述的实施例。还有，本文的描述不应被认为是在限制这里所述实施例的范围。

还应当指出的是，如在此所使用的，措辞“和/或”意在表示包容的或。即，X和/或Y“”意在表示X或Y或两者。作为另一示例，“X，Y，和/或Z”意在表示X或Y或Z或它们的任意组合。

应当注意的是，在此使用的程度术语，如"基本上"，"约"和"近似"等，意思是对被修饰项的一个合理数量的偏差，如此不会显著地改变最终结果。这些程度术语也可以解释为包含一个对修饰项的偏差，如果该偏差不会否定它所修饰项的含义。

此外，这里通过数值端点来描述数值范围，它包括所有包含在该范围的数字和分数(例如，1至5包括1、1.5、2、2.75、3、3.90、4以及5)。还应理解，所有数字及其分数都被认为是由术语"约"来修饰的，“约”意味着对所述的可有一定的偏差，例如，根据情况可以是5％或10％，如果最终结果并不因该偏差有明显的改变的话。

本文所描述的实施例涉及一个系统和相应的装置、换能器和信号采集和处理方法，用于解决与检测微弱信号或因噪声、信号伪迹而失真的信号相关的问题。相应的装置的系统的各个实施例、换能器和方法描述根据本文的教导可以应用于各种领域，包括，但不限于，诸如听力学、神经学和/或心脏病学等领域的医学应用。

根据本文的教导，描述了使用自适应方法来检测弱微弱信号或因噪声、伪迹而失真的信号的各种实施例，其中所述信号是时变的。本文的教导可以用于期望检测弱或有噪声的信号的各种医学应用中，例如但不限于：(1)利用耳声发射抑制来评估人类听觉系统从听力传感器组件(例如耳蜗)到更高层的神经组件的完整性；(2)测量显著运动伪迹下的血压，其污染所记录数据伪迹以及在病人脉搏难以检测(例如肥胖者)或病人脉搏微弱的情况下测量血压；以及(3)使用集成校准步骤连续且无创地监测患者的血压。

现参考图1，其中示出的是根据本文教导，一个用于检测信号的信号检测系统100示例性实施例的框图。信号检测系统100包括可配置的处理单元102、数据采集单元120、主传感器126、辅助传感器128以及电源单元136。可配置处理单元102可与数据采集单元120通信以获取由主传感器126和辅助传感器128捕获的信号。电源单元136可以被用来提供电源给数据采集单元120，所述可配置处理器及任何需要电力的其它电气部件。

信号检测系统100有两个传感器通道，以适于特定应用的以期望采样频率对数据采样。主传感器126用于记录检测感兴趣的期望信号(即信号122)的原始数据。然而，除了期望信号122，所述主传感器126也拾取噪声信号124。噪声信号124包含源于共同噪声源的不想要的成分。在实践中，根据手边的应用，可能有几个噪声源，其产生不同类型的不想要的成分，如环境噪声、电气干扰以及伪迹(由于生理记录的身体活动)，但它们都被作为一个共同噪声源NS来考虑。因此，主传感器126提供主信号，它包括期望的信号和不想要的成分。

例如，在本实施例中，来自于主传感器126的所述原始数据可以定义为Z(n)＝S(n)+V(n)，其中S可用于表示期望信号122，V可以用于表示来自噪声信号124不想要的成分，而n可以用于表示采样点或采样时间。具体地，Z(n)对应于在时刻n的采样原始记录，期望信号将从Z(n)中提取。通常，对于单通道记录，Z(n)可以是标量。在一些实施例中，可实施多通道记录，这样Z(n)可以是具有维度m的向量，其中m表示已经用于测量数据的通道数目。

辅助传感器128可被配置用于检测一个辅助信号，即噪声信号124’。来自辅助传感器128的数据可被定义为可观测干扰数据Y(n)。噪声信号124’可以包括背景噪声(即环境噪声)、干扰、信号伪迹或任何其它不期望的元素，他们与主信号Z(n)中的不想要的分量是相关的(换句话说，他们是Z(n)中的不想要的分量的一个版本)，这是因为124’和Z(n)可能都是与所述共同噪声源NS相关的。通常，所述原始数据信号Z(n)中噪声的大小可能是不已知的。然而，可以通过辅助传感器128获取有关共同噪声源的信息。例如，嘈杂的环境可能包括一台正在房间里运行的嘈杂的机器(M)，其中一个人A通过电话与另一人B交谈。在这种情况下，可以知道干扰源为M，所以在靠近M的地方可安装一个麦克风来记录数据，所记录的这些数据可用于估计来自于人A的麦克风的原始记录中所含机器噪声的分量。在这种情况下，Y(n)对应于噪声源M的噪声记录。在一些实施例中，可存在多个噪声源，从而Y(n)可以是具有多个维度的向量。

由主传感器126感测的主信号包括期望信号122和噪声信号124，而由辅助传感器128感测的辅助信号则包括噪声信号124'。如果噪声信号124和噪声信号124'是由公共噪声源NS通过两个线性路径125和127而来，则噪声信号124和124'也是线性相关的。那么，从概念上讲，可以认为V(n)和Y(n)均是通过线性系统L耦合的。因此，可配置处理单元102可以使用Y(n)来估计噪声V(n),并从记录数据Z(n)中去除所估计的噪声，从而改善期望信号122的信噪比。这些处理方法的示例将在下面更详细地描述。

可配置处理单元102可用于从主信号Z(n)中估计期望信号122,这里Z(n)是已经被噪声、干扰和/或其他不想要的成分所污染的信号。在本示例性实施例中，可配置处理单元120可包括核心处理单元104和可选的处理单元106。核心处理单元104可以用来定义信号和干扰的信号特征，用以估计信号分量的特征强度和干扰分量的特征强度，从期望信号122的估计中去除干扰分量并重建期望信号122。这些强度量提供了原始记录信号Z(n)中每个信号特征和每个干扰分量的权重。这样，这些强度量可以被认为是每个信号特征的或干扰分量的幅度。

相应地，核心处理单元102还可以包括特征数据生成器单元150以生成信号特征的特征数据F(n)。在其它实施例中，特征数据F(n)可由另一源头，如数据库或另一装置，来提供。特征数据F(n)可以是包含具有指定特征的数据样本的向量，所述指定的特征可以用作信号估计和检测的模板。例如，在一些实施例中，在原始信号Z(n)中，待测期望信号已知是具有频率ω的正弦波，则F(n)可表述为F(n)＝[cos(ωn) sin(ωn)]^T。其中F(n)内的每个元素都是一个信号特征。因此，可以将来自原始记录的估计信号写为：

S(n)＝Acos(ωn)+Bsin(ωn) (1)

其中系数A表示特征cos(ωn)的强度而B表示特征sin(ωn)的强度。一般而言，信号特征连同它们的强度相结合以生成期望信号S(n)。

F(n)的维数取决于要检测的特征的数量。在一些实施例中，信号特征不必像上述例子那样通过闭环公式生成，而是可以基于待测的期望信号通过查找表格或通过具有特定特性的实际记录来生成。

在该示例性实施例中，可配置处理单元102的输出端O₁与O₄包括特征强度108a和108d，它们分别对应于信号特征的所估计的幅度和干扰分量所估计的幅度。

在某些实施例中，可配置处理单元102可包含一个可选的处理单元106，当寻求完整的信号分量和噪声分量时可能需要此单元，例如在某些情况下，期望信号S(n)的波形和幅度的估计是期望的。可选处理单元106可被配置用以通过所估计的强度、输入的特征及干扰数据重建分量的完整集合。可选处理单元106的输出O₂包含重建的信号分量108b，它对应于所估计的原始记录Z(n)中被视为信号特征分量的波形。可选处理单元106的输出O₃包含重建的干扰分量108c，它对应于原始记录Z(n)中被视为干扰分量的所估计的波形。

可配置的处理单元102进一步包括一个估值器152，其用于提供系统100所用的信号及噪声建模所需的各种估计并在下文进一步详细描述。估值器152估计信号特征强度以及干扰分量的强度。此估值器利用来自主传感器通道的数据Z(n)以及来自特征数据产生器单元150的F(n)来执行图2所示的方法200来估计信号和干扰的强度。

可配置处理单元102、核心处理单元104、特征数据发生器150以及可选处理单元106可以使用那些为本领域技术人员所知，能够提供足够处理能力的高性能通用处理器、控制器或数字信号处理器来实现。在替换的实施例中,这些处理单元可以使用多于一个的处理器，其中每个处理器被配置为执行不同的专门任务。在替换的实施例中，专用硬件，例如至少一个ASIC和/或FPGA，可以用来提供这些处理单元的一些功能。

可配置处理单元102接收经数据采集单元120，分别由主传感器126和辅助传感器128检测到的主、辅助信号Z(n)、Y(n)的采样版本。数据采集单元120可以由电源单元136供电，电源单元136也提供电源给内部组件，比如信号调节单元130和模数转换器(analog-to-digital converter，ADC)132和134。在一些实施例中，电源单元136可以是电压转换器，其被配置成将交流电(alternating current，AC)转换成直流电(direct current，DC)。在其它实施例中，电源单元136可以与数据采集单元120集成为一体。例如，所述电源单元136可以是一安装到数据采集单元120的电池。

由主传感器126和辅助传感器128捕获的信号可在由模数转换器132和134数字化之前可先经过信号调节单元130处理。例如，信号调节单元130可被配置为在数字化之前对所记录的信号进行滤波和放大。接着，ADC 132和134可以将此连续物理信号转换为数字表示，然后被发送到可配置的处理单元102。所使用的ADC 132和134的类型，采样分辨率和采样参数可取决于信号检测系统100的应用类型。

然后所述的数字化的信号由控制器单元138发送到通信单元140，以将数字化信号经通信链接142传送到可配置处理单元102。所述控制器单元138控制所述数据采集单元120的操作且可以是任何为本领域技术人员所知，能够提供足够处理能力的任何合适的处理器、控制器或数字信号处理器。

通信单元140可被配置为使用本领域技术人员已知的任何适当的方法来通信。例如，在一些实施例中，通信单元140可以是诸如通用串行总线(USB)接口的有线接口，以便经由USB链接实现与可配置处理单元102的有线通信。在其它实施例中，通信单元140可促进无线通信。例如，通信单元140可以是一个蓝牙接口，它在数据采集单元与可配置处理单元102之间建立一个无线蓝牙链接。

信号及噪声建模及估计结构

如前所述，来自主传感器126的原始数据可以定义为Z(n)＝S(n)+V(n)，所述第一噪声路径125和第二噪声路径127可以被认为是线性的系统。

相应地，V(n)和Y(n)可以被认为是通过线性系统L相耦合的。假定L是线性时不变的(linear time-invariant，LTI)，则V(n)和Y(n)(与噪声相关的元素)可使用自回归移动平均(Autoregressive Moving Average，ARMA)模型联系起来：

其中p,q＝0,1,2...,如式(3)所示w(n)假定为零均值的高斯白噪声。

AMRA模型的表达式可以被简化，首先可通过设定两个维度分别为p和q的向量X_a和X_b，这里X_a＝[a₁ a₂ … a_p]^T和X_b＝[b₀ b₁ … b_q-1]^T分别是所述的主记录Z(n)中噪声分量和来自辅助信号124'的噪声分量的ARMA模型参数。第二，v(n)和y(n)分量可以通过设定一个1xp矩阵V(n-1)，其中V(n-1)＝[v(n-1) v(n-2) … v(n-p)]和一个1xq矩阵Y(n)，其中Y(n)＝[y(n) y(n-1) … y(n-q+1)]来简化。通过这些替代，上述式(2)可重写为式(4)。

v(n)＝V(n-1)X_a+Y(n)X_b+w(n) (4)

在实际的测量场景，噪声和干扰路径可能随时间而改变。所以，ARMA模型(即式2)可推广到时变的情形，即模型参数可随时间而缓慢变化，这样式4可进一步被重写如下式5。

v(n)＝V(n-1)X_a(n)+Y(n)X_b(n)+w(n) (5)

对于信号，如前所述，原始记录Z(n)中的信号分量S(n)可被认为是信号特征F(n)的线性组合。因而，可以定义一个维度为m×1的特征向量F(n)＝[g₁(n) g₂(n) .... g_m(n)]，其中g_i(n)为期望信号的第i个特征的时间序列特性。其幅度/大小或特征强度可以用对应于F(n)的特征强度向量X_s(n)＝[x_s1(n) x_s2(n) .... x_sm(n)]^T来表示，其中m表示所记录信号S(n)中的特征总数。因而信号分量可以写为矩阵形式如下式6所示。

S(n)＝F(n)X_s(n) (6)

将上述分量组合一起，从图一主传感器126原始的记录信号Z(n)可写为Z(n)＝F(n)X_s(n)+V(n-1)X_a(n)+Y(n)X_b(n)+w(n) (7)

原始记录信号Z(n)可通过建立一个1×(m+p+q)观测矩阵H(n)和一个维度为(m+p+q)包含特征强度及ARMA模型参数的状态向量X(n)简化，其中H(n)和X(n)由式8和9定义。

于是来自主传感器126的原始记录信号可简化为下述观测方程z(n)：

z(n)＝H(n)X(n)+w(n)

在某些实施例中，可假定状态向量X(n)为准常量向量其随时间的变化与信号特征波形或干扰波形相比呈缓慢变化。特别地，依此假设，所述向量可以用状态方程表示：

X(n)＝X(n-1)+u(n-1) (11)

这里假定u(n-1)是一个维度为(m+p+q)的零均值高斯白噪声向量，此外

上面的式10和11可用来表示图一中信号检测系统100的一个模型。

利用线性系统的状态变量描述概念，式11可被认为是状态方程而式10可被认为是观测方程。基于系统状态变量描述的方法，如卡尔曼滤波，可用于估计参数模型。然而式10和式11并非可用于卡尔曼滤波的标准方程，基于几个原因。

第一，形式为z_k(n)＝H_k(n)X_k(n)+w(n)的标准卡尔曼滤波要求观测矩阵H_k(n)已知且为确定量。然而，式10中的观测矩阵H(n)包含未知和随机的变量。

第二，由式8，H(n)包括三部分F(n),V(n-1)及Y(n)。矩阵F(n)为特征矩阵，它由以上描述所定义，因而可认为是已知量。

然而，在某些情况下，这些特征可以是或者不是确定的，因为所感兴趣的特征可能是随机的特征。向量Y(n)可从辅助传感器128取得且也可被认为是已知的。一般地，Y(n)更多情况下会是随机的而非确定的。向量V(n-1)是一个未知量(否则，噪声和干扰就可以从原始记录里完全去除),这对于使用卡尔曼滤波造成障碍。

因此，考虑到上述限制，根据本文中的教导，设计了一种新的方法，该方法使用卡尔曼滤波器利用已知的信息和可以从信号检测系统100收集的信息来估计状态向量X(n)。

特征矩阵F(n)的元素可依据期望信号来定义。例如，在某些情况下，期望信号具有特定的特性(比如是给定频率的正弦波)其可能为预先知道的。例如，就声波而言，如下面进一步所描述的，在诸如畸变产物耳声发射检测的情况里，目标波形一般是已知的，因而这些波形的特征可事先定好。在另一些情形下，当F(n)内对应期望信号的特征是一个随机过程时，此随机过程的实现可用于设定F(n)元素的值。由于一个随机过程的实现在某一特定时间点不再是随机的，F(n)在此时间可以被认为是确定的。

第二，对于Y(n)，辅助传感器128的测量可用来生成Y(n)的元素值因为所述对应于Y(n)的元素可以被认为是一个随机过程的一个实现。这种方式可能特别有用，如前所指出的，因为Y(n)一般地更具随机性而非确定性而且采样值是随机过程的的一个实现。因而，对一个特定的测量，Y(n)可被认为是确定的。

最后一点，对于V(n-1)，可以假定它有一个初始条件V(-1)＝V_-1。在某些实施例中，V(-1)的初值的均值可被估计且可用作为初值。另一方面，如果此值不能被估计，则可用零值作为初值，因为在大多数情况下无论V(-1)初值是什么，估计的V(n)都将逐渐趋于V(n)的真实值。在一给定的时间点n,X_a(n)的估值和X_b(n)的估值可由核心处理单元104来构建。由式5，可通过忽略随机项w(n)而采用一个自适应方法来作估计。此外，因为Y(n)可由辅助传感器128得到，V(0),V(1),...,V(n)的估计可通过递归公式 和V(n)＝[v(n),v(n-1),…v(n-p+1)]构建。

利用上述过程，观测矩阵H(n)可以在每一个采样时刻n取得。在某些实施例中，可假设Q和是已知的(例如，它们可以通过实验或通过自适应算法获得)，因而为估计信号参数X(n)的卡尔曼滤波法全部所需的数据均可获得。例如，基于残留噪声 可用一个自适应算法来估计其中的X(n)的估计，它使得r(n)对应于白噪声。类似地,Q可根据Stengel[参考文献4]以相似的方式估计。

现参考图2，其中所示为基于已知信息和信号检测系统100所搜集的数据，用于估计信号特征强度和噪声参数的广义的信号检测方法200的一个流程图。

在动作202，前面所定义的各种矩阵和向量可在采样时间点n＝0初始化。例如，可使用下述的初始化。

Q＝βI；

V(-1)＝0

在当前情形里，P(n)和P^-(n)是当前估计误差和预估计误差的协方差矩阵。其可由如下公式和 来确定，其中是X(n)预估计。

在某些实施例中，X₀＝0而是一个对角矩阵，其中对角元素可为一个大数>>1。数字的具体值并不重要，只要此值足够大即可。例如，对角元素可以是X(n)方差的10到100倍的数字(不必是任何特定的数字)。

r的值可设为当主传感器记录Z(n)里没有期望信号时(即，当期望的信号是某一响应信号，且所有刺激全部关闭从而没有响应时)的方差估计。

Q也可以是一个对角矩阵，其对角元素均为一个小数β。这个数可以通过对仿真或真实数据实验确定。β值越小估计的信号越平滑，但是以降低特征跟踪的速度为代价的。所以，选择β可依据关于跟踪速度和平滑性的可接受的性能水平而定。

一般地，β/r的比率影响跟踪速度和估计平滑度，因为小的比率导致窄的卡尔曼滤波器带宽。在某些实施例中，可用已知的自适应算法对Q和r最优估计。

或者，在某些实施例中，Q＝βI可由一个对角矩阵Q＝diag[β₁ β₂ .... β_m+p+q]替代以控制向量X(n)中每个元素x_i(n)的跟踪速度和估计平滑度。与β类似，β_i值的选择可依据可接受的关于速度和平滑度性能水平通过实验而定。

在动作204，观测矩阵H(n)中的F(n)和Y(n)分量被更新。所述对信号特征的更新可依据用特征数据产生器单元F(n),以及一个特征公式(如正弦和余弦波，如果期望的波形为正弦)，或一个预先定义的表格或生成的数据模式。在某些实施例中，信号的特征可以由额外的专门为描述期望信号的传感器(而非前述的主辅传感器126和128)导出。基于有辅助传感器128所采集的数据可对干扰分量进行更新。

在动作206增益K可按

关系来计算。

在动作208，信号状态向量X(n)的估计和估计误差的协方差矩阵可用计算得到的增益K来更新。特别地，X(n)的估计可表示为以及P(n)＝[I-KH(n)]P^-(n)。

在动作210，观测矩阵H(n)的V分量被更新。V(n)分量可以利用计算 来更新，这里和可由获得。在某些信号检测系统100的实施例中，F(n),V(n),和Y(n)可以存储在诸如寄存器和移位寄存器的数组里。具体地，F(n)可存到存贮器里，而V(n)和Y(n)则可存到移位寄存器里。例如当得到v(n)和y(n)新的采样是，他们可以分别被移入至V和Y数组里。F(n),V(n),和Y(n)分量一起构成了H(n)。应当注意到各个元素都可以利用及时的传感器数据来更新。因而从这方面看，所采用的卡尔曼滤波器可被视为是自适应的而不同于标准的卡尔曼滤波器。

在动作212，采样时刻n是递增的，例如，通过利用n＝n+1,而X(n)和P(n)的参数估计按和P^-(n)＝P(n-1)+Q传播扩展。

应当注意到在某些实施例中上述方法200的步骤可以扩展至有多个辅助传感器通道的应用。例如，对于一个具有i个辅助通道信号检测系统100，附加的Y_i(n),V_i(n)分量以及相应的and可以引入到H(n)和X(n)中。在另外一些实施例中，上述方法200的步骤可扩展为有多个主传感器通道的应用。例如，对于含有j个主通道信号检测系统100，Z(n)在此情况下变为维度为j的向量而观测矩阵则含j个行。

上述方法可以被认为是自适应卡尔曼滤波器。作为对比，在标准的卡尔曼滤波器中，增益K可以事先计算好作为一个可查表格存储起来因为模型是完全预先知道的因而不依赖于实测数据。在这方面，标准的卡尔曼滤波器不是自适应的。然而，如前面段落所描述的，为确定信号S(n)所需的部分分量仅当真实数据获取后才能得到。在此意义上，这里所描述过程和方法可以被称为是一个自适应方法。

此外，以上所述的信号和噪声的建模方法也不同于标准的卡尔曼滤波器方法。在标准的卡尔曼滤波器方法中，所期望的信号是通过状态方程来建模的，而且所期望的信号通常是状态向量的元素。在这里描述的新方法中，所期望信号是通过观测矩阵H建模的。尽管，状态方程仍被用于确定信号强度，此处教导使用了一个计算方面高效且简单的状态向量方程形式，如式11所示。一般地，状态方程具有X(n)＝G(n)X(n-1)+u(n-1)的形式，其中G(n)是NXN矩阵，等于X(n)维度。在式11中，G(n)变为单位矩阵I。由于此单位矩阵，滤波器中许多计算被简化，从而降低了计算方面的负担。这一点可以通过比较目前的方法和通用的卡尔曼滤波算法看到。另外，由于此建模方法，所述的观测矩阵H(n),其包含V(n),变为依赖于因而步骤210被加入到处理中如图2所示。在传统的观测矩阵中，H(n)是不依赖于的，而卡尔曼滤波器通常也不包含步骤210，所以为术语避免混淆，依据本文教导所描述的方法被称为准卡尔曼滤波器。

接下来章节所描述的是使用所述的可配置系统和方法以用于各种需要检测微弱信号或检测被噪声污染的信号医疗应用的示例实施例。然而，应当理解即将讨论的具体的例子仅以说明的方式，而不是以限制的方式给出。各种替代，修改，增加，和/或重新安排本文所述实施例对于熟悉本领域的技术人员将是显而易见的。

例1：畸变产物耳声发射(Distortion Product Otoaucoustic Emission，DPOAE)抑制的检测

听觉系统包括传感部分和神经处理部分。在目前的临床实践中，个人的听觉系统的传感部分的完整性可通过力学(如生物声学)的方法评估，而个人的听觉系统神经部分则可通过电学(如生物电)的方法评估。

评估听觉传感器(例如耳蜗)的一种方法是检测耳中的畸变产物声发射(DPOAE)。DPOAE是一种由内耳(即耳蜗)产生的低级别的声音，它是内耳对两个被称为基础音的刺激的反应，每个基础音含有一个给定频率的纯粹音调。此DPAOE的出现或不出现可作为传感器(如耳蜗中外毛细胞)是否工作的一个指示。这种方法已经在临床环境中广泛用于诊断和听力筛查。

一般地，在标准的DPOAE测试中，含有内置扬声器和麦克风的探头会被插入测试对象的耳道。具有频率f1和f2的两个纯粹音调被发送到测试对象的耳内。具有正常功能的耳朵会产生一个频率为2f1-f2的音调被称为畸变产物耳声发射(DPOAE)。DPOAE测试的目的是测量和检测所测试耳产生的DPOAE。

标准的DPOAE记录(即声学记录)提供的诊断信息可能是有限的，因为它仅能给予从外耳直到耳蜗的听觉系统的信息。当需要有关高级的听觉处理(即神经处理)的信息的情况下，可能必须采用电学记录如脑电(Electroencephalogram，EEG)，特别是听觉诱发脑干反应(Auditory-evoked Brainstem Response，ABR)，其是听觉诱发电位(Auditory EvokedPotentials)。

通常已知，在DPOAE测试中，在标准的基础音之外施加额外刺激(例如，第三个音调或宽带/窄带噪声信号)给非被测耳(即对侧耳)可以诱发被测耳发出的DPOAE的变化。此变化通常是DPOAE的声级降低，这个现象被称为DPOAE抑制。DPOAE抑制测试的目的是测量和检测这个由于额外对侧刺激所引起的DPOAE声级变化。实验证据表明此变化是被测对象听觉系统的神经处理部分的神经调制所引起的。通过测量由于DPOAE抑制引起的变化，我们可以获取有关测试对象听觉传感器和听觉神经的信息。换句话讲，仅仅从单一的声学记录来看，是有可能评估个人的听觉系统的传感和神经两个部分的完整性。

一般而言，有两种DPOAE检测方法，一种是基于FFT和频域平均的方法而另一种是基于时域的窄带滤波。时域滤波可以实时检测DPOAE抑制。Adrian L，James等人[参考1]展示了实时DPOAE抑制测量的优点，表明有可能通过快速的单一声学测试提供一个用于诊断更广泛的听力系统的新的工具。然而，使用目前的常规方法，只能可靠地记录在动物，安静的新生儿或年轻人的实时DPOAE抑制。然而，当有干扰伪迹时，如测试对象是“不安静”的婴儿时，可能需要更长的时间来获得稳定的测量结果。而且，已知实时DPOAE抑制的可检测性作为被测试者年龄的函数随年龄而降低。例如，Konomi等人[参考2，图2]报告了DPOAE抑制检测率随被测者的年龄增长而降低，从在新生儿中的约95％降低到41岁以上的成年人的约18％。因此，目前所知的用于检测DPOAE抑制的常规系统和方法在临床上仅能提供有限的可用性。

另一个与DPOAE抑制测试关联的问题是如，多个神经通路都可以导致DPOAE抑制。特别地，给一个耳施加强音可触发中耳肌反射(middle ear muscle reflex，MEMR)，它使得双耳的耳膜刚度增强而使外耳到中耳的声音传输效率变低。在DPOAE测试中，所感兴趣的是由内侧橄榄耳蜗系统(medial olivocochlear system，MOCS)引起的抑制而非由MEMR引起的抑制。在科研的环境里，MEMR对DPOAE抑制的效应或可通过采用低的抑制声来控制。然而，在临床环境中，可能需要开发一个易于使用的方法来监控由MEMR引起的DPOAE抑制效应并从由MOCS引起的DPOAE抑制中将MEMR引起的DPOAE抑制分离出来。

此外，应注意到DPOAE抑制的可检测性高度依赖于DPOAE记录的信噪比。为提高信噪比，希望能增强记录数据中的信号而降低其中的噪声(或干扰)。

为增强信号，希望从信号发生器到传感器传输路径的损耗最小。对DPOAE测试，已经知到，信号发生器是处于内耳的耳蜗。所产生的信号(即DPOAE)首先耦合到位于中耳内的骨结构，引起连接于听骨的耳膜震动然后将此声音传送至外耳道。一个含麦克风的DPOAE声学探头可以适配于外耳道来感测此极微弱的信号。同时还应当注意到，诱发DPOAE的刺激信号使用同一解剖学路径来传输声音，只不过是沿着相反的方向，将其传送至鼓膜。因而耳膜的状态可极大地影响声音传输的效率。通常认为，当外耳和中耳的压力平衡时传输时最优的。依据本文的教导，一个将在下面详述的压力释放系统，可以用于防止当DPOAE探头插入耳道时在耳道内累积静压力。除了压力释放，此结构的一部分可以用作传感通道以改进信噪比。

为降低噪声和干扰对DPOAE记录的污染，可以采用窄带滤波器。滤波器的通带越窄，对噪声的降低越好。然而，当带宽过于窄时，滤波器会失去快速和准确地追踪DPOAE变化的能力。一般地，对于一个给定的跟踪速度，通频带可依据记录信号的信噪比来确定，从而降低通频带直到获得可接受的信噪比。但对于某些含噪声数据，对给定的追踪速度达不到能够接受的信噪比。因而，很希望有一种降低噪声而非简单地降低通频带的方法。为确定一个有效的降低噪声的方法，可以对噪声源进行分析。

一般知道，在DPOAE记录中至少有两个主要的噪声/干扰源。第一个噪声源是环境噪声/干扰，而第二噪声源与因被测者运动、以及其血流脉搏或其他生理活动在封闭耳道内引起的噪声和干扰相关。第二个噪声源通常其能量的大部分集中在低频频谱区(如，在10Hz范围)，但其一小部分能量可扩展至高频区域。

因为与基线DPOAE信号相比，DPOAE抑制信号幅度远远更小且涵盖更广的频率范围，所以抑制信号即使对于较小的干扰能量也敏感。如我们在下文即将详述的，DPOAE探头有一个辅助麦克风可连接到此DPOAE探头的一个专门设计的压力释放结构，用于同时感测环境噪声和耳道噪声。辅助麦克风产生的信号然后可经处理来对环境噪声/干扰分量和耳道噪声/干扰分量建模并同时去除在主麦克风记录中的环境噪声/干扰分量和耳道噪声/干扰分量。

除了跟踪DPOAE水平的变化外，本文所教导的信号处理方法还可用于跟踪DPOAE以及刺激音调相位的变化。按照本教导，基于所观测到的相位变化，可以开发出一种检测中耳肌反射(Middle Ear Muscle Reflex，MEMR)的方法。中耳肌反射(MEMR)又被称为听觉反射，在DPOAE抑制测试(如前所述)具有重要作用且具有重要的临床价值。它是听力系统的一个保护机制。当强声出现在任一耳时，耳膜将处于高刚度状态来衰减通过它的声音。其结果是一个刚度高的耳膜可以降低可能的对内耳毛细胞损伤。

现在参考图3，这里显示的是一个按照本文教导的DPOAE抑制检测系统300的示例性实施例的框图。与信号检测系统100类似，所述DPOAE抑制检测系统300包括一个配置处理单元302、一个数据采集单元320、一个电源单元336、一个主传感器326以及一个辅助传感器328。系统100和系统300中共同部件的功能与前面描述的类似。

在当前的实施例中，核心处理单元304可被配置用于实现数字信号处理(DigitalSignal Processing,DSP)算法，而数据采集单元320可被优化用于为那些算法获取和预处理数据。例如，利用自适应ARMA和时变状态方程对DPOAE和噪声/干扰信号建模，可以开发出DPOAE估计的最优估计方法。此外，对仿真或实际记录数据实验可用于细调系统以在改进低信噪比情况下的测试速度和检测灵敏度。在至少某些实施例中，除了跟踪DPOAE声级的变化外，此方法还可用于跟踪DPOAE以及刺激声的相位变化。基于幅度和相位的变化，可开发出用于监控中耳肌反射MEMR的方法。

应当注意到，这里描述新的DPOAE和MEMR检测并不限于正弦波类的刺激声和对侧抑制刺激。该方法可扩展至别的类型的耳声反射，如瞬态诱发耳声发射(TEOAEs),以及用于同侧探头配置。

所述的DPOAE抑制检测系统300还包含一个左侧DPOAE探头326和一个右侧DPOAE探头，设计用于分别插入被测试者的左耳和右耳。探头326包含第一第二扬声器326c和326d，而第二个探头328包含第一第二扬声器328c和328d，他们用于产生DPOAE诱导声(即基础音)。探头326和328还分别包含一个主麦克风326a和328a，他们被配置用于在测试时接收DPOAE信号。探头326和328还分别包含一个辅助麦克风326b和328b，如以上所讨论的，它们可用于确定干扰和噪声。

通过给控制单元338提供命令可选择用于激发DPOAE的音调。例如，给控制单元338的命令可按医生的需要指出两个基础音的的频率，强度以及时长。例如，临床设置里，基础音可以在50-70dB SPL。刺激发生器单元335接收刺激控制命令以及一个来自控制单元338的触发信号，开始产生具有所需参数的刺激信号。刺激发生器单元335的输出由数模转换器(DAC)334转换为模拟信号，DAC的输出再由扬声器放大器330来放大。在此例子中，扬声器放大器330的输出驱动第一和第二扬声器326c,326d,328c和328d以在被测个体的耳道内产生所期望的DPOAE刺激声。可以理解，在某些实施例中，刺激发生器335是一个模拟信号发生器，它被配置为直接输出模拟信号因而不需要DAC 334。刺激发生器335还可以进行信号放大从而不需要扬声器放大器330。

在听力学测试中，DPOAE信号是由主麦克风326a和328a检测的。这些麦克风还被用于检测对应于诱导DPOAE信号的基础刺激声以及噪声和干扰。.同时，噪声和干扰信号还由辅助麦克风326b和/或328b检测。麦克风362a、362b和/或麦克风328a、328b的输出由信号预处理单元331(即信号调节器)处理后由模数转换器332数字化，然后由控制单元338发送至通信单元340。通信单元340将数字化的信号通过通信链接342发送至中心处理单元处理。

在目前的实施例中，DPOAE探头326和328可被同时用于DPOAE抑制测试。例如，为测试左耳DPOAE抑制，左侧DPOAE探头326可用于产生诱发左耳DPOAE所需的基础刺激声而右耳探头可用于生成所希望的右耳刺激信号以诱发左耳产生的DPOAE的抑制。

现参考图4，所示为一个系统400的一个示例实施例的框图，其中可生成模拟的DPOAE抑制信号以助确定在实际测试被测者时可能使用的系统300的硬件参数，以及助于测试本文所述的信号检测方法。第一基础音调发生器402和第二基础音调发生器404可被配置以产生具有所期望的频率f₁和第一幅度A₁的第一音调以及产生具有所期望的频率f₂和第二幅度A₂的第二音调。第三音调发生器406可被配置用于产生第三频率为f₃＝2f₁-f₂幅度为A₃的预期畸变产物，如图5B所示。一个方波发生器408可被配置用于产生一个期望频率在f₄的神经调制信号以模仿DPOAE抑制。在某些实施例中，此频率可在0.25到1Hz范围，对应于1到4秒的调制信号周期。方波发生器408和第三音调发生器406的输出然后可以由混合器410组合以模拟DPOAE抑制。

同时，噪声发生器模块420可配置用于生成仿真的噪声/干扰信号。噪声发生器模块420可包含一个高斯白噪声源422，它可仿真主、辅麦克风通道的共同噪声源。高斯白噪声源422可配置以产生两个噪声输出，一个是为主麦克风440，另一个为辅麦克风450。所述要传输至主麦克风的噪声可由一个第一滤波器424滤波，而所述要传输到付麦克风的噪声可由一个第二滤波器426滤波。在当前的实施例中，所述滤波器为带通滤波器，它们用于仿真噪声耦合路径，诸如那些在图一由数码125和127所参引的噪声耦合路径。图5B所示的第一滤波器424的输出可记作V(n),它是前面所描述的系统100中噪声信号。在某些实施例中，所述滤波器424和426可以是给配置的诸如无限脉冲响应的数字滤波器。

信号V(n)连同由第一音调发生器402和第二音调发生器404产生的基础刺激音，以及在混合器410输出端的DPOAE抑制信号由加法器430组合生成仿真的主麦克风信号Z(n)，如先前系统100所描述和图5A所示的那样。利用前述描述系统100同样的命名规则，由辅助麦克风450检测的噪声可记作Y(n)。图5C展示了按照下面进一步详细描述的方法、基于仿真的DPOAE数据所估计的(即复原的)DPOAE幅度。仿真表明，为优化处理检测到的信号，辅助麦克风通道的传递函数应当尽可能与主麦克风通道的传递函数相匹配。在某些情况下，可调节探头和麦克风的设计以优化主辅麦克风通道的匹配。

为确定DPOAE抑制的幅度可采用前述方法200中的通用方法。例如，在当前的示例实施例中，Z(n)可设为由主麦克风326a或328a(视被测耳而定)在n采样时刻所获得的信号。量Y(n)可设为由辅助麦克风326b或328b(对应于所使用的主麦克风)在n采样时刻所获得的信号。量V(n)可代表耦合至主麦克风326a或328a的干扰或噪声。如前所述，可采用下列表达式：Y(n)＝[y(n) y(n-1) … y(n-q+1)]为一个1×q矩阵；而V(n-1)＝[v(n-1) v(n-2) …v(n-p)]为一个1×p矩阵。

对于DPOAE抑制测试，基础音信号分量以及DPOAE信号可用于定义特征矩阵中的特征F(n)如下:

F(n)＝[cos(ω₁n) sin(ω₁n) cos(ω₂n) sin(ω₂n) cos(ω₃n) sin(ω₃n) cos(ω₄n) sin(ω₄n)] (14)

其中k＝1,2,3,4；f_s是模数转换器ADC 332的采样率；f₁是第一基础刺激音调的频率；f₂是第二基础刺激音调的频率；f₃＝2f₁-f₂是DPOAE频率；f₄＝αf₃表示用于DPOAE测量中的基础噪声电平估计，其中α≈1,例如1.1。这些量一起可定义观测矩阵

信号强度或特征(即特征矩阵的元素)的幅度可被定义为x_sc1(n),x_ss1(n),x_sc2(n),x_ss2(n),x_sc3(n),x_ss3s(n),x_sc4(n) and x_ss4(n)。于是，(上述式9的)X_s(n)可定义为Xs(n)＝[x_sc1(n),x_ss1(n),x_sc2(n),x_ss2(n),x_sc3(n),x_ss3s(n),x_sc4(n) x_ss4(n)]^T。

对应于干扰项v(n-1) v(n-2) … v(n-p)的干扰强度(即自回归系数)可定义为a₁(n) a₂(n) … a_p(n)。此外，对应于辅助信号记录干扰项y(n) y(n-1) … y(n-q+1)的干扰强度(即移动平均系数)可定义为b₀(n) b_b(n) … b_q-1(n)。此外，X_a可定义为X_a(n)＝[a₁(n)a₂(n) … a_p(n)]^T，而X_b可定义为X_b(n)＝[b₀(n) b₁(n) … b_q-1(n)]^T，从而向量X(n)可为

建立了这些定义，图2中的方法200即可用于实时地从主麦克风获取的信号Z(n)中估计基础刺激音以及DPOAE。

在当前的示例实施例中，畸变产物(DP)的波形DP(n)可由式15a确定。

DP(n)＝x_sc3(n)cos(ω₃n)+x_ss3(n)sin(ω₃n) (15a)

基于上述对DP(n)的表达式，畸变产物的幅度DP_amp(n)可由式15b确定。

DP的相位可由式15c确定。

其他信号分量如基础音调可用类似的方法获得。

由于两个基础音和DPOAE均可用这里所描述的方法实时估计，一种专门用于实时监测DPOAE抑制测量中耳肌反射的方法也可以开发出来。例如，当高强度的抑制声呈现于对侧耳道时，中耳肌会将使双耳的耳膜处于刚度更高的状态。在DPOAE测试中，由DPOAE探头扬声器产生的基础音刺激首先向前运动至耳膜。当刺激声到达鼓膜时，它们被分成两部分:一个传输部分它通过鼓膜进入中耳和一个反射部分它被鼓膜反射回麦克风。前向波和反射部分的反向波在主麦克风相加。前向和后向波幅度的相对变化可引起主麦克风所记录的基础音调的相位变化。当中耳肌反射发生时，由于采用高响度刺激来诱发DPOAE抑制，鼓膜的刚度可能突然增大，这引起反射波突然增大而导致检测到的基础音调的相位突变。因为基础音系高声级信号，约50-70dB SPL,它们的幅度和相位可由本文描述的方法可靠地测量。通过监测基础音调的相位变化，可检测到中耳肌反射(MEMR)的出现。

在较高的频率，鼓膜的响应和耳道内的声波变得更加复杂。为使用上述信号估计方法，可在DPOAE探头内引入一个低频(例如DPOAE频率的10-30％)音调，而不是利用高频基础音来监测中耳肌反射(MEMR)，只要所引入的音调不引起能观测到的DPOAE反应的变化即可。

用于DPOAE抑制检测的数据采集硬件

现参考图6，所示的是对应于图3中系统300的DPOAE抑制检测系统600的另一个示例实施例。相应地，类似的数字编号用于和图3相对应的部件模块。在当前的示例实施例中，可配置的处理单元602可以是诸如笔记本电脑的一个计算机。然而，应当理解别的硬件和软件组合也可使用。例如，在别的实施例中，可配置的处理单元602可以是诸如平板电脑、移动电话等的手持式计算装置。图6所示的数据采集单元620可通过数据电缆642和可配置处理单元602连接以提供一个通信链接以助数据采集单元620和可配置处理单元602之间的数据传输。数据电缆可以是USB电缆或另一个有线通信链接。然而，在其它的实施例中，也可利用诸如蓝牙这样领域里已知的通信协议以建立无线通信链接。

连在数据采集单元620的有两个DPOAE探头626和628，它们可以完全一样、且可以以类似于图3所描述的那些方式来配置。每个探头626和628可用作标准的DPOAE探头以提供DPOAE刺激和记录DPOAE结果，或作为插入式耳机(即一个被配置为仅输出声音的DPOAE探头)来提供DPOAE抑制刺激(即抑制声Suppressor，为诱发抑制现象的刺激声)。探头626和628是用作DPOAE探头还是用作抑制声插入式耳机可由数据采集单元620通过接收来自处理单元602的命令完全控制。例如，临床医生可指定一个耳来做DPOAE抑制测量，选择适当的探头作为DPOAE探头而另外的探头可配置为抑制声插入式耳机。

现参考图7，在此所示的是按本文教导的DPOAE探头650的一个示例实施例。如虚线框所示，所述DPOAE探头可含一个窄的锥形体以便适配于耳道和一个宽的圆柱体部分以安置使DPOAE探头650在使用时正常工作所需的电子部件。

现参考图8A-8E,在此所示的是和DPOAE650类似的DPOAE探头800的一个示例实施例的各部件的结构图。图8A是探头800的一个剖视图。一个大的圆柱形探头盖可容纳两个探头扬声器850a和850b，当探头800用作DPOAE探头时它们可以被配置用以产生DPOAE所需的刺激基础音调(f1和f2)，当探头800用作抑制声插入式耳机时它们可以被配置以及产生抑制声信号。在探头盖802处设有一个电缆孔803，以容纳一个连接DPOAE探头和数据采集单元620的电缆。在探头上可有一个锁扣针孔803‘可以让锁扣针插入到探头壳体804上对应的锁扣针孔，以将探头802固定在探头内套上。一个印刷电路板(PCB)830可用于容纳主麦克风832和辅助麦克风834(也可参见图8D)。一个柔韧的探头头套824具有一个增大的远端部分825，它和探头体806的远端部分具有可释放的连接。

印刷电路板830和扬声器850a和850b可被封闭于探头壳体804内，此壳体和探头盖802具有可释放的连接用以装配探头800。例如，探头锁扣针820和822可用于固定探头盖802和探头壳体804。探头锁扣针820和822可用金属，塑料或其他适合的材料制成。在此示例实施例中，在针820内的小孔821的另一端(例如，见图8F)是封闭的，而在一些实施例中针822内的小孔823是开放的，如下文所述，用以释放压力和感测噪声/干扰。

探头体806可为锥状以和耳道适配，它在探头体806远端(即当探头插入耳道是最靠近鼓膜的那端)的表面可含有数个径向沟道815，816，818和819。可以理解当探头800和软探头套插入被测者耳道时，如果沟道815被堵塞，比如被耳垢堵塞，则从耳道(由探头和鼓膜所封闭)到耳道外环境就没有空气通道可利用。但沟道815处于探头体806的表面，当探头头套824被拿去时，沟道815就会露出，从而可轻易加以清洁防止被堵。这使得沟道815成为压力释放通路的一个重要部分。沟道816和819可用于向耳道传送声音。沟道818可耦合到主麦克风832，而沟道817则可耦合到辅助麦克风834。因为辅助麦克风并不需要捕获DPOAE信号，当探头完全装配好时沟道817在探头顶端是密封的。然而，沟道817还通过孔814‘与小的表面沟道815耦合以形成一个至被测耳道的小通道，从而环境噪声和耳道内其它噪声扰动可被记录为辅助信号。这个用于辅助信号记录的结构还与被测耳道及外部环境均相连，提供一个空气通道，因而它形成了一个压力释放通道。此结构之所以能有效感测耳道内扰动噪声的原因将在接下来的段落里进一步解释。所述麦克风和扬声器通道都是紧密耦合的以确保扬声器-通道界面或通道-麦克风界面的声泄露最小或不存在。此外，可以理解在当前实施例中，当耳套624从探头800取下来时，可以容易地清洁通道816，818和819。

现参考图8B,它所示的探头壳体804和探头体806外部特征视图。沟道817在探头体806内，当探头装配完成时沟道817在远离探头体806的端口(即远离探头盖803那一端)被密封。侧面沟道816和819面向前方且耦合至通向扬声器850a和850b的内部通道(未显示)。因而，侧面通道816和819可在使用时用以将扬声器850a和850b的声学输出发送出来。在上方的沟道818可用于将声能耦合至主麦克风832而下方的沟道817可用于将声能耦合至辅助麦克风834。在这方面，上方沟道818与通向主麦克风832的内部通道810物理耦合，而下方通道则与通向辅助麦克风834的内部通道808物理耦合。主麦克风832以及主麦克风通道通常和探头顶头部分的大的开口相连接，以允许声音从被测耳道高效传地输到主麦克风832。或，在一些实施例中，扬声器及其耦合通道可以是垂直朝向的而麦克风及其耦合通道可以是水平朝向的。一般地，扬声器832和834以及麦克风850a和850b都分别与其相应的内部通道紧密耦合以确保在传感器和它们通道的接口处的声学密封。

现参考图8C,其中显示的是DPOAE探头800沿着其径向显示探头800内部结构的截面视图。辅助麦克风834连接到一个压力释放结构，它包含:(1)一个由探头体806和探头耳套824(见图8F)所形成的小的表面通道815，以提供从被测者的耳道至孔814'的气体通道。(2)孔824',它与小的表面沟道815以及连接至辅助麦克风834的内部通道808相连接。(3)内部辅助麦克风通道808，其中在探头头的开口817在探头装配好后总是密封的。以及(4)在锁扣针822中的内孔823，如图8B所示，它连接辅助麦克风通道808和探头808的外部环境。

小的表面沟道815可用于压力释放和感测，这样当耳套824加到探头体806远端时，小的表面沟道形成一个狭窄的通道，它仅允许耳道内的静压力被释放，且仅允许耳道内扰动噪声所引起的低频的声音/压力波通过。因而，可阻止绝大部分的环境噪声能量进入耳道。孔823可允许辅助麦克风834来感测环境噪声而孔814'与表面通道815一起可允许辅助麦克风来感测耳道内的扰动噪声(诸如由运动，血压脉搏等引起的噪声，它们的能力主要集中在低频范围)。在当前的示例实施例中，耳道内扰动噪声(通常在低频)和环境噪声均可同时被感测。

探头耳套824套在探头体806上，使用时用于将探头紧紧地适配于被测者的耳道。探头耳套824的远端部分被扩大以更好地适配被测者的耳道从而提供声学隔离和减少进入耳道的环境噪声。探头套824的一个放大的外部视图也由图8E示出。探头套824可用任何诸如橡胶或硅酮等柔软的生物兼容材料制成，并可被制成不同尺寸以方便适配不同大小的耳道。

图8F显示探头套824、探头体806和探头盖802连同印刷线路板830完全装配好后的截面视图。如前所述，各种内部孔洞和通道可用于释放压力和感测噪声。特别地，孔823、孔814'，小的探头体表面沟道815和内部通道817一起可被认为是探头的压力释放通道。如图所示的通路855，通过与耳道内探头套结合的表面沟道815可建立一个封闭耳道和外界空气环境的空气通路。表面沟道815与能衔接辅助麦克风通道808的孔814'相连接。相应地，辅助麦克风通道808与孔823相连接以衔接外部环境。此外，内部通道817在顶端用胶水或塑料密封，因为此通道是和辅助麦克风834是耦合的。

对于处理由DPOAE探头800获得的信号，因为诱发抑制的信号的开-关时间是受控的因而是已知的，所以有可能通过同比平均方法进一步改进DPOAE抑制的检测。在此情况下，所估计的DP幅度波形可被分为一些窗口长度等于诱发抑制信号周期的数据段。在DPOAE测试时，所述数据段被记录、平均，而动态平均结果可显示给临床医生，例如，可通过一个可用于系统300的应用用户接口实现显示，图9C示出了这个用户界面的一个实例。所述可配置处理单元可提供额外的用户界面和控制选项如图9A和9B所示，以向临床医生提供测量到的DP信号和参数。特别地，图9A显示左耳和右耳的DP图，它是畸变产物(DP)水平作为第二基础刺激音f2函数的绘图。图9A显示左耳和右耳DP的输入-输出图(IO-Gram)，它是畸变产物(DP)水平作为DPOAE刺激参数L1的函数的绘图。

例2：对受连续运动伪迹污染或脉搏微弱被测者的血压信号的示波法血压监测

临床上被接受的自动无创血压监护仪(NIBP)分为两类。第一类是基于听诊法，而第二类是基于示波法。

在听诊法中，一个气压袖带一般被置于被测者的手腕或上臂，一个声学传感器可被置于袖带下。袖带首先被充压至收缩压之上以阻断动脉血流，然后袖带被慢慢放气。随着袖带的压力降低，当袖带压力对应于被测者的收缩压和舒张压时可检测到特征音(即柯氏音Korotkoff Sounds)。

在示波法中，对血压的估计是基于当充气和放气过程中施加袖带压力时获得的脉冲波形。一般地，绝大多数市场上可买到的自动无创血压计采用示波法。所记录的袖带压力波形的信噪比对测量精确性是重要的。被测试者的运动和环境低频噪声、以及在诸如肥胖或严重患病者等特定人群中可见的微弱的袖带压脉冲，均可导致低信噪比，从而低的测量精度。

人们多种通过检测和去除运动伪迹(伪迹去除法)以改进精确度的努力被尝试过。然而，大部分这类尝试利用阈值法，其中在被测试者运动时所采集的数据被简单地丢弃，导致较少的有用数据。特别是，例如，在训练和心脏负荷测试时，被测试者处于连续运动中，这种方法可能不适用。对伪迹去除法的一种改进是用加权平均，即对噪声大的数据给予小权重而对噪声小的数据给予大权重从而有更多可用的数据。但是，如果噪声和干扰在原始记录里具支配地位，加权平均法将导致非常长的处理时间和/或不能检测到所希望的信号。虽然示波法比听诊方法更不容易受声噪声或伪迹的影响，它仍然受到低频环境噪声和振动的影响。对于具有弱脉冲的对象，伪迹和噪声可以显著地损害测量精度，甚至可以甚至使血压测量不可能。对于这些受试者，除了基于标准袖带的系统之外，常规实践是使用更复杂的系统。例如，对于肥胖对象，可以同时使用超声多普勒来检测心脏收缩和心脏舒张压。

现在参考图10，其中示出了示例性实施例的框图血压监测系统1000，它包括可配置处理单元1002，核心处理单元1004，可选处理单元1006，传感器单元1010，特征数据发生器单元1050和相应的信号处理方法以减少环境噪声和运动伪迹并增加血压测量的信噪比。传感器单元1010包括数据采集单元1020和血压袖带1025。系统1000还包括电源单元1036，电源单元1036可以是外部电源，或可选地，内部电源例如电池。电源单元1036向系统1000的各种组件提供电力，整个系统配置类似于前面所述中图1的信号检测系统100以及图3的DPOAE抑制检测系统300。

在标准的示波血压测试中，将可充气的袖带放置在对象的上臂或手腕周围。在充气/放气过程中采集袖带压力波形。采集的袖带压力波形用于估计心脏收缩和心脏舒张血压。然而，根据本文的教导，为了改善血压测量，附加的传感器通道可以与数据采集系统一起使用以提供额外的数据，该附加数据被处理以检测运动伪迹和环境噪声，并从血压测量中去除它们，如下面更详细描述的。

传感器单元1010包括数据获取单元1020和袖带1025，其示例性物理实施方式在图11A中示出。在本示例实施例中，数据采集单元1020可以包括主袖带压力传感器1026，它执行与图1的主传感器126类似的任务；以及辅助传感器1028，它包括加速度传感器1024a和压力传感器1028b，它们一起执行与图1的辅助传感器128类似的任务。在单元1020的数据采集中，可将各种组件安装到印刷电路板(PCB)上。加速计1040a和压力传感器1028b可被配置为检测运动伪迹和环境噪声信号，而主袖带压力传感器1026记录数据。类似于系统100和300，数据采集单元1020包括用于控制压力信号、噪声信号和伪迹信号采集的微控制器单元1038，以及压力控制单元1029，压力控制单元1029调节由袖带1025在血压测量期间施加于被测对象的压力。所获取的信号通过通信链接1042上的通信单元1040发送到可配置处理单元1002，采用类似于所述系统100和300的实现来处理信号。在可选实施例中，组合传感器1028不包括加速计。在这些情况下，可以修改下面描述的建模和方程以顾及不使用加速计的情况。

为使用可配置处理单元1002确定血压，这里可使用先前关于自适应信号处理所描述的一般方法。换句话说，可首先为此特定的应用定义量H(n)和X(n)，而先前所述的处理用于获得所期望信号，在本情况下此期望信号为被测对象的血压测量。z(n)被定义为从主袖带压力传感器1026(即，主传感器)在采样时刻n获得的信号；Y(n)是来自组合传感器1028(即辅助传感器1028)的信号，而v(n)是耦合到主袖带压力传感器1026的干扰或噪声。As described,Y(n)＝[y(n) y(n-1) … y(n-q+1)]which is a 1 x q matrix andV(n-1)＝[v(n-1) v(n-2)… v(n-p)]which is a 1 x p matrix.如所述，Y(n)＝[y(n) y(n-1) … y(n-q+1)]是一个1xq矩阵而V(n-1)＝[v(n-1) v(n-2) … v(n-p)]是一个1xp矩阵。对于血压测量，在采样时刻n记录的信号z(n)可被认为是无噪声袖带压的和在该采样时刻干扰项(例如，等式4的v(n))的叠加。如果无噪声袖带压力信号样本被定义为X_s(n)＝[x_s(n)],，则特征向量可以写为X_s(n)＝[x_s(n)]，将此关系与上述等式7进行比较，特征矩阵F(n)可定义为单一常数。例如，F(n)＝[1]。这些值一起可用于定义观测矩阵

为使用可配置处理单元1002确定血压，这里可使用先前关于自适应信号处理所描述的一般方法。换言之，可首先为此特定的应用定义量H(n)和X(n)，而先前所述的处理用于获得所期望信号，在本情况下此期望信号为被测对象的血压测量。z(n)被定义为从主袖带压力传感器1026(即，主传感器)在采样时刻n获得的信号；Y(n)是来自组合传感器1028(即辅助传感器1028)的信号，而v(n)是耦合到主袖带压力传感器1026的干扰或噪声。如所述，Y(n)＝[y(n) y(n-1) … y(n-q+1)]是一个1xq矩阵而V(n-1)＝[v(n-1) v(n-2) … v(n-p)]是一个1x p矩阵。对于血压测量，在采样时刻n记录的信号z(n)可被认为是无噪声袖带压的和在该采样时刻干扰项(例如，等式4的v(n))的叠加。如果无噪声袖带压力信号样本被定义为X_s(n)＝[x_s(n)],，则特征向量可以写为X_s(n)＝[x_s(n)]，将此关系与上述等式7进行比较，特征矩阵F(n)可定义为单一常数。例如，F(n)＝[1]。这些值一起可用于定义观测矩阵

相应干扰项v(n-1) v(n-2) … v(n-p)的干扰强度(即自回归系数)可定义为a₁(n) a₂(n) … a_p(n)。另外，相应干扰项y(n) y(n-1) … y(n-q+1)的干扰强度(即，移动平均系数)可被定义为b₀(n) b₁(n) … b_q-1(n)。这些项一起可用于构成一个线性系统，其在耦合到主通道的噪声和辅助通道之间建立一个联系。如先前在信号模型中所描述的，噪声可被认为源于所述共同噪声源，由此所述噪声被耦合到与所述主传感器和辅助传感器相对应的两个线性系统。同样，如前所述，通过自回归移动平均，即ARMA模型来对噪声和伪迹建模，可以在主通道和辅助通道之间进一步建立关系。此外，X_a可以被定义为X_a(n)＝[a₁(n) a₂(n) … a_p(n)]^T而X_b可以被定义为X_b(n)＝[b₀(n) b₁(n) … b_q-1(n)]^T，以使向量X(n)为

建立了这些定义，图2中的方法200可被应用以从所述袖带压力传感器信号Z(n)中去除所述噪声和运动伪迹。于是，所估计的血压测量信号可用于提供具有改善的信噪比的袖带压力测量。然后可以采用标准方法，如基于袖带放气时振荡包络斜率变化或基于包络最大值的方法，从估计的血压测量信号中估计心脏收缩和心脏舒张压。

现在参考图11A和11B，其中分别示出了用于血压监测系统1000的传感器和数据采集硬件的示例性实施例的结构视图。数据采集单元1020和血压袖带1025可以集成到单个设备中。血压袖带1025的第一纵向边缘包括第一管1102，血压袖带1025的第二纵向边缘包括第二管1104。管1102和1104可由硅或任何其它能让辅助压力传感器感测可能污染期望信号的伪迹的材料制成。在一些实施例中，第一和第二硅管1102和1104二者可连接到数据采集单元1020中的辅助压力传感器1028b。类似地，加速度计1040a被配置为检测运动，可以固定在数据采集单元1020中的印刷电路板的结构上，被配置为检测运动伪迹，从而有助于改善主袖带压力传感器信号的信噪比。来自这些辅助传感器1028a和1028b的输出数据构成观测矩阵H(n)中的Y_i(n)。

剖面线1130指示剖面观察点，其剖面被进一步描绘于图11B，它对应于沿着袖带1025中间某处的一个位置。现在参考图11B，其中描绘的是所述主气囊1120和管1102和1104放大的截面视图。在本示例性实施例中，泵和阀系统(没有示出)可以连接至气囊1120对袖带1025充气和放气。气囊1120以及管1102和管1104的远端(例如气囊位于远离数据采集单元1020的部分)被密封，以确保当气囊1120充气时保持一个恒定的压力。主气囊1120可连接到所述袖带压力传感器1026(即主压力传感器)用于采集该袖带压力数据，从中获得在血压袖带1025充气和放气时的血压波形。因此可基于去除所估计的噪声和伪影后的血压波形来估计示波法血压。

一种具有集成校准的无创连续血压监测

长期连续血压监测对于心血管问题的诊断、它们的干预和重症护理具有显著的价值。然而，标准的基于袖带的血压监视器不适于长持续时间的连续血压监测，因为要得到单个血压测量通常需要至少一个袖带充放气循环(约1分钟)。另外，频繁的袖带充气和放气，可打扰受试者的白天活动和扰乱患者的夜间睡眠，使这种方法血压测量不适用于长期监测。在非妨碍性连续血压监测技术方面已经做了很多工作。但是，这些常规技术或者是当长时间检测时不舒适或者是需要额外的设备做校准。然而，根据本文的教示，提供了系统和方法，其校准与测量步骤可以整合成单一又穿着舒适装置，适用于长时间的连续监测。

根据这里的教导，一个类似于图10中所描述的系统血压监测系统，可经改造其以适用于长时间和连续的监测。这可以通过直接在低恒定的袖带压力下从测得的袖带压力波形中推导出动脉血压的方法实现。袖带压力可被控制在比舒张压附近或稍低使血液能自由地在袖带下的动脉中流动以使不适最小。否则，在检测中被测对象会感觉到血流中断。

一般而言，袖带压力波形可以被认为是以下各项的函数：(1)动脉血压的袖带放置的位置；(2)袖带放置的处动脉血管和周围组织的弹性柔量；以及(3)袖带的弹性柔量。此关系可表述为：

P_s-P_c＝f(P_b-P_c) (16a)

其中，P_s是主袖带压力传感器1026所测量到的脉搏压力；P_c是从主袖带压力传感器1026所测量导出的袖带压均值；而P_b位于袖带1025下血管内的动脉压。由于血管具有非线性的柔量从而f()可为非线性函数。

为了恢复动脉压力P_b，上述方程16a可以写为如式16b所示。

P_b-P_c＝f^-1(P_s-P_c)＝g(P_s-P_c) (16b)

假定g()可由泰勒级数近似,等式16b可写为下列等式16c中的和:

其中w代表近似误差。

比较等式16c和上面的等式7，可注意到X_s对应于[d₀ d₁ … d_K-1]^T而且F对应于[(P_s-P_c)⁰ (P_s-P_c)¹ … (P_s-P_c)^K-1]，而V和Y不适于式16c。所以图2中描述的方法100可被用于估计系数d_i。在此情况下，P_s和P_c的值可从上述例2中所估计的主袖带压波形以及通过对所估计的主袖带压波形的移动平均来获得，特别地，

如果知道系数d_i，那么袖带下血管内的动脉压P_b可被确定。

一般而言，袖带的弹性柔量参数可依赖于袖带的平均压，袖带所处位置处的动脉压，袖带的柔量，所以用于血压测量的更一般的公式可采用g(x,y)形式的多变量函数，其可用多变量的泰勒级数展开如等式16f所示。

P_b-P_c＝g(P_s-P_c,P_c) (16f)

多元泰勒展开可以用泰勒展开近似中的两个变量，如g()函数所示。在本示例实施例中使用了第二和第三阶近似。可以理解，可以用类似的方法获得高阶展开式。

对一个函数u＝g(x,y)，在(x₀,y₀)点的二阶泰勒展开可以写为如方程16g所示。

当所有的系数写成d_i(i＝0,1,..5)和误差项写为w，那么方程16g可被重写为：

g(x₀+Δx,y₀+Δy)＝d₀+d₁Δx+d₂Δy+d₃Δx²+d₄ΔxΔy+d₅Δy²+w (16h)

令u＝P_b-P_c；x＝P_s-P_c；y＝P_c；x₀＝0,；y₀＝P_c0则等式16h可以在x₀＝0；y₀＝P_c0处被估值，使Δx＝P_s-P_c,Δy＝P_c-P_c0。在目前的情况下P_c0可以被称为参考压力。然后，以上的式16f可以重新写为二阶方程16i。

同样的，一个第三阶方程可导出，如方程16j所示。

比较二阶式16i与以上对应于原始记录的式7，可以发现：

X_s＝[d₀ d₁ … d₅]^T (16k)

F＝[1(P_s-P_C) (P_C-P_C0) (P_s-P_C)(P_c-P_C0) (P_C-P_C0)²] (16L)

而V和Y并不适于式16k,使观测矩阵可完全由特征矩阵确定。因此前述方法100可被用于估计二阶系数d_i。

对于三阶展开，比较式16i和以上的式7，可观察到：

X_s＝[d₀ d₁ … d₉]^T (16m)

而V和Y并不适于式16m,使观测矩阵可完全由特征矩阵确定。因此前述方法100可被用于估计三阶系数d_i。

基于上述关系，系数d_i可以通过执行校准方法获得。图12显示了一种可能使用的校准方法1200的示例实施例的流程图。

因此，根据本文教导，具有集成校准的无创连续血压监测可使用校准和连续监测来执行，该校准和连续监测都可以使用图10、11A和11B中所示的相同硬件。

对于校准，一些诸如在图12中方法1200的校准步骤，可用于连续血压监测。在步骤1202，收缩压P_sys和舒张压P_dia可以使用如前所述的血压测量系统1000获得。

在动作1204，平均袖带压力P_c被调整使平均袖带压力比参考压力P_c0大J mmHg，参考压力P_c0可比舒张压P_dia小。在一些实施例中，J的数量可能约10毫米汞柱和P_c0可以设置为80毫米汞柱左右。

在步骤1206，血压袖带被缓慢放气直到平均袖带压力P_c比参考压力P_c0低大约K毫米汞柱，参考压力P_c0比舒张压P_dia要低。一般来说，对标准的血压测试，放气的速率通常是3-5毫米汞柱/秒，使袖带压从200毫米汞柱下降达到50mmHg的时间大约为30到50秒，如图13A所示。对心率约60次/分的被测对象，在放气期间可采集约30-50个心跳脉冲，由于低信噪比，脉冲可能较少被检测到而使校准更困难和倾向于得到不精确的测量，如虚线框1302所示。因此，在一些实施例中，放气速率可设置为小于0.5毫米汞柱/秒，以便能够收集到足够数量的具有可接受的信噪比的血压脉冲。例如，在一些实施例中，压力峰值所期望的振幅可能是RMS噪声的10倍左右。如图13B所示，缓慢的放气允许在袖带压力低于舒张压时收集到更多具有可接受的信噪比的可检测出的脉冲。袖带压力传感器波形P_S可在放气时被记录。

在动作1208，主袖带压力传感器波形P_s的移动平均值(即平均袖带压力P_C)可被记录，如图13c中所示。注意，该记录的移动平均也可以称为袖带压力趋势基线P_C。因此，至少对于连续血压测量，平均的袖带压力和袖带压力趋势基线可以互换使用。对于本教导的目的，为保持一致，采用术语“平均袖带压力”。

在动作1210中，平均袖带压力P_C可以从P_S减去以得到血液脉冲振荡波形(P_s-P_C)，如图13D所示，从中可以进行峰值检测，以确定脉冲峰P_pk(n).。图13E是图13D中所示的波形一部分的放大视图，其中可识别出波峰和波谷。

在动作1212，可生成校准所需的输入(参见，如公式16i和16j)。具体地，所述输入包括对应于每个峰处的袖带压力值P_S的一个数组；对应于每个峰处的袖带压力值P_S的一个数组；参考的袖带压力P_c0；以及一个构建的数组其数组元素或被设置为收缩压P_sys或被设置为舒张压P_dia，其中所述元素的正峰值关联到P_sys和负峰值相对应的元素可被设定为P_dia，如图13F所示。具体地，图13F示出了正峰值和负峰值对应于图13E中时间参考的绘图。该绘图可以通过检查所有的峰部和谷部的波形中确定，如图13E所示。例如，对于每个脉冲峰值P_pk(n_k)，其中，k＝0，1，2，……指代第k个峰值，n_k可以用来指示对应于峰值的时刻。因此，在图13F绘图里，如果峰值是正峰值可在位置(P_pk(n_k)-P_C(n_k),P_sys-P_C(n_k))绘制一个点，如果峰值是负峰值(即谷)可在位置(P_pk(n_k)-P_C(n_k),P_dia-P_C(n_k))建立一个点。

在动作1214，执行由式16a-16n所表示的校准过程来确定测量动脉血压所需要的校准系数d_i。

在本示例实施例中，可对脉冲压力P_s进行峰值检测以形成z(n),其中n＝0,1,2,…,k，使得P_s(n)对应于检测到的第n个峰值。当使用峰值检测时z(n)可重新写为

其中P_C(n)表示在第n个峰值处平均袖带压力的基线值。

对二阶展开H(n)和X(n)可以使用等式16k和16l来定义，使对三阶展开可用等式16m和16n来定义。一般地，平均袖带压力P_C和脉冲压力P_s可以使用在检测到的峰值处的对应值，即P_c(n)和P_S(n)。

Y(V)和V(n-1)可定义为空矩阵。然后可定义F(n)＝[1(P_s-P_c) (P_C-P_C0) (P_s-P_C)(P_c-P_C0) (P_C-P_C0)²]，其中P_s和P_C为在峰值处袖带压和平均袖带压值，而且H(n)＝[F(n)].。此外,X(n)＝[d₀(n) d₁(n) … d₅(n)]^T.

为了进行连续血压监测，在操作期间，袖带压力可以被设置为参考压力P_C0。然而，在实践中，因为其通常难以保持与参考压力P_C0精确匹配，袖带压力离参考压力有约+/-1mmhg的偏差是可以接受的。一旦已经估计出系数d_i，血压波形就可以被计算出。

根据等式16i中描述的二阶展开，可以如等式17a所示确定血压波形：

同时，根据等式16j中描述的三阶展开，可以如等式17b所示确定血压波形：

动脉血压P_b的峰值可以提供收缩压，而动脉血压P_b的波谷可以提供舒张压。可以基于周期性地将袖带压力在舒张压附近周期性地调节来周期性地重新校准系数d_i。该方法是可能的，因为对应于袖带压包络最小斜率(即，最大负斜率)的临界点的舒张压P_dia是可以确定的，可以用此点作为用于校准的新的P_dia。

本文描述的申请人结合各种实施例所传授内容只是为了说明，并不意味着将本申请人的发明的传授内容限制在这些实施例中，因这里所描述的实施例旨在是示例。相反，在并不背离这里描述的实施例的情况下，本文所描述和展示的申请人传授的内容涵盖了各种替代，修改和等同物，此内容的总的范围在所附权利要求中限定。

参考文献

1.James AL,Mount RJ,Harrison RV:实时测量DPOAE的对侧抑制(Contralateralsuppression of DPOAE measured in real time)。Clin Otolaryngol 2002,27:106–112.

2.Konomi U,Harrison RV,Kanotra S,James A.(2014)与对侧DPOAE抑制人类受试者的动态年龄相关的变化(Age related changes to the dynamics of contralateralDPOAE suppression human subjects)。J Otolaryngol Head Neck Surg.2014 Jun 16；43:15.doi:10.1186/1916-0216-43-15.

3.Wolter NE,Harrison RV,James AL.(2014).在畸形产品耳声发射水平调制方面分离橄榄耳蜗和中耳肌肉反射的贡献(Separating the contributions ofolivocochlear and middle ear muscle reflexes in modulation of distortionproduct otoacoustic emission levels)。Audiol Neurootol.2014；19(1):41-8.

4.Stengel,Robert F.最佳的控制和估计(Optimal control and estimation)。Courier Corporation,2012.

Claims (42)

1.一种用于在嘈杂的环境中自适应地检测期望信号S(n)的方法，所述方法包括：

获得主信号Z(n)，所述主信号Z(n)包含期望信号S(n)和来自于一个共同噪声源的噪声和干扰V(n)中的至少一个；

获得辅助信号Y(n)，所述辅助信号Y(n)包含来自于所述共同噪声源的噪声的一个版本和干扰信号的一个版本中的至少一个；以及

在处理单元：

生成一个特征数据集合，具有至少一个信号特征元素用于定义期望信号的至少一个特征；

生成噪声及干扰分量，其对应于所述噪声和干扰V(n)中的至少一个以及所述噪声的至少一个版本和所述干扰的版本Y(n)；

估计所述至少一个信号特征的强度、至少一个噪声及干扰V(n)分量的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的强度；以及

利用所述至少一个信号特征及其相应的强度、所述至少一个噪声和干扰V(n)分量及其相应的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量及其相应的强度估计期望信号S(n)。

2.如权利要求1所述的方法，其中所述的方法包括使用准卡尔曼滤波器来估计强度和期望信号，通过：

定义一个观测矩阵H(n)，此矩阵包含所述至少一个信号特征元素、所述至少一个噪声和干扰V(n)分量的数值以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的数值；

定义一个状态向量X(n),其包含至少一个信号特征的强度、所述至少一个噪声和干扰V(n)分量的模型参数以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的模型参数；

定义一个关于X(n)的状态方程，基于前一时间点X(n-1)和噪声u(n-1)的组合；以及

使用准卡尔曼滤波器来估计状态方程和模型参数。

3.如权利要求2所述的方法，其中所述的方法包括：

定义一个时变信号特征矩阵F(n)，所述信号特征矩阵中的元素的线性组合定义了主信号Z(n)中的期望信号S(n)；

定义一个时变噪声和干扰矩阵，所述噪声和干扰矩阵中的元素的线性组合定义了主信号Z(n)中的噪声和干扰成分V(n)；以及

定义一个观测矩阵H(n)，所述观测矩阵包含F(n)、Y(n)和V(n)，以及用于描述主信号Z(n)的观测方程，在此方程式中Z(n)被表述为状态向量的元素的线性组合。

4.如权利要求3所述的方法，其中所述的方法包括用估计的状态向量和所述特征矩阵的线性组合构建信号分量波形。

5.如权利要求3或4所述的方法，其中所述的方法包括用估计的状态向量和噪声及干扰矩阵的线性组合构建干扰分量的波形。

6.如权利要求3所述的方法，其中所述的方法包括利用辅助信号的实时数据以及利用估计的状态向量来更新噪声和干扰矩阵分量，从而实现自适应滤波。

7.如权利要求1-6中任一项所述的方法，其中所述方法包括基于待测的期望信号，利用解析公式、查找表格或具有特定性质的实际记录来生成至少一个信号特征。

8.如权利要求1-7中任一项所述的方法，其中所述方法包括通过一个线性系统将所述噪声和干扰分量V(n)的分量的至少一个，以及所述噪声的一个版本和所述干扰的一个版本Y(n)的分量的至少一个联系起来。

9.如权利要求8所述的方法，其中所述方法包括利用时变自回归移动平均(ARMA)模型来定义所述线性系统。

10.如权利要求8或9所述的方法，其中所述方法包括利用来自辅助信号的噪声和干扰的时间函数、数据，和/或利用所述处理单元所提供的估计结果的至少一个特性，生成所述的噪声和干扰分量V(n)的分量的至少一个以及所述噪声的一个版本和干扰的一个版本Y(n)的分量的至少一个，从而使所述建模对实际数据具有自适应性。

11.如权利要求1至10中任一项所述的方法，其中所述方法包括使用主传感器来获得主信号Z(n)并使用辅助传感器来获得辅助信号Y(n)。

12.如权利要求1至11中任一项所述的方法，其中所述方法应用于畸变产物耳声发射(DPOAE)测量，并且所述方法还包括使用具有两个扬声器的探头向测试对象提供两个刺激音调，使用一个主麦克风记录主信号Z(n)以及一个辅麦克风来记录辅助信号Y(n)。

13.如权利要求12所述的方法，其中所述的至少一个信号特征包括对应于一个第一刺激音调、一个第二刺激音调以及一个DPOAE信号的信号特征，而且噪声和干扰V(n)和Y(n)分量是从辅助信号获得。

14.如权利要求12所述的方法，其中所述方法被应用于DPOAE抑制测量，并且所述至少一个信号特征还包括对应于具有与DPOAE音调相邻的频率的音调的信号特征以用于本底噪声估计。

15.如权利要求13所述的方法，其中所述方法被应用于监测中耳肌反射(MEMR)是否发生，监测通过检测当抑制器开启和关闭时基础音调或特意引入的音调在一段时间内的相位变化来实现，并通过将所述相位变化与一阈值进行比较来确定MEMR是否发生。

16.如权利要求1至11中任一项所述的方法，其中所述方法被应用于示波法血压监测，所述方法还包括使用一个具有导管的血压袖带用于感测主压和辅压，一个主压力传感器用于获得主信号Z(n)，以及一个具有辅压力传感器的组合传感器。

17.如权利要求16所述的方法，其中所述组合传感器还包含一个加速度计来获取辅助信号Y(n)，在监测中此加速度计用于感测身体伪迹。

18.如权利要求16或权利要求17所述的方法，其中所述的至少一个信号特征是一个单个常数元素，且噪声和干扰分量V(n)以及Y(n)是基于从辅助信号收集的数据。

19.如权利要求16至18中任一项所述的方法，其中所估计的期望信号用于使用标准方法来估计收缩压和舒张压，所述标准方法包括确定袖带放气期间震荡波形包络的斜率改变或确定包络的峰值。

20.如权利要求16至18中任一项所述的方法，其中所述方法被进一步应用于含集成校准的连续血压监测，其中：

所述的至少一个信号特征包括下列元素：1，(P_s-P_C)，(P_C-P_C0(n))(P_s(n)-P_C)(P_c-P_C0)以及(P_C-P_C0)²，其中P_c(n)为血压袖带施加的压力的移动平均值，P_s(n)对应于的血压袖带的压力峰值或最小值；

状态向量定义为X(n)＝X(n)＝[d₀(n) d₁(n) … d₅]^T；以及

主信号为Z(n)＝P_sys-P_c(n)或Z(n)＝P_dia-P_c(n)；其中P_sys是估计的收缩压，P_dia是估计的舒张压。

21.如权利要求20所述的方法，其中对于噪声和干扰V(n)或Y(n)分量是不需要的，且观测矩阵H(n)由信号特征矩阵F(n)定义。

22.如权利要求21所述的方法，其中所述方法包括按照以下方式确定实时连续血压波形：

P_b＝P_c+g(P_s-P_c,P_c)

＝P_c+d₀+d₁(P_s-P_C)+d₂(P_C-P_C0)+d₃(P_s-P_C)²+d₄(P_s-P_C)(P_c-P_C0)

+d₅(P_C-P_C0)²

23.如权利要求20至22中任一项所述的方法，其中至少一个信号特征的强度通过进行校准来获得，所述校准包括：

确定一个血压测量来获得收缩压和舒张压；

将由血压袖带施加的压力设定为高于舒张压约J mmHg的值；

以每秒小于0.5mmHg的速度降低血压袖带压，并记录多个数据对，其中每数据对包含一个脉冲压和相应的袖带压，直到袖带压低于舒张压约K mmHg；

从上述多个数据对中识别出至少一个数据对，其中脉冲压力对应于检测到的脉冲压力峰值或检测到的脉冲压力波谷；以及

基于所测量到的收缩压、舒张压以及所述至少一个识别到的数据对来确定至少一个校准参数。

24.一种计算机可读介质，包含有在处理单元上可执行的多个指令，这些指令调控处理单元以执行在嘈杂的环境中自适应地检测期望信号的方法，所述计算机可读介质包含执行如权利要求1至23中任何一项所述方法的指令。

25.一种用于在嘈杂的环境中自适应地检测期望信号S(n)的系统，所述系统包括：

输入，用于获取主信号Z(n)和辅助信号Y(n)，其中主信号Z(n)包含期望信号S(n)和来自一个共同噪声源的噪声和干扰V(n)之中的至少一个，且辅助信号Y(n)包含来自所述共同噪声源的所述噪声的一个版本和所述干扰的一个版本中的至少一个；以及

和所述输入相耦合的处理单元，所述处理单元被配置来用于：

生成具有至少一个信号特征元素的特征数据集合，用于定义所述期望信号的至少一个特征；生成噪声及干扰分量，对应于噪声和干扰V(n)中的至少一个以及所述噪声的至少一个版本和所述干扰的版本Y(n)；

估计所述至少一个信号特征的强度、所述至少一个噪声及干扰V(n)分量的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的强度；以及

估计期望信号S(n)，利用所述至少一个信号特征及其对应的强度、所述至少一个噪声和干扰V(n)分量及其对应的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量及其对应的强度。

26.如权利要求25所述的系统，其中所述系统还包括主传感器以获得主信号Z(n)和辅助传感器以获得辅助信号Y(n)。

27.如权利要求25或26所述的系统，其中所述处理单元被进一步配置来执行如权利要求2至10中任一项所定义的方法。

28.如权利要求25至27中任一项所述的系统，其中所述处理单元被进一步配置用于执行畸变产物耳声发射(DPOAE)测量，且所述系统包括一个具有两个扬声器的第一探头向测试对象提供两个刺激音调、一个主麦克风用于记录主信号Z(n)以及一个辅麦克风来记录辅助信号Y(n)。

29.如权利要求28所述的系统，其中所述处理单元被进一步配置以定义所述的至少一个信号特征，以包含对应于第一刺激音调、第二刺激音调以及一个DPOAE信号的信号特征，且噪声和干扰V(n)和Y(n)分量是从辅助信号获得。

30.如权利要求29所述的系统，其中所述处理单元被配置用于执行DPOAE抑制测量，所述系统包括一个用于生成抑制音调的第二探头和至少一个信号特征，所述信号特征包括对应于具有与DPOAE音调相邻的频率的音调的信号特征以用于本底噪声估计。

31.如权利要求30所述的系统，其中所述处理单元被配置用于监测中耳肌反射(MEMR)是否发生，监测通过检测当抑制声开启和抑制声关闭时基础音调或特意引入的音调在一段时间内的相位变化来实现，MEMR是否发生是通过将所述相位变化与一阈值进行比较来确定的。

32.如权利要求28至31中任一项所述的系统，其中所述第一探头包括一个压力释放结构，其包括：

一个表面通道，此通道位于探头体的表面且位于耳套下面，所述表面通道具有一个第二端，所述第二端与通向辅助麦克风的辅助通道的第一部分耦合；以及

一个第二通道，具有第一端和第二端，所述第一端与靠近辅助麦克风的辅助通道的第二部分相耦合，所述第二端与未被耳套覆盖的探针的外部环境相耦合。

33.如权利要求32所述的系统，其中所述表面通道具有第一端，所述第一端形成到被测试耳道的一个小通道，从而那些耦合于耳道中的环境噪声和其它噪声干扰能作为辅助信号被记录下来。

34.如权利要求28至33中任一项所述的系统，其中所述系统还包括：

一个数据采集单元，用于产生至少一个刺激来给到被测对象的至少一个耳朵，并收集被测耳的响应数据；以及

一个用户界面，允许操作者配置所述系统以进行听力测试并显示测试结果。

35.如权利要求25至27中任一项所述的系统，其中所述的处理单元被配置以进行示波法血压监测，所述系统还包括一个具有导管的血压袖带用于感测主压和辅压、一个主压力传感器以获得主信号Z(n)以及一个具有辅压力传感器的组合传感器。

36.如权利要求35所述的系统，其中所述血压袖带的第一纵向边缘包括一个第一导管，所述血压袖带的第二纵向边缘包括一个第二导管，这两个导管由能让所述辅压力传感器感测到伪迹的材料制成。

37.如权利要求35或36所述的系统，其中所述组合传感器还包括加速度计，用于获取所述辅助信号V(n)，所述加速传感器用于感测监测过程中的身体伪迹。

38.如权利要求35至37中任何一项所述的系统，其中所述系统还包括：

一个气泵和一个连接到所述血压袖带的内胆的阀门系统，以在使用过程中对所述血压袖带充气和放气；以及

一个压力控制单元，耦合到所述泵和阀门系统，以在使用过程中控制施加于被测者的压力。

39.如权利要求35至38中任何一项所述的系统，其中所述至少一个信号特征是一个常数元素，且噪声和干扰分量V(n)和Y(n)是基于收集来源于辅助信号的数据。

40.如权利要求35至39中任何一项所述的系统，其中所估计的期望信号用于使用标准方法来估计收缩压和舒张压，所述标准方法包括确定袖带放气期间震荡波形包络的斜率改变或确定包络的峰值。

41.如权利要求32至39中任何一项所述的系统，其中所述处理单元被进一步配置以执行如权利要求20至23中任一项所定义的方法。

42.如权利要求35至41中任何一项所述的系统，其中所述系统还包括：

一个数据采集单元，用于收集来自所述主传感器和所述组合传感器的数据；以及

一个用户界面，允许让操作者配置系统以进行血压测试和血压监测中的至少一个，并显示测试或监控结果。