CN107894965A - 一种用于两组不同类型信号的耦合处理方法 - Google Patents
一种用于两组不同类型信号的耦合处理方法 Download PDFInfo
- Publication number
- CN107894965A CN107894965A CN201711233789.5A CN201711233789A CN107894965A CN 107894965 A CN107894965 A CN 107894965A CN 201711233789 A CN201711233789 A CN 201711233789A CN 107894965 A CN107894965 A CN 107894965A
- Authority
- CN
- China
- Prior art keywords
- mrow
- signal
- groups
- sequence
- msub
- 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.)
- Pending
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
- G06F17/141—Discrete Fourier transforms
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种用于两种信号的耦合处理方法。将分类好的信号进行整理后,进行经验模态分解;然后对经验模态分解后的信号使用联合熵方法进行耦合计算,获得评估结果。本发明是基于经验模态分解下的联合熵对一个系统内或者两个关联系统之间的两种不同信号的耦合分析技术,具备用于多个学术领域参考的价值。与两种不同信号的联合熵的耦合处理比较,本发明所提出的基于经验模态分解下的联合熵耦合处理的结果具有较高稳定性和准确性,能提供可靠的两种信号之间耦合关系的评估结果。而且与经验模态分解下的联合熵单一处理信号结果相比较,本发明所提出的方法将两种不同信号进行耦合处理的结果具有更为明显的趋势,大大提高了分析结果的有效性。
Description
技术领域:
本发明涉及通信领域,涉及一种用于两种信号的耦合处理方法,尤其是一种用于两组不同类型信号的耦合处理方法。
背景技术:
联合熵作为信息统计学中的一个统计量,将动力学符号统计理论以及替代数据的概念融入其中,通过计算原始时间序列和其替代时间序列之间的联合熵,来量化序列的动力学复杂性。该方法可以有效的从短时混沌信号中提取出动力学信息,从而反映出序列动力学复杂性的强弱。
经验模态分解法(Empirical Mode Decomposition,EMD)是一种新型的自适应信号时频处理方法,由于它分解信号是依据数据自身的时间尺度特征来进行的,因此经验模态分解法在理论上可以应用于任何类型信号的分解,尤其是在分析处理非平稳非线性数据上,具有特别突出的优势。所以,经验模态分解法被提出后就很快地大量地被应用于不同的工程领域,例如在图像、大气、生物信号、机械故障、地震记录分析以及土木工程结构的模态参数识别方面。利用经验模态分解法将所述信号,分解成为有限个包含了原信号的不同时间尺度的局部特征分量。而且这些分量没有复杂的叠加波,只包含了一种震动模式。这样的,将两种同一系统内或者不同关联系统的不同信号进行分解后,再进行联合熵的耦合计算,得到耦合的结果大大提高了分析结果的有效性。
目前很多系统之间或者系统内部都存在耦合、同步关系,但是如何应用这种耦合关系来考察一个系统内部的两种信号的耦合关系的变化或者两个关联系统之间的耦合关系的变化,以及应用来对两种信号之间耦合效果的监测等问题还未见提及。因此需要提出一种新的技术方案解决上述问题。而且本发明设计运算较为简单,实现方面有较强的可行性。
发明内容:
本发明提供了一种用于两种信号的耦合处理方法,利用经验模态分解下的联合熵来对一个系统内或者两个关联系统之间的两种不同信号的有限个本征模函数一一对应进行联合熵的耦合计算,然后进行耦合分析,得到在两种信号的耦合强度的变化和趋势,为分析一个系统内部的两种信号的耦合关系的变化或者两个关联系统之间的耦合关系的变化方面提供重要依据。本发明首先将有用的信号分类;然后将分类好的信号进行整理后,进行经验模态分解;最后对经验模态分解后的信号使用联合熵方法进行耦合计算,获得评估结果。
无论是与两种不同信号的联合熵的耦合处理比较,还是与经验模态分解下的联合熵单一处理心电信号或者呼吸信号结果相比较,本发明所提出的基于经验模态分解下的联合熵耦合处理的结果具有较高稳定性和准确性,能提供可靠和有力的评估结果,而且基于经验模态分解下的联合熵将两种不同信号进行耦合处理的结果也是具有更为明显的趋势,大大提高了分析结果的有效性。
本发明是基于经验模态分解下的信号耦合分析技术,具备用于一个系统内部的两种信号或者两个关联系统的两种信号的耦合关系变化的观察以及应用,能对两种信号之间耦合效果的监测等问题方面提供可靠评估价值。
本发明的特点是计算方法使用方式新颖,将先进的信号处理技术、经验模态分解法与联合熵的耦合应用有机结合,计算并分析一个系统内或者两个关联系统之间的两种不同信号的耦合关系,可以作为评价两种不同信号耦合关系的一种指标,与两种不同信号所属的一个系统内或者两个关联系统个性特征和协调运作评估有密切的相关性。本发明得到的两种不同信号的耦合关系,为一个系统内部或者两个系统之间的指标测定及信号耦合与系统关系的评价提供了有效工具,具有非常重要的意义。
本发明的目的是通过以下技术方案来实现的:
一种用于两组不同类型信号的耦合处理方法,包括以下步骤:
步骤一:将两组不同类型信号按照信号类型的不同进行分组;
步骤二:检测两组不同类型信号的波群,对两组不同类型信号的波群进行整形,获取两组不同类型信号的两组序列;
步骤三:将两组不同类型信号的两组序列分别进行经验模态分解,获得两组不同类型信号的本征模函数序列;
步骤四:分别将两组不同类型信号的两组各个本征模函数序列进行联合熵的耦合计算,获得参数值,分析耦合程度。
所述两组不同类型信号是在同一采样频率下得到的,每一组信号的序列时长和点数相同;所述两组不同类型信号是一个系统内或者两个关联系统之间的两组不同信号。
所述步骤二对电信号进行放大,滤波;检测放大后的波群,剔除异搏,对波群进行整形,提取有用信息,得到电信号序列。
所述两组不同类型信号分别为呼吸信号和心电信号。
所述步骤三包括:
将两种信号序列分别进行经验模态分解,分别得到两种信号的n个本征模函数序列。其中经验模态分解法(Empirical Mode Decomposition,EMD)是一种新型的自适应信号时频处理方法,由于它分解信号是依据数据自身的时间尺度特征来进行的,因此经验模态分解法在理论上可以应用于任何类型信号的分解,尤其是在分析处理非平稳非线性数据上,具有特别突出的优势。所以,利用经验模态分解法将所述的两种信号序列,分解成为有限个包含了原信号的不同时间尺度的局部特征分量。而且这些分量没有复杂的叠加波,只包含了一种震动模式。
经验模态分解法是将一个非线性、非平稳的时间序列进行分解,使最终结果成为有限个本征模函数(Intrinsic Mode Function,IMF)和一个残余量的形式,其表达形式如下式所示:
s(t)=∑IMF(t)+r(t)
EMD方法的分解过程总结如下4个步骤:
(1)设原始的时间序列为s(t),找出其局部极大值和局部极小值。在相邻的极值间用三次样条插值函数拟合形成原始数据s(t)的上包络线U(t)和下包络线L(t)。
(2)将上包络线和下包络线的均值记作m(t),其中m(t)=[U(t)+L(t)]/2。将平均包络从原始信号中去除得到一个新的数据序列,表示为h(t)=x(t)-m(t)。
(3)这个新的数据序列,如果还存在负的局部极大值和正的局部极小值,说明这个新的数据序列还不是一个本征模函数,需要重复上述分解过程直到满足上述要求,得到IMF(t)=h(t)。
(4)从原始时间序列中去除这个得到的IMF量,得到剩余量r(t)=x(t)-h(t)。此时需要判断该剩余量的幅度是否小于某个预设值;该残余量已是单调函数,不再需要继续进行分解。但是第一次分解得到的残余量一般情况下不会达到上述两个标准,所以仍然需要继续分解。即令x(t)=r(t),然后重复上述步骤(1)~(4),直到达到设定的残余量满足条件为止。
将两种不同信号分别经过上述过程,获得两种信号的有限个本征模函数序列。
所述步骤四包括:
传统的计算联合熵的过程如下:
(1)将时间序列转换成符号序列
符号动力学在分析时间序列复杂性方面有着显著的作用。现设一个心跳时间序列为X,其中X={x0,x1,x2,…,xi,…,xN},xi表示第i个心跳间期。把HRV序列X转换成符号序列S={s1,s2,s3,…,si,…,sN},si∈A(A=0,1,2,3)。具体的转换方法如下方程所示。
这里i=1,2,3,……。u代表心跳间期的平均值,a是一个特殊参数,取a=0.05。且当a取0.04到0.07时都可得到相似的结果。但当a的取值小于0.04或大于0.07,则不能得到较为合理的统计特性。这主要是因为a的值取的过大或过小,在把原始时间序列转化成符号序列时,会导致细节信息的丢失,不能很好的捕捉到信号中的动态信息。
(2)产生替代序列并转换成符号序列
先取原始时间序列X的替代时间序列Y。根据Schreiber等人提出的打乱相位法,将原始时间序列X进行傅立叶变换得到其功率谱。将此功率谱中各频率成分的相位随机的改变,然后进行逆傅立叶变换,这样得到的数据序列就是原始时间序列的替代数据Y。然后再依据方程式(1)把替代时间序列Y也转化成符号序列,得到了替代序列的符号序列。
(3)计算联合熵
对于原始时间序列X和其替代时间序列Y之间的联合熵H(X,Y)可表示为:
这里m,n代表的是“三位字”的总状态个数(m=n=64),pij代表X序列在第i个状态且Y序列在第j个状态(i,j∈[1,64])的几率。
联合熵还可看成是一个序列的熵与另一个序列的条件熵的和,即可表示为:
H(X,Y)=H(Y)+H(X/Y)
其中,H(Y)表示替代时间序列Y的熵函数,且其中pj是变量Y在状态j出现的概率。H(X/Y)表示在Y给定情况下X的条件熵,条件熵是一个序列在另一个序列给定条件下的“不肯定度”。
所述步骤四中包括:
将进行经验模态分解后的两种信号本征模函数序列分别一一对应代入联合熵方法中计算联合熵值,获得参数值,即可进行利用,评估两种信号的耦合关系。
其中联合熵是将原始函数X和由原始函数变换而来的一个替代序列Y联合计算而得到的一个熵值的结果,本发明利用联合熵的思想,但使用的是两组独立的序列来进行联合熵的耦合计算。即用两种同一系统内或者两个关联系统的不同信号作为两个序列进行联合熵值计算,从而达到耦合的效果,描述这两组不同信号之间的关联性。经验模态分解下的联合熵,是将两种整理后的信号分别进行经验模态分解后,分别得到两种信号的本征模函数和余量,然后再由所得的两种信号的本征模函数序列之间进行联合熵的计算,得到耦合的结果。
本发明在通过研究一个系统内或者两个关联系统之间的两种不同信号,建立该两种信号的相关性与系统内或者系统间调控的关系并揭示不同信号之间耦合关系的影响。从而使得研究人员更好的利用研究结果,分析一个系统内部或者两个不同系统之间的调控机能和一个系统内部或者两个不同系统之间的两种不同信号之间耦合关系产生的影响。
附图说明:
图1是一种用于两种信号的耦合处理方法的原理图;
图2是一种用于两种信号的耦合处理方法的流程图;
图3是正常心电信号波形示意图;
图4是正常心电信号若干周期的波形示意图;
图5是正常呼吸信号若干周期的波形示意图;
图6是信号放大电路电路图;
图7是信号滤波电路;
图8是两种信号耦合结果对比图;
图9是经验模态分解下的联合熵单一信号处理结果和耦合处理结果对比图;
图10两种信号的经验模态分解下的联合熵的耦合计算结果曲线图。
具体实施:
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅以解释本发明,并不用于限定本发明。对于本领域技术人员,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图对本发明作进一步详细描述:
心电信号是心脏兴奋的发生、传导及恢复过程的重要客观指标。它可以反映心脏兴奋的电活动过程,可以分析、鉴别各种心律失常,也能够体现心肌受损的程度和发展过程以及心房、心室的功能结构状况。呼吸是人体新陈代谢和功能活动重要的生理功能之一,呼吸状况的基本信息在医学麻醉过程、重症监护、新生儿监护中都起着重要的作用,甚至在分析血液流速模式的研究中也有着重要作用。
心电信号和呼吸信号作为心肺系统的输出信号,是判断自主神经活动最好的指标,能为心血管疾病和呼吸系统疾病的研究提供有用的生理病理信息。当外界刺激或者内部刺激的变化,心脏每次跳动之间的间期都会有微小的差异。正常情况下,人体心跳间期的变化受交感神经和副交感神经控制。当人体在不同状态时,人体心跳间期的变化不仅受交感神经和副交感神经控制,同时还受到不同状态下人体生理节律的影响。因此心电信号可以作为反映自主神经系统功能的间接生理指标。心血管循环系统和呼吸系统之间存在内在的相互作用及协调机制,相对于单一的分析心电信号或者呼吸信号来说明机体的平衡与健康状况,将心电信号与呼吸信号放在一起进行分析,得到心血管循环系统和呼吸系统之间的耦合作用状态,更具有准确性和稳定性。
参见图1和图2,一种用于两组不同类型信号的耦合处理方法的实施方式包括:
步骤一,对生理电信号进行分组。
人体生理信号可以分为两类。一类是电信号和电活动衍生的信号,例如心电信号和心磁信号;另一类是非电信号,例如体温、呼吸、血压等。
心脏可以看做是人体的电源,心脏周围具有导电性的组织和体液将心肌细胞电位变化的总和传导并反映到体表。人体体表分布的各点中,有些点之间的电位相等,有些点之间存在着电位差。通过电极或者传感器测量体表上非等电位的电位差,记录数据可作为接下来用于分析处理的生理电信号。其中将采集到的生理电信号分为两组,分别对应两种不同状态的心电信号和呼吸信号。
步骤二,检测所述生理电信号的波群,对QRS波群和呼吸信号波群进行整形,得到心电信号和呼吸信号序列,其中对采集到的生理电信号进行放大,滤波;检测所述生理电信号的QRS波群和呼吸信号波群,确定心电信号和呼吸信号。
对生理电信号进行放大,生理电信号源产生的信号幅度小、频率低,而且生物电信号源内阻高,存在较强的背景噪声和干扰,而生物电放大器是为了测量生物电位而专门设计的放大器,其最主要的作用就是把微弱的生物电位信号的幅度放大。以便进一步处理、记录或显示。因此要求生物电放大器具有高输入阻抗、高共模抑制比、高增益、低噪声、低温漂、合适的频带宽度和动态范围等特性。而放大器的输入阻抗、噪声、漂移及共模抑制比等特性的好坏主要由前置放大器所决定。为了克服测量生物电时伴随的较强的模干扰在生物电放大器的前置级通常采用差动放大以提高共模抑制比。
放大级通常包括初级差分放大和运放构成的主放大级,初级差分放大采用的是三运放前置放大电路,主放大极由一个集成运放和电阻构成。如图6所示它的第一级是有两个运放A1和A2组成,信号由两个同相输入差分放大器因而有很高的的输入阻抗可达1MΩ以上第二级是由A3构成的基本差分放大器。由于理想运放输入阻抗近似为零。A1和A2输入端的两个电阻R2与电位器R1相并联,所以可以得到
其中R1=4KΩ,R2=2KΩ,R3=2KΩ,R4=500Ω,R5=5KΩ。其中Ad表示对有用差模信号电压的放大倍数。
对生理电信号进行滤波,是将放大后的生理电信号进行滤波,保留一定范围的信号。生物电信号是低频微弱信号,采用有源滤波器,滤波器的阶数越高,滤波器滤出的效果越好,此次设计中采用的是二阶滤波器.这次设计中采用的是二阶低通滤波器。二阶低通滤波器的参数设定要根据心电的频率范围和二阶低通滤波器的性质来设定,二阶低通滤波器的传递函数是:
其中C1=0.12μF,C2=0.13μF。
QRS波群检索,是指检测QRS波群,并对检测到的QRS波群进行波形整形,确定提取心电信号类型,提取R波信号,得到时域心率变异性信号或者ECG信号。如图3一个正常的心电图,由P波、QRS波群、T波等组成。每个具体的波都对应着特定的心脏活动和电生理阶段。图4是一个正常的心电信号的若干周期波形。检测放大后的呼吸信号,剔除异常信号,得到呼吸的电信号,如图5是一个正常的呼吸信号的若干周期波形。
步骤三,将呼吸信号和心电信号进行经验模态分解,获得呼吸信号本征模函数和心电信号本征模函数。其中经验模态分解过程为:
经验模态分解法(Empirical Mode Decomposition,EMD)是将一个非线性、非平稳的时间序列进行分解,使最终结果成为有限个本征模函数(Intrinsic Mode Function,IMF)和一个残余量的形式,其表达形式如下式所示:
s(t)=∑IMF(t)+r(t)
EMD方法的分解过程总结如下4个步骤:
(1)设原始的时间序列为s(t),找出其局部极大值和局部极小值。在相邻的极值间用三次样条插值函数拟合形成原始数据s(t)的上包络线U(t)和下包络线L(t)。
(2)将上包络线和下包络线的均值记作m(t),其中m(t)=[U(t)+L(t)]/2。将平均包络从原始信号中去除得到一个新的数据序列,表示为h(t)=x(t)-m(t)。
(3)这个新的数据序列,如果还存在负的局部极大值和正的局部极小值,说明这个新的数据序列还不是一个本征模函数,需要重复上述分解过程直到满足上述要求,得到IMF(t)=h(t)。
(4)从原始时间序列中去除这个得到的IMF量,得到剩余量r(t)=x(t)-h(t)。此时需要判断该剩余量的幅度是否小于某个预设值;该残余量已是单调函数,不再需要继续进行分解。但是第一次分解得到的残余量一般情况下不会达到上述两个标准,所以仍然需要继续分解。即令x(t)=r(t),然后重复上述步骤(1)~(4),直到达到设定的残余量满足条件为止。
经过上述过程,获得呼吸信号本征模函数和心电信号的本征模函数。
步骤四,将呼吸信号本征模函数和心电信号的本征模函数一一对应进行联合熵的耦合计算。
传统的计算联合熵的过程如下:
(1)将时间序列转换成符号序列
符号动力学在分析时间序列复杂性方面有着显著的作用。现设一个心跳时间序列为X,其中X={x0,x1,x2,…,xi,…,xN},xi表示第i个心跳间期。把HRV序列X转换成符号序列S={s1,s2,s3,…,si,…,sN},si∈A(A=0,1,2,3)。具体的转换方法如下方程所示。
这里i=1,2,3,……。u代表心跳间期的平均值,a是一个特殊参数,取a=0.05。且当a取0.04到0.07时都可得到相似的结果。但当a的取值小于0.04或大于0.07,则不能得到较为合理的统计特性。这主要是因为a的值取的过大或过小,在把原始时间序列转化成符号序列时,会导致细节信息的丢失,不能很好的捕捉到信号中的动态信息。
(2)产生替代序列并转换成符号序列
先取原始时间序列X的替代时间序列Y。根据Schreiber等人提出的打乱相位法,将原始时间序列X进行傅立叶变换得到其功率谱。将此功率谱中各频率成分的相位随机的改变,然后进行逆傅立叶变换,这样得到的数据序列就是原始时间序列的替代数据Y。然后再依据方程式(1)把替代时间序列Y也转化成符号序列,得到了替代序列的符号序列。
(3)计算联合熵
对于原始时间序列X和其替代时间序列Y之间的联合熵H(X,Y)可表示为:
这里m,n代表的是“三位字”的总状态个数(m=n=64),pij代表X序列在第i个状态且Y序列在第j个状态(i,j∈[1,64])的几率。
联合熵还可看成是一个序列的熵与另一个序列的条件熵的和,即可表示为:
H(X,Y)=H(Y)+H(X/Y)
其中,H(Y)表示替代时间序列Y的熵函数,且其中pj是变量Y在状态j出现的概率。H(X/Y)表示在Y给定情况下X的条件熵,条件熵是一个序列在另一个序列给定条件下的“不肯定度”。
联合熵是将原始函数X和由原始函数变换而来的一个替代序列Y联合计算而得到的一个熵值的结果,本发明利用联合熵的思想,但使用的是两组独立的序列来进行联合熵的计算。即用心电信号和呼吸信号作为两个序列进行联合熵值计算,从而达到耦合的效果,描述这两组不同信号之间的关联性。本发明提出的耦合处理方法是用经验模态分解下的联合熵耦合两种信号,是将心电信号和呼吸信号分别进行经验模态分解分解,分别得到其本征模函数和余量,然后再由心电信号的本征模函数和呼吸信号的本征模函数之间进行联合熵的计算,得到耦合的结果。可以拟出心电信号和呼吸信号的耦合结果的曲线图,曲线的点的大小表明心肺耦合程度的强弱。分析心电信号和呼吸信号耦合结果的曲线图,即可获得评估结果。
人体内脏器官在不同状态下的活动是不同的,心肺系统中,是由心脏和肺二者相互作用,共同调节人体心肺系统的运转。当人体处于不同生理状态时,心肺系统会出现一系列的变化,从而使呼吸信号和心电信号产生变化。在本发明的实施例中,对于不同状态下心电信号和呼吸信号的研究,反映了生理状态对人体心肺系统耦合的影响,说明本发明提供的方法使得分析结果更加的准确。本实施例是在国际权威网站(PhysioNet)选取下载的平常状态的呼吸信号、心电信号和听音乐时的呼吸信号、心电信号,所有信号的序列长度一致。现将平常状态称为状态一,将听音乐状态称为状态二,进行分析。所得结果,如图8是呼吸信号和心电信号的联合熵的耦合计算结果和经验模态分解下的联合熵的耦合计算的一个结果的对比图,前面一组表示的是用联合熵耦合的呼吸信号和心电信号的平常状态和听音乐状态的结果的差异,后面一组表示的是用经验模态分解下的联合熵耦合的呼吸信号和心电信号的一个结果的差异。明显可以看出,本发明提出的经验模态分解下的联合熵耦合的两种信号的结果比单纯的联合熵耦合的两种信号的结果更显著,大大提高了结果评估的有效性。图9是单一信号的经验模态分解下的联合熵计算结果和两种信号的经验模态分解下的联合熵的耦合计算结果对比图,前面一组是用经验模态分解下的联合熵计算的呼吸信号的结果,第二组是用经验模态分解下的联合熵计算的心电信号的结果,第三组是用经验模态分解下的联合熵耦合的呼吸信号和心电信号的一个结果。同样可以看出,用经验模态分解下的联合熵不管是用来分析单纯呼吸信号还是单纯的心电信号,其效果都逊于耦合分析心电信号和呼吸信号,体现了本发明提出的用经验模态分解下的联合熵耦合分析两种信号的必要性和迫切性。图10是呼吸信号和心电信号的经验模态分解下的联合熵的耦合计算结果图,表示了呼吸信号的各个本征模函数序列和心电信号的各个本征模函数序列对应的经验模态分解下的联合熵的耦合结果,能稳定的显示两种状态下心电信号和呼吸信号耦合的差异,体现了本发明提出的经验模态分解下的联合熵的耦合分析具有较高的稳定性。结合上述可得,无论是与两种不同信号的联合熵的耦合处理比较,还是与经验模态分解下的联合熵单一处理心电信号或者呼吸信号结果相比较,本发明所提出的基于经验模态分解下的联合熵耦合处理的结果具有较高稳定性和准确性,能提供可靠和有力的评估结果,而且基于经验模态分解下的联合熵将两种不同信号进行耦合处理的结果也是具有更为明显的趋势,大大提高了分析结果的有效性。
综上所述,本发明实施例考虑到人体自身的生理节律,揭示了生理节律调控对心肺系统之间的心电信号和呼吸信号的耦合的影响,为心肺系统的耦合研究提供理论依据,并为处理两种不同信号间的耦合研究的发展提供有价值的信息。
本发明通过将经验模态分解和联合熵的耦合计算联系在一起,揭示了一种用于处理心电信号和呼吸信号的耦合处理方法。本发明中,经验模态下联合熵的耦合分析模型可用于区分不同的两种信号的耦合强度,结果显示一个系统中的两种信号或者不同关联系统的两种信号的耦合结果有明显差异,可以反映出同一系统内部或者两种系统之间的耦合关系的变化。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,可利用上述揭示的方法及技术内容作出些许的更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,仍属于本发明技术方案的范围内。
Claims (8)
1.一种用于两组不同类型信号的耦合处理方法,其特征在于,包括以下步骤:
步骤一:将两组不同类型信号按照信号类型的不同进行分组;
步骤二:检测两组不同类型信号的波群,对两组不同类型信号的波群进行整形,获取两组不同类型信号的两组序列;
步骤三:将两组不同类型信号的两组序列分别进行经验模态分解,获得两组不同类型信号的本征模函数序列;
步骤四:分别将两组不同类型信号的两组本征模函数序列进行联合熵的耦合计算,获得参数值,分析耦合程度。
2.如权利要求1所述的耦合处理方法,其特征在于:所述两组不同类型信号是在同一采集频率下得到的,每一组信号的序列时长和点数相同;所述两组不同类型信号是一个系统内或者两个关联系统之间的两组不同信号。
3.如权利要求1所述的耦合处理方法,其特征在于:所述步骤二对电信号进行放大,滤波;检测放大后的波群,剔除异搏,对波群进行整形,提取有用信息,得到电信号序列。
4.如权利要求1所述的耦合处理方法,其特征在于:所述两组不同类型信号分别为呼吸信号和心电信号。
5.如权利要求4所述的耦合处理方法,其特征在于:所述步骤三是将两组信号序列分别进行经验模态分解,分别得到两组信号的n个本征模函数;利用检验模态分解法将所述的两组信号序列,分解成为有限个包含了原信号的不同时间尺度的局部特征分量,而且这些分量没有复杂的叠加波,只包含了一种震动模式;经验模态分解法是将一个非线性、非平稳的时间序列进行分解,使最终结果成为有限个本征模函数IMF和一个残余量的形式,其表达形式如下:
s(t)=∑IMF(t)+r(t)。
6.如权利要求5所述的处理方法,其特征在于,所述步骤三中经验模态分解过程如下:(1)设原始的时间序列为s(t),找出其局部极大值和局部极小值;在相邻的极值间用三次样条插值函数拟合形成原始数据s(t)的上包络线U(t)和下包络线L(t):
s(t)=∑IMF(t)+r(t);
(2)将上包络线和下包络线的均值记作m(t),其中m(t)=[U(t)+L(t)]/2;将平均包络从原始信号中去除得到一个新的数据序列,表示为h(t)=x(t)-m(t);
(3)这个新的数据序列,如果还存在负的局部极大值和正的局部极小值,说明这个新的数据序列还不是一个本征模函数,需要重复上述分解过程直到满足上述要求,得到IMF(t)=h(t);
(4)从原始时间序列中去除这个得到的IMF量,得到剩余量r(t)=x(t)-h(t);此时需要判断该剩余量的幅度是否小于某个预设值;该残余量已是单调函数,不再需要继续进行分解;但是第一次分解得到的残余量一般情况下不会达到上述两个标准,所以仍然需要继续分解;即令x(t)=r(t),然后重复上述步骤(1)~(4),直到达到设定的残余量满足条件为止;
(5)将两组不同信号分别经过上述过程,获得两组信号的有限个本征模函数序列。
7.如权利要求4所述的处理方法,其特征在于,所述步骤四中联合熵的计算过程包括如下步骤:
(1)将时间序列转换成符号序列
符号动力学在分析时间序列复杂性方面有着显著的作用;现设一个心跳时间序列为X,其中X={x0,x1,x2,…,xi,…,xN},xi表示第i个心跳间期;把HRV序列X转换成符号序列S={s1,s2,s3,…,si,…,sN},si∈A(A=0,1,2,3);具体的转换方法如下方程所示:
<mrow>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>:</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>u</mi>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mi>u</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>:</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>a</mi>
<mo>)</mo>
<mi>u</mi>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<mi>&infin;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<mo>:</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>a</mi>
<mo>)</mo>
<mi>u</mi>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>u</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>3</mn>
<mo>:</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mi>u</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
这里i=1,2,3,……;u代表心跳间期的平均值,a是一个特殊参数,我们取a=0.05;且当a取0.04到0.07时都可得到相似的结果;但当a的取值小于0.04或大于0.07,则不能得到较为合理的统计特性;这主要是因为a的值取的过大或过小,在把原始时间序列转化成符号序列时,会导致细节信息的丢失,不能很好的捕捉到信号中的动态信息;
(2)产生替代序列并转换成符号序列
先取原始时间序列X的替代时间序列Y;根据打乱相位法,将原始时间序列X进行傅立叶变换得到其功率谱;将此功率谱中各频率成分的相位随机的改变,然后进行逆傅立叶变换,这样得到的数据序列就是原始时间序列的替代数据Y;然后再依据方程式(1)把替代时间序列Y也转化成符号序列,得到了替代序列的符号序列;
(3)计算联合熵
对于原始时间序列X和其替代时间序列Y之间的联合熵H(X,Y)表示为:
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
这里m,n代表的是“三位字”的总状态个数(m=n=64),pij代表X序列在第i个状态且Y序列在第j个状态(i,j∈[1,64])的几率;
联合熵还可看成是一个序列的熵与另一个序列的条件熵的和,即可表示为:
H(X,Y)=H(Y)+H(X/Y)
其中,H(Y)表示替代时间序列Y的熵函数,且其中pj是变量Y在状态j出现的概率;H(X/Y)表示在Y给定情况下X的条件熵,条件熵是一个序列在另一个序列给定条件下的“不肯定度”。
8.如权利要求4所述的处理方法,其特征在于,所述步骤四中包括:
将进行模态分解后的两组信号本征模函数分别一一对应代入联合熵方法中计算联合熵值,获得参数值,即可进行利用,评估两组信号的耦合关系;
用两组同一系统内或者两个关联系统的不同信号作为两个序列进行联合熵值计算,从而达到耦合的效果,描述这两组不同信号之间的关联性;经验模态分解下的联合熵,是将两组整理后的信号分别进行经验模态分解后,分别得到两组信号的本征模函数和余量,然后再由所得的两组信号的本征模函数之间进行联合熵的计算,得到耦合的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233789.5A CN107894965A (zh) | 2017-11-30 | 2017-11-30 | 一种用于两组不同类型信号的耦合处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233789.5A CN107894965A (zh) | 2017-11-30 | 2017-11-30 | 一种用于两组不同类型信号的耦合处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107894965A true CN107894965A (zh) | 2018-04-10 |
Family
ID=61807013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711233789.5A Pending CN107894965A (zh) | 2017-11-30 | 2017-11-30 | 一种用于两组不同类型信号的耦合处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107894965A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109452938A (zh) * | 2018-12-29 | 2019-03-12 | 中国矿业大学 | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 |
CN110141206A (zh) * | 2019-05-31 | 2019-08-20 | 四川长虹电器股份有限公司 | 一种基于集合经验模态分解的生理电信号分析方法 |
CN113974646A (zh) * | 2021-12-01 | 2022-01-28 | 湖南万脉医疗科技有限公司 | 一种基于信息耦合的睡眠评估方法 |
CN113974576A (zh) * | 2021-12-23 | 2022-01-28 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测系统及监测方法 |
CN114010201A (zh) * | 2021-11-25 | 2022-02-08 | 湖南万脉医疗科技有限公司 | 一种基于信息增益的心肺耦合关系分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8139788B2 (en) * | 2005-01-26 | 2012-03-20 | Sony Corporation | Apparatus and method for separating audio signals |
CN107361766A (zh) * | 2017-07-17 | 2017-11-21 | 中国人民解放军信息工程大学 | 一种基于emd域多维信息的情绪脑电信号识别方法 |
-
2017
- 2017-11-30 CN CN201711233789.5A patent/CN107894965A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8139788B2 (en) * | 2005-01-26 | 2012-03-20 | Sony Corporation | Apparatus and method for separating audio signals |
CN107361766A (zh) * | 2017-07-17 | 2017-11-21 | 中国人民解放军信息工程大学 | 一种基于emd域多维信息的情绪脑电信号识别方法 |
Non-Patent Citations (5)
Title |
---|
PENG LI等: "《Detection of Coupling in Short Physiological Series by a Joint Distribution Entropy Method》", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
刘冬冬等: "基于经验模式分解的心肺耦合技术在睡眠分析中的应用", 《中国医疗设备》 * |
张梅等: "基于符号化部分互信息熵的多参数生物电信号的", 《物理学报》 * |
李锦等: "用联合熵分析短时心率变异信号的非线性动力学复杂性", 《生物医学工程学杂志》 * |
赵佳: "基于集合经验模态分解的心率变异性信号相关性分析", 《陕西师范大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109452938A (zh) * | 2018-12-29 | 2019-03-12 | 中国矿业大学 | 一种基于多尺度多重分形的hfecg信号特征频率检测方法 |
CN110141206A (zh) * | 2019-05-31 | 2019-08-20 | 四川长虹电器股份有限公司 | 一种基于集合经验模态分解的生理电信号分析方法 |
CN114010201A (zh) * | 2021-11-25 | 2022-02-08 | 湖南万脉医疗科技有限公司 | 一种基于信息增益的心肺耦合关系分析方法 |
CN113974646A (zh) * | 2021-12-01 | 2022-01-28 | 湖南万脉医疗科技有限公司 | 一种基于信息耦合的睡眠评估方法 |
CN113974576A (zh) * | 2021-12-23 | 2022-01-28 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测系统及监测方法 |
CN113974576B (zh) * | 2021-12-23 | 2022-04-22 | 北京航空航天大学杭州创新研究院 | 一种基于心磁图的睡眠质量监测系统及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107894965A (zh) | 一种用于两组不同类型信号的耦合处理方法 | |
CN106214145B (zh) | 一种基于深度学习算法的心电图分类方法 | |
CN101658425B (zh) | 基于心率变异分析的注意力集中程度的检测装置及方法 | |
US8478389B1 (en) | System for processing physiological data | |
Shen et al. | Implementation of a one-lead ECG human identification system on a normal population | |
Belgacem et al. | ECG based human authentication using wavelets and random forests | |
CN101642368B (zh) | 自主神经功能信号的处理方法、装置和测试系统 | |
Tawfik et al. | Human identification using time normalized QT signal and the QRS complex of the ECG | |
CN107280694A (zh) | 一种基于多源信息融合的疲劳检测方法 | |
CN112741638B (zh) | 一种基于eeg信号的医疗诊断辅助系统 | |
CN103584872A (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
CN106236027B (zh) | 一种脑电与温度相结合的抑郁人群判定系统 | |
Bong et al. | Analysis of electrocardiogram (ECG) signals for human emotional stress classification | |
CN101642369A (zh) | 自主神经功能生物反馈方法和系统 | |
Ranganathan et al. | Estimation of heart rate signals for mental stress assessment using neuro fuzzy technique | |
CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
Rao et al. | Performance identification of different heart diseases based on neural network classification | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
Stantic et al. | Detecting abnormal ecg signals utilising wavelet transform and standard deviation | |
Sinha | An approach for classifying ECG arrhythmia based on features extracted from EMD and wavelet packet domains | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Rajendran et al. | Classification of heart disease from ECG signals using Machine Learning | |
CN115607167A (zh) | 一种轻量化的模型训练方法、房颤检测方法、装置及系统 | |
CN107233092A (zh) | 一种用于心脏生理电信号的处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180410 |
|
RJ01 | Rejection of invention patent application after publication |