CN108771534B - 一种基于多小波变换融合下的脉搏信号特征提取方法 - Google Patents
一种基于多小波变换融合下的脉搏信号特征提取方法 Download PDFInfo
- Publication number
- CN108771534B CN108771534B CN201810695360.6A CN201810695360A CN108771534B CN 108771534 B CN108771534 B CN 108771534B CN 201810695360 A CN201810695360 A CN 201810695360A CN 108771534 B CN108771534 B CN 108771534B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- signal
- wavelet
- formula
- peak point
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
Abstract
本发明公开了一种基于多小波变换融合下的脉搏信号特征提取方法,属于噪声处理与信号特征提取技术领域。在数据预处理阶段,使用加权处理的方式由使用不同小波基函数去噪的多个结果得到最终去噪的脉搏波,基于香农定理并使用高斯函数一阶导数进行小波变换寻找脉搏波的主波位置并进行周期划分,并对划分后的周期进行小波包分解与高阶统计量计算以获取特征量。本发明能有效地综合多个去噪的结果,提高了小波变换去噪的准确性,提高了主波提取的精度和脉搏波特征量提取的准确度。
Description
技术领域
本发明涉及一种基于多小波变换融合下的脉搏信号特征提取方法,属于噪声处理与信号特征提取技术领域。
背景技术
人体脉搏波信号包含着丰富的人体生理信息,在现代医学技术下对其进行检测分析可以有效地得出有关人体生理状态和病理变化的信息,但由于基线漂移、工频干扰和肌电干扰等噪声的存在,所需要的脉搏波有可能淹没在其中从而无法收集。目前在一些相关的研究中有使用傅里叶变换和带通滤波等方法去除噪声,而小波变换凭借其同时在时域与频域上良好的局域化性质,相比前面的方法更加适宜用作噪声的消除。
人体脉搏波信号波形的特征信息主要由主波、重搏前波、重搏波组成,现有的识别算法在检测波形的过程中会提取到大量的峰值点,而大部分峰值点与主峰波峰点无关,会降低主波提取时的效率和精确度。使用归一化香农能量包络线计算可以将大部分与主波无关的峰值点滤掉以减少计算量;而使用高斯函数一阶导数作为小波基函数进行小波变换可以将波形中的峰值点位置映射为变换后的过零点位置,通过求取过零点位置并返回原信号可以准确定位峰值点
在其他的心音信号的特征提取实验中,绝大多数使用小波变换进行数据预处理的实验都是选取一种去噪效果相对最好的小波基函数进行小波分解、阈值分割与小波重构,但是不同的小波基函数在同样流程中对于噪声的不同消除效果是不应忽视的,根据去噪效果对多个结果进行加权取值可以有效地体现不同小波的去噪效果,得到更加准确的脉搏波信号。
小波包分解是一种有效的信号时频分析方法,它是将信号投影到一组互相正交的小波基函数张成的空间上,并将信号分解为低频和高频两个部分,在下一层分解中它不仅对信号的低频部分进行分解,同时也对信号的高频部分实施再分解,是一种更为精细的分析方法。
所谓高阶统计量通常应该被理解为高阶矩、高阶累积量以及它们的谱-高阶矩谱和高阶累积量谱这四种主要的统计量。高阶矩谱和高阶累积量谱统称为高阶谱,可对随机信号和确定信号进行定义。目前高阶统计量的应用研究主要集中于3阶、4阶累积量和相应的高阶谱方面。而高阶统计量分析是信号处理领域的前沿性研究方向,高阶统计量描述了信号的高阶数字特征,可以显示信号的幅度与相位信息,能解决非高斯非线性的问题。
本发明采用小波变换与加权计算过滤原始脉搏波信号噪声,使用归一化香农能量包络线提取与利用高斯函数一阶导数的小波变换寻找主波位置,基于主波位置对脉搏波信号进行周期划分,使用小波包分解与高阶统计量对周期划分后的脉搏波信号进行处理获得多种特征量。有效减少了原始脉搏波中的噪声信号并更为准确地获得了周期划分后脉搏波信号的多种特征量。本专利方法可用于脉搏波分析、诊断等方面,也可以用于相关脉搏波测量、分析的软件方面。
发明内容
本发明旨在解决使用小波变换对脉搏波信号去噪过程中在众多小波基函数中只选取一种进行去噪导致结果并不准确以及对脉搏波进行周期划分与特征量提取不够准确的问题,提出了一种基于多小波变换融合下的脉搏信号特征提取方法。
一种基于多小波变换融合下的脉搏信号特征提取方法,包含如下步骤:
步骤1:使用多种小波基函数对原始脉搏波信号进行小波分解与阈值处理并进行小波重构得到去噪后的脉搏波信号;
其中,多种小波基函数主要包括Haar小波、Daubechies小波以及Symmlets小波;
其中,原始脉搏波信号为x[n],用的小波基函数为ψi(t),其中,i为整数,不同的i对应多种小波基函数中的第i种;使用第i种小波基函数去噪后的脉搏波信号,记为fi[n];
原始脉搏波信号x[n]可以表示为x[n]=b[n]+σz[n],n=0,1,2,···,N-1;
其中,b[n]代表不含噪声的脉搏波信号;z[n]代表原始脉搏波信号中含有的噪声信号;σ为噪声信号z[n]的标准差,N为原始脉搏波信号x[n]的离散采样次数;
双正交小波变换分解公式为(1):
其中,cj,k是第j个分解层数的第k个尺度系数,dj,k是第j个分解层数的第k个小波系数,cj-1,q是第j-1个分解层数的第q个尺度系数,dj-1,q是第j-1个分解层数的第q个小波系数,hq-2k、gq-2k是第q-2k对正交镜像分解滤波器组,为对括号内进行q项求和运算;
选择第i种小波基函数ψi(t)对原始脉搏波信号使用上面的公式(1)分解,得到小波变换后的信号wj,k,对wj,k使用公式(2)进行软阈值处理得到
其中,wj,k为阈值处理前的信号在第j个分解层数上的第k个小波系数;|wj,k|是阈值处理前的信号在第j个分解层数上的第k个小波变换值;为阈值处理后的信号在第j个分解层数上的第k个小波系数;sgn(wj,k)函数遵循下面公式(3)而阈值的选取遵循下面公式(4):
其中,σj是分解层数为j时的噪声估计,Medium(|wj|)函数定义为取出分解层数为j时小波系数绝对值的中位数;
小波重构公式如下(5)所示:
其中,cj-1,q是第j-1个分解层数的第q个尺度系数,cj,q是第j个分解层数的第q个尺度系数,hk-2q、gk-2q是第k-2q对正交镜像重构滤波器组,为对括号内进行q项求和运算;
将经过阈值处理后的小波系数使用上面的重构公式(5)重构,得到使用第i种小波基函数去噪后的脉搏波信号fi[n];
步骤2:通过公式(6)计算去噪后的脉搏波信号的滤除噪声占比,并通过公式(7)计算得到最终去噪后的脉搏波信号:
其中,x[n]为原始脉搏波信号,fi[n]为使用第i种小波基函数ψi(t)去噪后的脉搏波信号,NSRi为滤除噪声占比,它的大小表示了小波基函数ψi(t)去噪效果的好坏;
而最终去噪后的脉搏波信号f[n]可由公式(7)得到:
其中,fi[n]为使用第i种小波基函数ψi(t)去噪后的脉搏波信号,NSRi为滤除噪声占比,表示对括号内进行i项求和运算;
至此,经过步骤1和步骤2完成了数据预处理;
步骤3:对步骤2得到的最终去噪后的脉搏波信号通过公式(8)进行幅值归一化处理;
其中,f[n]是最终去噪后的脉搏波信号,a[n]是经过幅值归一化处理得到的信号;|f[n]|为信号f[n]的绝对值;Max(|f[n]|)为信号f[n]的绝对值的最大值;
步骤4:对经步骤3幅值归一化处理得到的信号通过公式(9)进行香农能量计算得到香农能量包络线;
Se[n]=-a2[n]log(a2[n]) (9)
其中,a[n]是幅值归一化处理后得到的信号,Se[n]是香农能量包络线;
步骤5:对香农能量包络线使用高斯函数一阶导数进行小波变换得到峰值点;
高斯函数一阶导数的表达式如公式(10)所示:
小波变换公式如步骤1中的式(1)所示,使用高斯函数一阶导数作为小波基函数对香农能量包络线进行分解层数j=2的小波变换,得到变换后的信号h[n];
当h[p]=0,h[p]为h[n]中的一个位置;即小波变换后的信号位于过零点的时候,即为原信号的峰值点位置;
小波重构信号如步骤1中的公式(5)所示,将位于过零点的信号进行小波重构返回原始信号得到Se[p],接下来对Se[p]进行峰值点检测:
求取Se[p]处的差分方程值与零进行比较:
1)如果为零,说明Se[p]即为峰值点Pse[p];
2)如果小于零,说明Se[p]位于峰值点右侧,则使用公式(11)前向差分直到信号的差分方程接近为零,得到峰值点Pse[p];
ΔSe[p]=Se[p+1]-Se[p] (11)
3)如果大于零,说明Se[p]位于峰值点左侧,则使用公式(12)后向差分直到信号的差分方程接近为零,得到峰值点Pse[p];
步骤6:使用公式(13)求取判别主波与波谷位置所用的时段T
其中,Pse[ps+1]为第s+1个峰值点,Pse[ps]为第s个峰值点,为第s+1个峰值点与第s个峰值点之间的时间坐标之差,S为峰值点的个数,表示对括号内从第1项至第S-1项进行求和计算;
步骤7:根据步骤5求取的峰值点与步骤6求取的时段T确定主波位置;
由Pse[p]在时间T内前向差分寻找极大值点P[φ],如果P[φ]存在,则主波位置为P[φ],如果P[φ]不存在,则主波位置P[φ]=Pse[p];
步骤8:基于步骤7确定的主波位置划分脉搏波周期;
由P[φ]在时间T内前向差分寻找极小值点u=1,2,3...;
取这些极小值点中的最小值则由脉搏波信号中第s个最小值到第s+1个相同位置的最小值点间的脉搏波g[s]为第s个脉搏波周期;
步骤9:对由步骤8得到的第s个脉搏波周期进行小波包分解,再计算得到脉搏波特征量;
其中,脉搏波特征量包括λ阶矩、λ阶累积量、λ阶矩谱、λ阶累积量谱;
步骤9,又具体包括如下子步骤:
步骤9.1对第s个脉搏波周期g[s]通过公式(14)进行L层小波包分解,得到个包括高频与低频部分在内的信号XL[s],
在L层tL时间内的小波包分解函数如(14):
其中,L表示分解的层次,L=1,2,3,···,X使用A表示高频部分,D表示低频部分,ΨL为L层的分解滤波;
步骤9.2基于步骤9.1输出结果,即由公式(14)得到的个包括高频与低频部分在内的信号XL[s]分别计算2阶、3阶、4阶统计量,得到个高阶矩、个高阶累积量、3个高阶矩谱、3个高阶累积量谱作为计算得到的脉搏波特征量;
其中,脉搏波特征量中的λ阶矩由公式(15)计算得到:
脉搏波特征量中的λ阶累积量由公式(16)计算得到:
其中,λ=2,3,4;τ1,τ2,···,τλ-1为时间差,τα=0,±1,±2,···,α=1,2,···,λ-1,E{·}表示统计期望,Cum{·}为联合累积量;
脉搏波特征量中的λ阶矩谱由公式(17)得到:
脉搏波特征量中的λ阶累积量谱由公式(18)得到:
其中,λ=2,3,4。|ωα|≤π,α=1,…,λ-1,并且|ω1+…+ωλ-1|≤π;exp是以e为底的指数函数;为对括号内从τα=-∞至τα=+∞求和的计算;
为从至求积的计算。
至此,由步骤9得到的为计算得到的脉搏波特征量;由步骤1到步骤9完成了一种基于多小波变换融合下的脉搏信号特征提取方法。
有益效果
一种基于多小波变换融合下的脉搏信号特征提取方法,相比于现有技术,本方法有如下有益效果:
1.本方法综合了多种小波基函数进行去噪的效果得到最终的脉搏波信号,相比单一小波基函数去噪效果更稳定;
2.本方法基于香农能量定理和使用高斯函数一阶导数的小波变换确定主波位置并以此为基础进行脉搏波周期划分,减少了选取划分周期位置有误的现象,提高了脉搏波周期划分的精度;
3.本方法对划分后的脉搏波信号使用小波包分解后进行高阶统计量计算,相比现有方法,可以更准确地得到脉搏波的特征值;
4.本方法流程简单,易于实现,可以用于脉搏波检测与分析领域内相关软件的设计工作。
附图说明
图1为本发明“一种基于多小波变换融合下的脉搏信号特征提取方法”中的本方法及实施例中的流程示意图;
图2为本发明“一种基于多小波变换融合下的脉搏信号特征提取方法”中的本方法及实施例中的数据预处理阶段详细示意图;
图3为本发明“一种基于多小波变换融合下的脉搏信号特征提取方法”中的本方法及实施例中的使用高斯函数一阶导数进行小波变换求取峰值点说明图;
图4为本发明“一种基于多小波变换融合下的脉搏信号特征提取方法”中的本方法及实施例中基于峰值点与判别时段确定主波位置的流程说明图;
图5为本发明一种基于多小波变换融合下的脉搏信号特征提取方法”中的本方法及实施例中基于主波位置与判别时段划分脉搏波周期的流程说明图;
图6为本发明“一种基于多小波变换融合下的脉搏信号特征提取方法”中的本方法及实施例中使用小波包分解单个脉搏波周期,分解层次为三层时的说明图。
具体实施方式
下面根据附图和实例对本发明进行详细说明,但本发明的具体实施方式不仅于此。
实施例1
本实施例阐述了将本发明“一种基于多小波变换融合下的脉搏信号特征提取方法”应用于脉搏波检测与特征提取场景下的流程。
图1为本方法的流程图及本实施例的流程图,从图中可以看出,本方法包含如下步骤:
步骤A:使用小波基函数ψi(t)对原始脉搏波信号x[n]通过公式(1)~(5)进行小波变换与阈值处理并进行小波重构得到使用该小波基函数去噪后的脉搏波信号fk[n]。
具体到本实例i取值为4,小波基函数ψ1(t)选择sym8小波、小波基函数ψ2(t)选择sym4小波、小波基函数ψ3(t)选择db6小波、小波基函数ψ4(t)选择db4小波;得到4个去噪后的脉搏波信号f1[n]、f2[n]、f3[n]、f4[n];
步骤B:计算去噪后的脉搏波信号fi[n]的滤除噪声占比NSRi,并根据滤除噪声占比加权计算得到最终去噪后的脉搏波信号f[n];
具体到本实施例,由步骤A得到了4个去噪后的脉搏波信号f1[n]、f2[n]、f3[n]、f4[n],分别使用公式(6)计算各自的滤除噪声占比NSR1、NSR2、NSR3、NSR4并使用公式(7)加权计算得到最终去噪后的脉搏波信号f[n]
图2为本方法和实施例中数据预处理阶段的详细流程图。
步骤C:对由步骤B得到的最终去噪后的脉搏波信号f[n]使用公式(8)进行幅值归一化处理得到信号a[n];
步骤D:对经步骤C幅值归一化处理得到的信号a[n]使用公式(9)进行香农能量计算得到香农能量包络线Se[n];
步骤E:对经步骤D得到的香农能量包络线Se[n]使用公式(1)、(5)、(10)~(12)进行使用高斯函数一阶导数的小波变换得到过零点h[p]从而得到峰值点Pse[p];
E.1:对由步骤D得到的香农能量包络线Se[n]使用公式(1)、(10)进行使用高斯函数一阶导数的小波变换得到h[n]
E.2:令h[n]=0,得到小波变换后信号的过零点h[p];
E.3:对小波变换后的过零点h[p]使用公式(5)进行小波重构,从而得到对应的能量包络线上的Se[p];
E.4:对Se[p]进行峰值点检测使用公式(11)、(12)得到峰值点Pse[p]
图3为本步骤及实施例中使用高斯函数一阶导数进行小波变换时,原信号峰值点与变换后信号过零点对应关系的说明图
步骤F:使用公式(13)求取判别主波与波谷位置所用的判别时段T
步骤G:根据由步骤E得到的峰值点Pse[p]与由步骤F得到的判别时段T确定主波位置P[φ];
在时间T内从峰值点位置前向差分寻找极大值点;
G.1:若极大值点存在,则主波位置为此极大值点;
G.2:若极大值点不存在,则主波位置为峰值点;
图4为本步骤及实施例中基于峰值点位置和判别时段T确定主波位置的流程图
步骤H:基于由步骤G的得到的主波位置P[φ]划分脉搏波周期;
H.1:在时段t内从主波位置前向差分寻找极小值点u=1,2,3...。
H.2:取极小值点中的最小值点为一个脉搏波周期的开始点,相邻两个脉搏波周期开始点之间的信号即为一个脉搏波周期g[s]
具体到本实施例中,u取值为3,而u=1时的极小值是最小值
图5为本步骤及实施例中基于主波位置和判别时段划分脉搏波周期的流程图步骤I:对由步骤H得到的单个脉搏波周期使用公式(14)~(18)进行小波包分解与高阶统计量计算得到脉搏波特征量;
I.1:对脉搏波周期信号g[s]使用公式(14)进行L层小波包分解,得到个包括高频与低频部分在内的信号XL[s]
I.2:对个包括高频与低频部分在内的信号XL[s]使用公式(15)~(18)分别计算2阶、3阶、4阶统计量,得到个高阶矩、个高阶累积量、3个高阶矩谱、3个高阶累积量谱,作为计算得到的脉搏波特征量。
具体到本实施例,小波包分解的母小波选择db6小波,L的取值为3,完成小波包分解后得到了14个包含高频部分与低频部分的信号,最终得到42个高阶矩、42个高阶累积量、3个高阶矩谱、3个高阶累积量谱作为计算得到的脉搏波特征量;
图6为本步骤和实施例中当L的取值为3时的小波包分解示意图;
至此,从步骤A到步骤I完成了本实施例一种基于多小波变换融合下的脉搏信号特征提取方法。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (1)
1.一种基于多小波变换融合下的脉搏信号特征提取方法,其特征在于:包括如下步骤:
步骤1:使用多种小波基函数对原始脉搏波信号进行小波分解与阈值处理并进行小波重构得到去噪后的脉搏波信号;
其中,多种小波基函数主要包括Haar小波、Daubechies小波以及Symmlets小波;
其中,原始脉搏波信号为x[n],用的小波基函数为ψi(t),其中,i为整数,不同的i对应多种小波基函数中的第i种;使用第i种小波基函数去噪后的脉搏波信号,记为fi[n];
原始脉搏波信号x[n]可以表示为x[n]=b[n]+σz[n],n=0,1,2,…,N-1;
其中,b[n]代表不含噪声的脉搏波信号;z[n]代表原始脉搏波信号中含有的噪声信号;σ为噪声信号z[n]的标准差,N为原始脉搏波信号x[n]的离散采样次数;
双正交小波变换分解公式为(1):
其中,cj,k是第j个分解层数的第k个尺度系数,dj,k是第j个分解层数的第k个小波系数,cj-1,q是第j-1个分解层数的第q个尺度系数,dj-1,q是第j-1个分解层数的第q个小波系数,hq-2k、gq-2k是第q-2k对正交镜像分解滤波器组,为对括号内进行q项求和运算;
选择第i种小波基函数ψi(t)对原始脉搏波信号使用上面的公式(1)分解,得到小波变换后的信号wj,k,对wj,k使用公式(2)进行软阈值处理得到
其中,wj,k为阈值处理前的信号在第j个分解层数上的第k个小波系数;|wj,k|是阈值处理前的信号在第j个分解层数上的第k个小波变换值;为阈值处理后的信号在第j个分解层数上的第k个小波系数;sgn(wj,k)函数遵循下面公式(3)而阈值的选取遵循下面公式(4):
其中,σj是分解层数为j时的噪声估计,Medium(|wj|)函数定义为取出分解层数为j时小波系数绝对值的中位数;
小波重构公式如下(5)所示:
其中,cj-1,q是第j-1个分解层数的第q个尺度系数,cj,q是第j个分解层数的第q个尺度系数,hk-2q、gk-2q是第k-2q对正交镜像重构滤波器组,为对括号内进行q项求和运算;
将经过阈值处理后的小波系数使用上面的重构公式(5)重构,得到使用第i种小波基函数去噪后的脉搏波信号fi[n];
步骤2:通过公式(6)计算去噪后的脉搏波信号的滤除噪声占比,并通过公式(7)计算得到最终去噪后的脉搏波信号:
其中,x[n]为原始脉搏波信号,fi[n]为使用第i种小波基函数ψi(t)去噪后的脉搏波信号,NSRi为滤除噪声占比,它的大小表示了小波基函数ψi(t)去噪效果的好坏;
而最终去噪后的脉搏波信号f[n]可由公式(7)得到:
其中,fi[n]为使用第i种小波基函数ψi(t)去噪后的脉搏波信号,NSRi为滤除噪声占比,表示对括号内进行i项求和运算;
步骤3:对步骤2得到的最终去噪后的脉搏波信号通过公式(8)进行幅值归一化处理;
其中,f[n]是最终去噪后的脉搏波信号,a[n]是经过幅值归一化处理得到的信号;|f[n]|为信号f[n]的绝对值;Max(|f[n]|)为信号f[n]的绝对值的最大值;
步骤4:对经步骤3幅值归一化处理得到的信号通过公式(9)进行香农能量计算得到香农能量包络线;
Se[n]=-a2[n]log(a2[n]) (9)
其中,a[n]是幅值归一化处理后得到的信号,Se[n]是香农能量包络线;
步骤5:对香农能量包络线使用高斯函数一阶导数进行小波变换得到峰值点;高斯函数一阶导数的表达式如公式(10)所示:
小波变换如步骤1中的式(1)所示,使用高斯函数一阶导数作为小波基函数对香农能量包络线进行分解层数j=2的小波变换,得到变换后的信号h[n];
当h[p]=0,即小波变换后的信号位于过零点的时候,即为原信号的峰值点位置;小波重构信号如步骤1中的公式(5)所示,将位于过零点的信号进行小波重构返回原始信号得到Se[p],接下来对Se[p]进行峰值点检测:其中,h[p]为h[n]中的一个位置;
求取Se[p]处的差分方程值与零进行比较:
1)如果为零,说明Se[p]即为峰值点Pse[p];
2)如果小于零,说明Se[p]位于峰值点右侧,则使用公式(11)前向差分直到信号的差分方程接近为零,得到峰值点Pse[p];
ΔSe[p]=Se[p+1]-Se[p] (11)
3)如果大于零,说明Se[p]位于峰值点左侧,则使用公式(12)后向差分直到信号的差分方程接近为零,得到峰值点Pse[p];
步骤6:使用公式(13)求取判别主波与波谷位置所用的时段T:
其中,Pse[ps+1]为第s+1个峰值点,Pse[ps]为第s个峰值点,为第s+1个峰值点与第s个峰值点之间的时间坐标之差,S为峰值点的个数,表示对括号内从第1项至第S-1项进行求和计算;
步骤7:根据步骤5求取的峰值点与步骤6求取的时段T确定主波位置;
由Pse[p]在时间T内前向差分寻找极大值点P[φ],如果P[φ]存在,则主波位置为P[φ],如果P[φ]不存在,则主波位置P[φ]=Pse[p];
步骤8:基于步骤7确定的主波位置划分脉搏波周期;
由P[φ]在时间T内前向差分寻找极小值点
取这些极小值点中的最小值则由脉搏波信号中第s个最小值到第s+1个相同位置的最小值点间的脉搏波g[s]为第s个脉搏波周期;
步骤9:对由步骤8得到的第s个脉搏波周期进行小波包分解,再计算得到脉搏波特征量;
其中,脉搏波特征量包括λ阶矩、λ阶累积量、λ阶矩谱、λ阶累积量谱;
步骤9,又具体包括如下子步骤:
步骤9.1对第s个脉搏波周期g[s]通过公式(14)进行L层小波包分解,得到个包括高频与低频部分在内的信号XL[s],
在L层tL时间内的小波包分解函数如(14):
其中,L表示分解的层次,L=1,2,3,…,X使用A表示高频部分,D表示低频部分,ΨL为L层的分解滤波;
步骤9.2基于步骤9.1输出结果,即由公式(14)得到的个包括高频与低频部分在内的信号XL[s]分别计算2阶、3阶、4阶统计量,得到个高阶矩、个高阶累积量、3个高阶矩谱、3个高阶累积量谱作为计算得到的脉搏波特征量;
其中,脉搏波特征量中的λ阶矩由公式(15)计算得到:
脉搏波特征量中的λ阶累积量由公式(16)计算得到:
其中,λ=2,3,4;τ1,τ2,…,τλ-1为时间差,τα=0,±1,±2,…,α=1,2,…,λ-1,E{·}表示统计期望,Cum{·}为联合累积量;
脉搏波特征量中的λ阶矩谱由公式(17)得到:
脉搏波特征量中的λ阶累积量谱由公式(18)得到:
其中,λ=2,3,4;|ωα|≤π,α=1,…,λ-1,并且|ω1+…+ωλ-1|≤π;exp是以e为底的指数函数;为对括号内从τα=-∞至τα=+∞求和的计算;为从至求积的计算;
至此,由步骤9得到的为计算得到的脉搏波特征量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695360.6A CN108771534B (zh) | 2018-06-29 | 2018-06-29 | 一种基于多小波变换融合下的脉搏信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810695360.6A CN108771534B (zh) | 2018-06-29 | 2018-06-29 | 一种基于多小波变换融合下的脉搏信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108771534A CN108771534A (zh) | 2018-11-09 |
CN108771534B true CN108771534B (zh) | 2019-03-26 |
Family
ID=64030509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810695360.6A Active CN108771534B (zh) | 2018-06-29 | 2018-06-29 | 一种基于多小波变换融合下的脉搏信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108771534B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068759B (zh) * | 2019-05-22 | 2021-11-09 | 华雁智能科技(集团)股份有限公司 | 一种故障类型获得方法及装置 |
CN112461930B (zh) * | 2019-09-06 | 2022-11-15 | 河海大学常州校区 | 一种混凝土内部缺陷成像方法、系统及存储介质 |
CN110720899B (zh) * | 2019-10-14 | 2020-08-25 | 浙江大学 | 一种基于mpsf提取的ava狭窄定位及狭窄程度多级分类系统 |
CN111920397A (zh) * | 2020-08-07 | 2020-11-13 | 江苏师范大学 | 基于稀疏最小二乘支持向量机的动脉硬化程度检测方法 |
CN113836995B (zh) * | 2021-08-09 | 2024-04-02 | 新绎健康科技有限公司 | 年龄段识别方法及装置 |
CN113598728B (zh) * | 2021-08-31 | 2024-05-07 | 嘉兴温芯智能科技有限公司 | 生理信号的降噪方法、监测方法、监测装置及可穿戴设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101983611A (zh) * | 2010-11-25 | 2011-03-09 | 北京悦琦创通科技有限公司 | 一种基于小波变换的脉搏波传导速度的计算方法 |
CN103505189A (zh) * | 2013-10-21 | 2014-01-15 | 东南大学 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
CN104146693A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 一种基于小波变换和曲线拟合的脉搏波预处理方法 |
CN104473631A (zh) * | 2014-12-12 | 2015-04-01 | 广东工业大学 | 一种基于非负盲分离胎儿心电瞬时心率识别方法及系统 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
US9307928B1 (en) * | 2010-03-30 | 2016-04-12 | Masimo Corporation | Plethysmographic respiration processor |
WO2017165661A1 (en) * | 2016-03-23 | 2017-09-28 | The Brigham And Women's Hospital, Inc. | Signal processing for precise identification and separation of artifact and a signal of interest in a longitudinal signal |
-
2018
- 2018-06-29 CN CN201810695360.6A patent/CN108771534B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9307928B1 (en) * | 2010-03-30 | 2016-04-12 | Masimo Corporation | Plethysmographic respiration processor |
CN101983611A (zh) * | 2010-11-25 | 2011-03-09 | 北京悦琦创通科技有限公司 | 一种基于小波变换的脉搏波传导速度的计算方法 |
CN103505189A (zh) * | 2013-10-21 | 2014-01-15 | 东南大学 | 基于小波包变换和隐马尔科夫模型的脉搏信号分类方法 |
CN104146693A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 一种基于小波变换和曲线拟合的脉搏波预处理方法 |
CN104473631A (zh) * | 2014-12-12 | 2015-04-01 | 广东工业大学 | 一种基于非负盲分离胎儿心电瞬时心率识别方法及系统 |
CN105411565A (zh) * | 2015-11-20 | 2016-03-23 | 北京理工大学 | 基于广义尺度小波熵的心率变异性特征分类方法 |
WO2017165661A1 (en) * | 2016-03-23 | 2017-09-28 | The Brigham And Women's Hospital, Inc. | Signal processing for precise identification and separation of artifact and a signal of interest in a longitudinal signal |
Also Published As
Publication number | Publication date |
---|---|
CN108771534A (zh) | 2018-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108771534B (zh) | 一种基于多小波变换融合下的脉搏信号特征提取方法 | |
CN105919584B (zh) | 用于可穿戴心率监测设备的心率估计方法及装置 | |
CN102697493B (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
CN102440768B (zh) | 脉搏波形特征点提取方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN103679643B (zh) | 一种多条纹噪声定位滤除方法 | |
CN103190898B (zh) | 心磁信号噪声自适应滤波消除设计方法 | |
CN103284702A (zh) | 心电图和脉搏波关系分析及融合分析的方法和装置 | |
CN109917347A (zh) | 一种基于时频域稀疏重构的雷达行人检测方法 | |
CN108872962A (zh) | 基于分数阶傅里叶变换的激光雷达微弱信号提取和分解方法 | |
CN107184187B (zh) | 基于DTCWT-Spline的脉搏波信号去噪处理方法 | |
CN106859648A (zh) | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 | |
CN108844617B (zh) | 主减速器强噪声振动信号的自适应稀疏树结构降噪方法 | |
CN108874149B (zh) | 一种基于表面肌电信号连续估计人体关节角度的方法 | |
CN111427018A (zh) | 一种雷达干扰装备干扰效果评估方法 | |
CN112307959B (zh) | 一种用于心电信号分析的小波去噪方法 | |
CN109009092A (zh) | 一种去除脑电信号噪声伪迹的方法 | |
CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
Abbaspour et al. | ECG Artifact Removal from Surface EMG Signal Using an Automated Method Based on Wavelet-ICA. | |
CN111474524A (zh) | 一种雷达干扰装备干扰效果监测与决策支持系统 | |
Mingai et al. | Removing ocular artifacts from mixed EEG signals with FastKICA and DWT | |
CN102819840B (zh) | 一种纹理图像的分割方法 | |
CN106073800A (zh) | 基于绝对差值和提取的动态光谱数据处理方法及其装置 | |
CN105640505A (zh) | 一种基于ar模型谱估计的脉搏信号随机噪声去噪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |