CN110575146B - 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 - Google Patents
一种基于增强的高斯冗余字典脉搏信号噪声检测方法 Download PDFInfo
- Publication number
- CN110575146B CN110575146B CN201910892628.XA CN201910892628A CN110575146B CN 110575146 B CN110575146 B CN 110575146B CN 201910892628 A CN201910892628 A CN 201910892628A CN 110575146 B CN110575146 B CN 110575146B
- Authority
- CN
- China
- Prior art keywords
- noise
- pulse signal
- gaussian
- matrix
- sparse
- 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
Images
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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开一种基于增强的高斯冗余字典脉搏信号噪声检测方法,利用构造的加强的高斯冗余字典,得到可以稀疏向量,在通过归一化,得到不同噪声矩阵的能量比,最后通过阈值比较法,确定脉搏信号是否含有噪声以及含有的噪声的类型。本发明不止可以用于检测脉搏信号的噪声及类型,也可以用于检测心电信号等其他信号的噪声及类型。
Description
技术领域
本发明涉及信号噪声检测领域,尤其涉及一种基于增强的高斯冗余字典脉搏信号噪声检测方法。
背景技术
人体脉象信号在中国传统医学(中医)和现代医学(西医)中具有重要的临床诊断价值。古代就有“问病以知其外,察脉以知其内”,“病家不用开口,便知病症根由”的说法,这充分说明了脉象信号包含有丰富的人体健康状况信息.为了客观定量地揭示脉象的机理,自20世纪80年代以来,许多研究者致力于人体脉搏信号的检测和分析.但是,人体脉搏信号是一种微弱信号,信噪比较低.正常人的脉象信号在0~20Hz频率范围内,且大约99%的能量分布在0~10Hz之间,在检测和采集时,由于受仪器、人体等方面的影响,所采集的信号中常存在如下噪声:基线漂移、人体呼吸等低频干扰,频率小于1Hz;肌电干扰,是由于肢体抖动、肌肉紧张而引起的干扰,它的频率范围较大;工频干扰以及高频噪声。在健康监护工作中,干扰信号的准确识别对降低误报警次数、提高信号分析的准确性意义重大。因此,对脉搏信号噪声检测是一项十分重要的工作。
现有的脉搏信号检测方法有以下几种方案:(1)基于动态时间扭曲的方法:通过基于动态时间扭曲的方法来定位脉搏信号中的干扰信号。该方法主波的误检测会导致错误的匹配结果,引起干扰信号的漏检和误检。(2)形态学分析的方法:通过决策树对脉搏信号的质量进行评估分级。该方法需要提取脉搏信号中多个质量指标,算法计算时间长、复杂度高。(3)时间序列符号化的方法。将脉搏信号降维为符号序列后形成字符串,通过比较字符串的距离来实现脉搏信号干扰段的检测。该方法过程复杂,运算时间长。
发明内容
本发明的目的在于提供一种基于增强的高斯冗余字典脉搏信号噪声检测方法。
本发明采用的技术方案是:
一种基于增强的高斯冗余字典脉搏信号噪声检测方法,其包括以下步骤:
步骤1,预生成增强的高斯冗余字典,增强的高斯冗余字典的数学模型为:
ψ=[D1 D2 D3 … Du B1 B2 B3 … Bq EP50] (1)
其中,u个N×N维的高斯字典Du对应无噪声脉搏信号,q个N×N维的高斯字典Bq对应低频和高频噪声,1个N×N维单位矩阵E对应随机噪声,以及1个N×N维的频率为50Hz的正弦矩阵P50对应50Hz的工频噪声的干扰;
步骤3,分别计算稀疏向量的每个矩阵的能量比:
则稀疏向量的每个矩阵的能量比为:
步骤4,将每个矩阵的能力比分别与各自的最佳阈值比较,判断是否存在对应类型的噪声;
当ξE>ThE时,则脉搏信号中存在随机噪声,
当以上条件都不满足时,则该段脉搏信号为干净的脉搏信号。
其中,ThB、ThE、ThP分别表示检测高频噪声和低频噪声、随机噪声、工频噪声的阈值。
进一步地,u个N×N维的高斯字典Du中的元素dd(i,j)为:
其中,i,j∈[1,N]为矩阵中元素所在的行和列,ad为脉搏信号形态参数,对应Du共有u个;
ad参数生成的Du满足以最小的稀疏向量θc表示任意一段无噪声的脉搏信号cPPG;
其中,cPPG为干净的脉搏信号,θc为干净脉搏信号经过稀疏分解后得到的稀疏向量,且θc满足其1范数具有最小值。
进一步地,脉搏信号形态参数ad通过实验方法来确定,具体方法为:随机选择若干段干净的脉搏信号,ad在一定的搜索范围内取值生成Du,通过网格搜索的方式确定满足公式(3)时,最少个数的ad组合即为最优的Du生成参数。
进一步地,q个N×N维的高斯字典Bq中的元素db(i,j)为:
其中,i,j∈[1,N]为矩阵中元素所在的行和列,ab为低频/高频噪声形态参数,对应Bq共有q个;
ab参数生成的Bq满足能够以最小的稀疏向量θn来表示任意一段低频和高频噪声nS;
其中,nS为低频和高频噪声,θn为噪声经过稀疏分解后得到的稀疏向量,且θn满足其1范数具有最小值;Bq的噪声形态参数ab通过实验方法来确定。
进一步地,1个N×N单位矩阵E为主对角线元素为1,其它位置元素为0的方阵。
1个N×N正弦矩阵P50的元素为p50(i,j):
p50(i,j)=sin(2*π*50*(i-1-j+1/fs)) (6)
其中,i,j∈[1,N]为矩阵中元素所在的行和列。
进一步地,步骤2中采用基追踪(Basis Pursuit,BP)算法、贪婪算法、IRLS(Iterative Re-weighted Least Squares)算法或SL0对含噪声脉搏信号进行稀疏分解得到稀疏向量。
进一步地,步骤4中确定最佳阈值ThB、ThE、ThP的方法为:随机选取若干段含噪声的脉搏信号,每段脉搏信号先人工标记噪声;再用从阈值搜索范围中选取一组阈值,通过本发明的方法判断噪声;统计预测结果,预测正确为TP,预测错误为FP,则该组阈值的准确率为:
通过网格搜索的方式,确定准确率最高的该组阈值即为最佳阈值。
本发明采用以上技术方案,在预生成的增强的高斯冗余字典ψ上,利用已经公开的信号稀疏分解方法,如基追踪(Basis Pursuit,BP)算法、贪婪算法、IRLS(Iterative Re-weighted Least Squares)算法或SL0(Smooth Norm)算法,过对含噪声脉搏信号x进行稀疏分解得到稀疏向量θ。计算出θ不同向量的能量比,再与预设的阈值进行比较来判断是否含有噪声及其噪声类型。
本发明能够有效的检测出脉搏信号是否含有噪声,也可以检测出高频噪声、低频噪声、基线漂移、工频干扰和肌电干扰等噪声的类型,为后续脉搏波特征提取及噪声的去除提供了很好的基础。本发明不止可以用于检测脉搏信号的噪声及类型,也可以用于检测心电信号等其他信号的噪声及类型。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为本发明一种基于增强的高斯冗余字典脉搏信号噪声检测方法的流程示意图。
具体实施方式
如图1所示,本发明一种基于增强的高斯冗余字典脉搏信号噪声检测方法,其包括以下步骤:
步骤1,预生成增强的高斯冗余字典,针对长度为N,采样率为fs的脉搏波信号,增强的高斯冗余字典的数学模型为:
ψ=[D1 D2 D3 … Du B1 B2 B3 … Bq E P50] (1)
其中,u个N×N维的高斯字典Du对应无噪声脉搏信号,q个N×N维的高斯字典Bq对应低频和高频噪声,1个N×N维单位矩阵E对应随机噪声,以及1个N×N维的频率为50Hz的正弦矩阵P50对应50Hz的工频噪声的干扰;
进一步地,u个N×N维的高斯字典Du中的元素dd(i,j)为:
其中,i,j∈[1,N]为矩阵中元素所在的行和列,ad为脉搏信号形态参数,对应Du共有u个;
ad参数生成的Du满足以最小的稀疏向量θc表示任意一段无噪声的脉搏信号cPPG;
其中,cPPG为干净的脉搏信号,θc为干净脉搏信号经过稀疏分解后得到的稀疏向量,且θc满足其1范数具有最小值。
进一步地,形态参数ad通过实验方法来确定,具体方法为:随机选择若干段干净的脉搏信号,ad在一定的搜索范围内取值生成Du,通过网格搜索的方式确定满足公式(3)时,最少个数的ad组合即为最优的Du生成参数。
进一步地,q个N×N维的高斯字典Bq中的元素db(i,j)为:
其中,i,j∈[1,N]为矩阵中元素所在的行和列,ab为低频/高频噪声形态参数,对应Bq共有q个;
ab参数生成的Bq满足能够以最小的稀疏向量θn来表示任意一段低频和高频噪声nS;
其中,nS为低频和高频噪声,θn为噪声经过稀疏分解后得到的稀疏向量,且θn满足其1范数具有最小值;Bq的噪声形态参数ab通过实验方法来确定。
进一步地,1个N×N单位矩阵E为主对角线元素为1,其它位置元素为0的方阵。
1个N×N正弦矩阵P50的元素为p50(i,j):
p50(i,j)=sin(2*π*50*(i-1-j+1/fs)) (6)
其中,i,j∈[1,N]为矩阵中元素所在的行和列。
步骤2,获取含有噪声的脉搏信号,并采用基追踪(Basis Pursuit,BP)算法、贪婪算法、IRLS(Iterative Re-weighted Least Squares)算法或SL0对含噪声脉搏信号进行稀疏分解,计算获取该脉搏信号对应增强的高斯冗余字典的稀疏向量;
步骤3,分别计算稀疏向量的每个矩阵的能量比:
则稀疏向量的每个矩阵的能量比为:
步骤4,将每个矩阵的能力比分别与各自的最佳阈值比较,判断是否存在对应类型的噪声;
当ξE>ThE时,则脉搏信号中存在随机噪声,
当以上条件都不满足时,则该段脉搏信号为干净的脉搏信号。
其中,ThB、ThE、ThP分别表示检测高频噪声和低频噪声、随机噪声、工频噪声的阈值。
进一步地,步骤4中确定最佳阈值ThB、ThE、ThP的方法为:随机选取若干段含噪声的脉搏信号,每段脉搏信号先人工标记噪声;再用从阈值搜索范围中选取一组阈值,通过本发明的方法判断噪声;统计预测结果,预测正确为TP,预测错误为FP,则该组阈值的准确率为:
通过网格搜索的方式,确定准确率最高的该组阈值即为最佳阈值。
本发明采用以上技术方案,在预生成的增强的高斯冗余字典ψ上,利用已经公开的信号稀疏分解方法,如基追踪(Basis Pursuit,BP)算法、贪婪算法、IRLS(Iterative Re-weighted Least Squares)算法或SL0(Smooth Norm)算法,过对含噪声脉搏信号x进行稀疏分解得到稀疏向量θ。计算出θ不同向量的能量比,再与预设的阈值进行比较来判断是否含有噪声及其噪声类型。
本发明能够有效的检测出脉搏信号是否含有噪声,也可以检测出高频噪声、低频噪声、基线漂移、工频干扰和肌电干扰等噪声的类型,为后续脉搏波特征提取及噪声的去除提供了很好的基础。本发明不止可以用于检测脉搏信号的噪声及类型,也可以用于检测心电信号等其他信号的噪声及类型。
Claims (5)
1.一种基于增强的高斯冗余字典脉搏信号噪声检测方法,其特征在于:其包括以下步骤:步骤1,预生成增强的高斯冗余字典,增强的高斯冗余字典的数学模型为:
ψ=[D1D2D3…DuB1B2B3…BqEP50] (1)
其中,u个N×N维行列相等的高斯矩阵Du对应无噪声脉搏信号,q个N×N维行列相等的高斯矩阵Bq对应低频和高频噪声,1个N×N维单位矩阵E对应随机噪声,以及1个N×N维的频率为50Hz的正弦矩阵P50对应50Hz的工频噪声的干扰;
u个N×N维的高斯矩阵Du中的元素dd(i,j)为:
其中,i,j∈[1,N]为矩阵中元素所在的行和列,ad为脉搏信号形态参数,对应Du共有u个;ad参数生成的Du满足以最小的稀疏向量θc表示任意一段无噪声的脉搏信号cPPG,即满足公式(3)数学模型描述;
其中,cPPG为干净的脉搏信号,θc为干净脉搏信号经过稀疏分解后得到的稀疏向量,且θc满足其1范数具有最小值;q个N×N维的高斯矩阵Bq中的元素db(i,j)为:
其中,i,j∈[1,N]为矩阵中元素所在的行和列,ab为低频/高频噪声形态参数,对应Bq共有q个;ab参数生成的Bq满足能够以最小的稀疏向量θn来表示任意一段低频和高频噪声nS,即满足公式(5)数学模型描述;
其中,nS为低频和高频噪声,θn为噪声经过稀疏分解后得到的稀疏向量,且θn满足其1范数具有最小值;
其中,表示脉搏信号稀疏向量,对应在高斯冗余字典中的子矩阵[D1 D2D3 … Du],表示检测低频和高频噪声的稀疏向量,对应在高斯冗余字典中的子矩阵[B1 B2 B3 … Bq],θE表示检测随机噪声的稀疏向量,对应在高斯冗余字典中的子矩阵E,表示检测工频噪声的稀疏向量,对应在高斯冗余字典中的子矩阵P50;
步骤3,分别计算稀疏向量的每个矩阵的能量比,具体如下:
则稀疏向量的每个矩阵的能量比为:
步骤4,将每个矩阵的能力比分别与各自的最佳阈值比较,判断是否存在对应类型的噪声;
当ξE>ThE时,则脉搏信号中存在随机噪声,
当以上条件都不满足时,则证明该段脉搏信号为干净的脉搏信号;
其中,ThB、ThE、ThP分别表示检测高频噪声和低频噪声、随机噪声、工频噪声的阈值。
2.根据权利要求1所述的一种基于增强的高斯冗余字典脉搏信号噪声检测方法,其特征在于:形态参数ad的具体确定方法为:随机选择若干段干净的脉搏信号,ad在一定的搜索范围内取值生成Du,通过网格搜索的方式确定满足公式(3)时,最少个数的ad组合即为最优的Du生成参数。
3.根据权利要求1所述的一种基于增强的高斯冗余字典脉搏信号噪声检测方法,其特征在于:1个N×N单位矩阵E为主对角线元素为1,其它位置元素为0的方阵。
1个N×N正弦矩阵P50的元素为p50(i,j):
p50(i,j)=sin(2*π*50*(i-1-j+1/fs)) (6)
其中,i,j∈[1,N]为矩阵中元素所在的行和列。
4.根据权利要求1所述的一种基于增强的高斯冗余字典脉搏信号噪声检测方法,其特征在于:步骤2中采用基追踪算法、贪婪算法、IRLS算法或SL0对含噪声脉搏信号进行稀疏分解得到稀疏向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892628.XA CN110575146B (zh) | 2019-09-20 | 2019-09-20 | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910892628.XA CN110575146B (zh) | 2019-09-20 | 2019-09-20 | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110575146A CN110575146A (zh) | 2019-12-17 |
CN110575146B true CN110575146B (zh) | 2022-03-15 |
Family
ID=68813172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910892628.XA Active CN110575146B (zh) | 2019-09-20 | 2019-09-20 | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110575146B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN102663450A (zh) * | 2012-03-21 | 2012-09-12 | 南京邮电大学 | 基于稀疏表示的新生儿疼痛与非疼痛表情分类识别方法 |
CN102842115A (zh) * | 2012-05-31 | 2012-12-26 | 哈尔滨工业大学(威海) | 基于双重字典学习的压缩感知图像超分辨率重建方法 |
CN103077503A (zh) * | 2013-01-09 | 2013-05-01 | 西安电子科技大学 | 基于dct字典同步稀疏表示的sar图像降斑方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997585A (zh) * | 2016-01-22 | 2017-08-01 | 同方威视技术股份有限公司 | 成像系统及图像质量评价方法 |
-
2019
- 2019-09-20 CN CN201910892628.XA patent/CN110575146B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073999A (zh) * | 2011-01-20 | 2011-05-25 | 西安电子科技大学 | 基于双冗余字典学习的自然图像去噪方法 |
CN102663450A (zh) * | 2012-03-21 | 2012-09-12 | 南京邮电大学 | 基于稀疏表示的新生儿疼痛与非疼痛表情分类识别方法 |
CN102842115A (zh) * | 2012-05-31 | 2012-12-26 | 哈尔滨工业大学(威海) | 基于双重字典学习的压缩感知图像超分辨率重建方法 |
CN103077503A (zh) * | 2013-01-09 | 2013-05-01 | 西安电子科技大学 | 基于dct字典同步稀疏表示的sar图像降斑方法 |
Non-Patent Citations (1)
Title |
---|
基于滤波导引冗余字典的图像稀疏去噪;温凯峰 等;《控制工程》;20160831;第23卷(第8期);第1215-1220页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110575146A (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109916628B (zh) | 基于改进多尺度幅值感知排列熵的滚动轴承故障诊断方法 | |
Fang et al. | Decomposition of multiunit electromyographic signals | |
Xu et al. | Wavelet-based cascaded adaptive filter for removing baseline drift in pulse waveforms | |
Zabalza et al. | Singular spectrum analysis for effective feature extraction in hyperspectral imaging | |
CN104198999B (zh) | 一种基于同构序列的脉冲分选方法 | |
Singh et al. | Classification of unsegmented heart sound recording using KNN classifier | |
CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
Sedghamiz et al. | Unsupervised detection and classification of motor unit action potentials in intramuscular electromyography signals | |
Manikandan et al. | Straightforward and robust QRS detection algorithm for wearable cardiac monitor | |
CN112370015A (zh) | 基于格拉姆角场的生理信号质量评估方法 | |
CN110477906A (zh) | 一种心电信号qrs波起止点定位方法 | |
CN110575146B (zh) | 一种基于增强的高斯冗余字典脉搏信号噪声检测方法 | |
CN1696687A (zh) | 粗晶材料超声检测时频分析处理方法 | |
Peimankar et al. | Ensemble learning for detection of short episodes of atrial fibrillation | |
Xiong et al. | A dictionary learning algorithm for multi-channel neural recordings | |
Rehman et al. | Classification and Denoising of Cosmic-Ray Radio Signals using Deep Learning | |
CN109682892B (zh) | 一种基于时频分析的信号去噪方法 | |
Longfu et al. | Identification of bowel sound signal with spectral entropy method | |
Li et al. | Efficient online feature extraction algorithm for spike sorting in a multichannel FPGA-based neural recording system | |
Liu et al. | Diagnosis of AF based on time and frequency features by using a hierarchical classifier | |
Jia et al. | High noise tolerant R-peak detection method based on deep convolution neural network | |
CN114706128A (zh) | 一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备 | |
Kats et al. | Features extraction from non-destructive testing data in cyber-physical monitoring system of construction facilities | |
CN110575145A (zh) | 一种基于增强的高斯冗余字典脉搏信号去噪方法 | |
CN108764092B (zh) | 基于能量元双阈值的微流控芯片信号去噪方法 |
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 |