CN111419279A - 一种超声多普勒胎心信号的自适应消噪算法 - Google Patents
一种超声多普勒胎心信号的自适应消噪算法 Download PDFInfo
- Publication number
- CN111419279A CN111419279A CN202010211493.9A CN202010211493A CN111419279A CN 111419279 A CN111419279 A CN 111419279A CN 202010211493 A CN202010211493 A CN 202010211493A CN 111419279 A CN111419279 A CN 111419279A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- fetal heart
- adaptive
- threshold
- 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
- 210000002458 fetal heart Anatomy 0.000 title claims abstract description 175
- 230000008030 elimination Effects 0.000 title claims abstract description 37
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims description 58
- 230000003595 spectral effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 14
- 238000010009 beating Methods 0.000 claims description 12
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 13
- 230000009466 transformation Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000001605 fetal effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 210000003754 fetus Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000009532 heart rate measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011410 subtraction method Methods 0.000 description 2
- 208000001951 Fetal Death Diseases 0.000 description 1
- 206010055690 Foetal death Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- INJRKJPEYSAMPD-UHFFFAOYSA-N aluminum;silicic acid;hydrate Chemical compound O.[Al].[Al].O[Si](O)(O)O INJRKJPEYSAMPD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 231100000479 fetal death Toxicity 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/02—Measuring pulse or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/02—Foetus
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种超声多普勒胎心信号的自适应消噪算法，其采用自适应谱减消噪方法通过基于变异系数和Logistic变换的端点检测算法识别出噪声信号，通过识别计算出的噪声功率谱与初始噪声功率谱加权叠加的方式来实现噪声谱的更新，以增强常规谱减法的适用性。此外，本发明在基本阈值消噪算法的基础上研究并提出了自适应阈值消噪算法，该方法根据信号的半波峰值与幅度阈值的关系进行消噪处理，其中阈值可以根据信号信噪比的大小进行自适应调整。本发明整个方法简便且易于实现，能够有效抑制胎心信号噪声，提高信噪比，对提高胎心率测量的灵敏度、增大胎心仪的检测范围、提升胎心率检测的准确性均有较大帮助。
Description
技术领域
本发明属于医疗仪器信号处理技术领域，具体涉及一种超声多普勒胎心信号的自适应消噪算法。
背景技术
胎心监护对降低胎儿死亡率，提高孕妇的分娩质量有重要意义；胎心率是胎心监护过程中的一项重要指标，它能够反应胎儿的心脏生理状态。传统的胎心率检测主要依靠孕妇定期前往医院进行产检，但由于检查周期固定且周期较长，定期产检可能无法及时发现胎儿的潜在问题，若增加产检频次则又会大大增加孕妇体力上的负担和医院妇产科资源的压力，小型、轻便的家用胎心仪可以方便孕妇随时随地进行自检，方便孕妇及时发现问题，保障胎儿的健康发育。
目前常用的家用胎心仪大多基于超声多普勒原理，该方法的硬件电路简单，成本价格低，检测方便，为广大孕妇所接受。利用超声多普勒胎心仪采集得到的胎心信号不仅包含由胎儿心脏瓣膜、胎儿心脏壁室等运动产生的信号，即胎心信号的有用部分，还包含由孕妇体内液体流动、孕妇体腹壁运动和胎儿呼吸等产生的干扰信号。由于超声多普勒胎心信号微弱，信号成分复杂，背景噪声强，干扰多，现有的家用超声多普勒胎心仪普遍存在测量灵敏度低、测量范围小、胎心音不清晰等问题，常常导致胎心位置难找、胎心率不准确等现象，影响了胎心仪的使用效果和用户体验。
对胎心信号进行消噪处理可以提升信号的信噪比，这对提升胎心仪的灵敏度和检测范围有很大帮助，良好的消噪处理可以帮助孕妇更容易地寻找胎心位置，进而提升胎心率检测的准确性。在超声多普勒胎心信号消噪方法的国内外研究中，目前的消噪方法主要分为两种：第一种是基于小波变换的消噪方法；第二种是基于经验模态分解的消噪方法。基于小波变换的消噪方法主要利用信号和噪声在小波分析中表现出的不同特征实现消噪，Papadimitriou等人在文献“Fetal heart rate signal denoising by processing thewavelet transform modulus maxima[C]//Engineering in Medicine and BiologySociety,1996.Bridging Disciplines for Biomedicine.Proceedings of the 18thAnnual International Conference of the IEEE.IEEE,1996,3:1029-1030”中提出了应用小波变换模极大值法进行胎心信号的去噪，但是该方法计算复杂，计算速度过慢。杨晓峰等人在文献“基于小波变换的多普勒胎儿心率检测研究[J].西安交通大学学报,2007(08):917-921”中提出了基于小波阈值去噪法的胎心信号去噪算法，但在该方法中阈值选择十分重要，阈值选取过小将导致信号损失过多，且该方法计算量较大。
基于经验模态分解的消噪方法通过对复杂信号进行多层次分解，可以获得一系列代表瞬时频率分量的本征模态函数IMF，IMF分量包含了信号从高频到低频的所有成分，通过舍弃带噪部分的IMF分量，组合重构剩余的IMF分量，即可达到消噪的目的。Rouvre等人在文献“Empirical mode decomposition(EMD)for multi-gate,multi-transducerultrasound Doppler fetal heart monitoring[C]//Signal Processing andInformation Technology,2005.Proceedings of the Fifth IEEE InternationalSymposium on.IEEE,2005:208-212”中提出了使用经验模态分解法进行胎心信号的去噪，该方法对胎心信号等非平稳信号有着较好的去噪效果，但计算过程较复杂。
上述典型的胎心信号消噪处理算法在一定条件下都有较好的消噪效果，但同时也都表现为算法较为复杂，运算量较大，对硬件计算资源的要求较高，很难适用于嵌入式设备的实时处理过程中，常用的家用胎心仪无论是硬件资源还是实时要求的处理速度上往往均无法满足。
发明内容
鉴于上述，本发明提供了一种超声多普勒胎心信号的自适应消噪算法，能够有效降低胎心信号的噪声，提高信号的信噪比，对提高胎心率测量的灵敏度、增大胎心仪的检测范围、提升胎心率检测的准确性均有较大帮助。
一种超声多普勒胎心信号的自适应消噪算法，包括如下步骤：
(1)获取超声多普勒胎心仪的胎心信号，并对其进行初始噪声功率谱估计得到胎心信号的噪声功率谱初值；
(2)通过对胎心信号进行端点检测以识别出信号的噪声段，进而求取噪声段的功率谱；
(3)对噪声功率谱A1和噪声功率谱A2进行加权叠加，叠加后得到的噪声功率谱A作为下一段信号消噪的噪声功率谱A1；其中：第一段信号消噪的噪声功率谱A1采用步骤(1)中估计得到的噪声功率谱初值，噪声功率谱A2采用步骤(2)中求得的噪声段功率谱；
(4)对胎心信号进行自适应谱减法消噪处理和自适应阈值消噪处理，其中自适应谱减法消噪处理过程中用到的噪声功率谱为步骤(3)加权叠加后得到的噪声功率谱A；
(5)根据步骤(2)～(4)分段对胎心信号进行消噪处理，从而实现超声多普勒胎心信号的自适应消噪。
进一步地，所述步骤(2)中对胎心信号进行端点检测的过程如下：
2.1将一段胎心信号划分成多个时间窗，求取每个时间窗内信号的变异系数；
2.2利用Logistic函数对所述变异系数进行变换使其放大凸显；
2.3对放大后的变异系数进行阈值判定，若大于设定阈值，则将变异系数对应的时间窗视作跳动区段，剩余区段即为噪声段。
优选地，所述步骤2.3中对于由连续若干跳动区段组成的跳动区域以及单个孤立的跳动区段，根据经验宽度对这些跳动区域及区段两端适当进行拓宽，以提升端点检测的准确率，由此完成超声多普勒胎心信号的端点检测。
进一步地，所述步骤(3)中通过以下公式对噪声功率谱A1和噪声功率谱A2进行加权叠加：
A＝g×A1+(1-g)A2
其中：g为权重系数。
进一步地，所述步骤(4)中对胎心信号进行消噪过程中，先进行自适应谱减法消噪处理，后进行自适应阈值消噪处理。
进一步地，所述自适应阈值消噪处理即通过对胎心信号进行阈值判定，若信号的半波峰值小于自适应阈值时，对信号半波整体进行削弱，否则对信号半波整体进行保留；其中自适应阈值的选取与信噪比相关，信噪比越高，阈值取值越大，信噪比越低，阈值取值越小。
进一步地，所述胎心信号的信噪比检测过程如下：
首先，将一段胎心信号划分成多个时间窗，窗长为m，求出每个时间窗内信号的最大峰值；
然后，对所有时间窗的信号最大峰值求取绝对值作为窗值；
进而，采用长度s×m的滑动窗口求取窗值的最大值和最小值，每次窗移长度为m，将窗值最大值记为有效信号signalVal，窗值最小值记为噪声信号noiseVal；
最后，根据有效信号signalVal和噪声信号noiseVal通过以下公式求取胎心信号每个时间窗的信噪比val；
其中：s为大于1的自然数。
进一步地，关于自适应阈值与信噪比的关系，当信噪比大于信噪比阈值vmax时，将自适应阈值设置成相对较大值Threshold1；当信噪比小于信噪比阈值vmin时，将自适应阈值设置成相对较小值Threshold2；当信噪比在区间[vmin,vmax]内，则通过建立一个自适应阈值随信噪比变化的函数关系来实现且自适应阈值的上下限为Threshold1和Threshold2。
进一步地，对于任一时间窗，若该时间窗的信噪比小于信噪比阈值vmin且该时间窗的信号平均幅值小于给定幅度阈值thres，则对该时间窗内信号进行整体衰减并调低衰减系数k以增强衰减程度；其他情况下，则将整个时间窗以半波长度分成多个小段，对于任一小段信号，若该小段信号的波峰峰值绝对值小于自适应阈值，则将该小段信号以给定的衰减系数k进行衰减。
考虑到家用胎心仪硬件资源有限且对实时处理速度要求较高的情况，本发明自适应消噪算法在兼顾计算复杂度的同时，尽可能实现良好的消噪效果，其通过自适应谱减消噪方法和自适应阈值消噪方法对胎心信号进行消噪处理，自适应谱减消噪方法通过基于变异系数和Logistic变换的端点检测算法识别出噪声信号，通过识别计算出的噪声功率谱与初始噪声功率谱加权叠加的方式来实现噪声谱的更新，以增强常规谱减法的适用性。
为了进一步抑制胎心信号的噪声，本发明在基本阈值消噪算法的基础上研究并提出了自适应阈值消噪算法，该方法根据信号的半波峰值与幅度阈值的关系进行消噪处理，其中阈值可以根据信号信噪比的大小进行自适应调整，本发明提出的时间窗极值法可以实现信噪比的基本检测。整个方法简便且易于实现，能够有效抑制胎心信号噪声，提高信噪比，对提高胎心率测量的灵敏度、增大胎心仪的检测范围、提升胎心率检测的准确性均有较大帮助。
附图说明
图1为本发明胎心信号消噪方法的步骤流程示意图。
图2(a)为超声多普勒胎心信号及其时间窗内的极大值示意图。
图2(b)为超声多普勒胎心信号及其有效信号和噪声信号的标记示意图。
图3(a)为胎心信号及其变异系数曲线示意图。
图3(b)为胎心信号变异系数及其Logistic变换曲线示意图。
图3(c)为胎心信号变异系数和其经Logistic变换后的曲线及胎心信号跳动区域标记示意图。
图3(d)为胎心信号及其胎心跳动区域的初步标记示意图。
图3(e)胎心信号及其修正后的端点检测区域标记结意图。
图4(a)为较强胎心位置的原始胎心信号波形示意图。
图4(b)为经过自适应谱减消噪算法后的较强胎心位置处的胎心信号波形示意图。
图4(c)为经过自适应谱减消噪算法和自适应阈值消噪算法后的较强胎心位置处的胎心信号波形示意图。
图5(a)为较弱胎心位置的原始胎心信号波形示意图。
图5(b)为经过自适应谱减消噪算法后的较弱胎心位置处的胎心信号波形示意图。
图5(c)为经过自适应谱减消噪算法和自适应阈值消噪算法后的较弱胎心位置处的胎心信号波形示意图。
图6(a)为极弱胎心位置的原始胎心信号波形示意图。
图6(b)为经过自适应谱减消噪算法后的极弱胎心位置处的胎心信号波形示意图。
图6(c)为经过自适应谱减消噪算法和自适应阈值消噪算法后的极弱胎心位置处的胎心信号波形示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明针对超声多普勒胎心仪的胎心信号消噪方法，包括如下步骤：
(1)获取超声多普勒胎心信号的初始噪声功率谱估计，具体过程如下：
1.1使用一体式超声多普勒胎心仪对孕妇进行多次测量，保存测量时的超声多普勒胎心信号，提取出每个胎心信号的噪声信号段(两相邻胎心跳动处信号之间的间隔段信号)，直到噪声信号段累计到足够长度；
1.2对噪声信号进行加窗、分帧处理，求取每一帧的噪声功率谱|Di(k)|2；
1.3对每一帧的噪声功率谱进行累加和平均处理，得到最终的初值噪声功率谱，计算公式参照如下；由于超声多普勒胎心仪采集得到的胎心信号中混有电路噪声和一部分由运动产生的其他干扰信号，它们属于随机信号，通过对随机的噪声功率谱进行若干次的平均处理，可以得到一个趋于稳定的谱。
(2)获取超声多普勒胎心信号中噪声段的功率谱，即通过对超声多普勒胎心信号进行端点检测，识别并提取出信号的噪声段，当噪声段信号长度达到设定的阈值长度时，求取噪声信号段的噪声功率谱。
其中端点检测通过变异系数和Logistic变换识别和提取出胎心信号的噪声段，变异系数在数学中为标准差与平均值之比(平均值不为0)，其计算公式如下：
其中：σ为信号的标准差，μ为信号的平均值。
变异系数是概率分布离散程度的一个归一化量度，对于超声多普勒胎心信号来说，变异系数可以在一定程度上反应信号能量的集中程度；通过分析胎心信号及其变异系数的曲线图可以发现，在胎心跳动明显时，变异系数的数值较高且呈现明显峰值；胎心跳动微弱时，变异系数的数值较低，但也可呈现出峰值，在噪声段信号(两相邻胎心跳动处信号之间的间隔段)处，变异系数的数值很低，没有明显峰值体现，由此可以区分出胎心信号跳动段和噪声段。
Logistic函数是一种常见的s形函数，其定义域为(-∞,∞)，表达式如下：
其中：k衡量曲线变化的快慢，x0为s型曲线的中点位置，L是曲线的最大值。
Logistic函数表现为一条光滑连续且单调的曲线，在其定义域内该曲线首先缓慢增长，接着加速增长，在发展期后其增长速度逐渐减慢，最后趋于稳定。Logistic函数在增长趋势上呈现出的先快后慢然后逐渐变慢的曲线变化特点可以分别概括为慢速增长期、快速增长期和平稳增长期，本发明利用Logistic函数的这一特点，将超声多普勒胎心信号的变异系数带入Logistic函数进行变换。在进行Logistic变换时，需要调整Logistic函数至合适参数，使得噪声信号段(两相邻胎心跳动处信号之间的间隔段)对应的数值较小的变异系数处于慢速增长期，使得胎心跳动处信号段对应的数值较大的变异系数处于快速增长期或平稳增长期，从而拉大变异系数在胎心跳动信号段和噪声信号段呈现出的数值差距，凸显胎心跳动信号段的变异系数，由此更好地实现胎心信号跳动段和噪声信号段的识别。
端点检测的具体过程如下：
2.1求取超声多普勒胎心信号的变异系数，胎心信号及其变异系数曲线如图3(a)所示，在胎心跳动的信号段，变异系数的数值较高，在两相邻胎心跳动处之间的间隔段(噪声信号)，变异系数的数值较低。
2.2将得到的胎心信号变异系数带入Logistic函数进行变换，得到的结果如图3(b)所示，经Logistic变换后，变异系数中数值较高的部分被进一步放大凸显。
2.3初步胎心信号端点提取，即将上述步骤2.2得到的变异系数进行阈值判定，大于设定阈值的信号则视作处于胎心信号跳动区域，由此标记出经过初步端点提取后的胎心信号跳动区域，如图3(c)和图3(d)所示。
2.4端点提取修正，得到端点检测结果，即根据胎心信号的经验宽度进行上述标定胎心信号跳动区域的修正，以提升端点检测的准确率，由此完成了超声多普勒胎心信号的端点检测，通过该方法可以识别出胎心跳动处信号段和噪声信号段，识别结果如图3(e)所示。
当提取到的噪声段信号累积达到设定长度时，需要对提取到的噪声段信号进行功率谱估计，具体过程为：首先对提取到的噪声信号进行加窗、分帧处理，求取每一帧的噪声功率谱|Di(k)|2；然后对每一帧的噪声功率谱进行累加和平均处理，得到最终的自适应噪声功率谱，计算公式参照如下，由此可以获取得到超声多普勒胎心信号中噪声段的功率谱。
(3)噪声功率谱更新，即对初始噪声功率谱和提取出的噪声信号段功率谱进行加权叠加，得到更新后的噪声功率谱，噪声功率谱更新的计算公式如下：
E[|D(w)|2]′＝g×E[|D(w)|2]+(1-g)×|I(w)|2
其中：g为权重系数且0＜g＜1，E[|D(w)|2]为初始噪声功率谱估计，|I(w)|2为噪声信号段的自适应噪声功率谱估计。
(4)对超声多普勒胎心信号进行自适应谱减法消噪处理和自适应阈值消噪处理，其中谱减法中的噪声功率谱为步骤(3)中得到的更新后噪声功率谱。
谱减法是一种较早被提出的去噪算法，它假设噪声信号是与纯净信号无关的加性噪声，其基本原理是在估计出噪声信号谱之后，直接将原始带噪信号谱与噪声信号谱相减，再利用人耳对相位不敏感的特性，用原始带噪信号的相位来代替纯净信号的相位，从而重建得到纯净信号，具体数学模型如下：
其中：
代表谱减后的纯净信号功率谱估计，|Y(k)|2为带噪胎心信号的功率谱，E[|D(k)|2]代表噪声信号功率谱的期望。
传统谱减法常会引入音乐噪声从而降低降噪性能，因此在谱减法的改进方法中引入修正因子，在一定程度上减少了音乐噪声，改善降噪性能。
Berouti对谱减法的模型进行了修改：
其中：α(α＞1)为过减因子，β(0＜β＜1)为谱下限参数。
阈值消噪算法根据信号的幅值进行消噪处理，当信号的幅值小于给定阈值时，对信号进行削弱；当信号的幅值大于给定阈值时，对信号进行保留。超声多普勒胎心信号的波形以零点为分界线，由连续的上半波和下半波组成，如果将阈值消噪算法应用于超声多普勒胎心信号的消噪中，可以取每一个半波的峰值作为阈值的比较对象，当半波峰值小于设定阈值时，对该半波整体进行削弱；当半波峰值大于设定阈值时，对该半波进行保留，具体计算公式如下：
其中：peakVal为半波峰值，Threshold为削波阈值。
在使用超声多普勒胎心仪进行检测时可以发现，越靠近胎儿心脏的位置所检测到的信号强度越大，信噪比越高；反之信号强度越低，信噪比越低。如果针对不同信噪比的信号使用同一个阈值进行消噪，那么如果阈值选择过小，会导致噪声段所对应的半波没有得到较好抑制，影响了消噪效果；如果阈值选择过大，可能会将削波效果作用于有用的胎心跳动段信号中，使得有用信号部分减弱。因此，要想使阈值消噪算法发挥出较好的消噪效果，需要根据信号的信噪比进行阈值的调整，通用的信噪比检测方法如下式所示：
其中：s(n)代表纯净信号，x(n)代表带噪信号。
但是运用该公式时需要知道纯净信号和噪声信号才能进行计算，然而对于真实的超声多普勒胎心信号而言，其信号成分复杂，要想完全分离出纯净信号和噪声信号是较为困难的，因此本发明提出了一种时间窗极值法，来近似衡量信号的信噪比。超声多普勒胎心信号由连续的上半波和下半波组成，对于每一个半波而言，可以将半波峰值点的绝对值视为信号的有效值，在超声多普勒胎心信号中，可以将两相邻胎心跳动处信号之间的间隔段信号视为噪声信号。
如果将一次胎心跳动的信号划分为多个时间窗，每个时间窗长m，则划分出的多个时间窗中至少有一个时间窗包含胎心跳动幅值最大的胎心跳动段信号，也至少有一个时间窗包含噪声信号，故时间窗极值法检测信号信噪比的过程如下：
4.1将超声多普勒胎心信号划分为n个时间窗，每个时间窗长m，每次窗移m，求出每一个时间窗内信号的极大值，该极大值可能代表胎心跳动幅值最大的胎心跳动段信号，也可能代表噪声信号，也可能代表幅值处于二者之间的信号，如图2(a)所示，曲线为超声多普勒胎心信号，灰色框格代表时间窗，窗长m＝100/Fs(s)，其中Fs代表采样频率，每个时间窗中用星号标记出的数据为该时间窗内信号中的极大值，由于划分了n个时间窗，因而求得的极大值个数为n个。
4.2将步骤4.1中求得的数量为n的时间窗极大值求取绝对值得到均为正数的一系列数值，称作窗值，其数量为n。
4.3采用长度为s×m的滑动窗口求取步骤4.2中窗值的最大值和最小值，每次窗移长度为m，即首先求取第1个窗长m的时间窗到第s个窗长m的时间窗中s个窗值(步骤4.2得到的结果)的最大值和最小值，再求取第2个窗长m的时间窗到第s+1个窗长m的时间窗中s个窗值的最大值和最小值……，以此类推；将窗值中的最大值记为有效信号signalVal，窗值中的最小值记为噪声信号noiseVal，最终结果如图2(b)所示，其中实线代表标记出的有效信号，虚线代表标记出的噪声信号。
4.4根据步骤4.3得到的有效信号signalVal和噪声信号noiseVal求取衡量信噪比的数值val：
当衡量信号信噪比的数值val大于信噪比阈值xmax时，可以将削波阈值Threshold取一个相对较大的值，使得噪声得到有效抑制；当衡量信号信噪比的数值val小于信噪比阈值xmax且大于信噪比阈值xmin时，可以建立一个val与Threshold的数值函数关系；当衡量信号信噪比的数值val小于信噪比阈值xmin时，可以将削波阈值Threshold取一个相对较小的值，但需要结合信号的幅度阈值考虑以下两种情况：
①信号平均幅值大于给定的幅度阈值thres，则信号中存在一部分有效的胎心跳动信号，可以将波峰峰值小于削波阈值Threshold的半波按照给定衰减系数k进行衰减。
②信号平均幅值小于给定的幅度阈值thres，说明信号几乎为噪声信号，此时可以调小衰减系数k，并对该段信号进行整体衰减，从而进一步减弱噪声。
(5)重复步骤(2)～(4)对信号进行消噪处理，通过更新超声多普勒胎心信号的噪声功率谱，将更新后的噪声谱用于谱减法中，以达到自适应谱减消噪的目的。基于谱减法的自适应消噪算法可以对信号的整体噪声进行抑制，自适应阈值消噪算法可以通过对信号幅值大小的判别进行噪声抑制，尤其适用于两相邻胎心跳动之间的间隔段信号的噪声抑制；在自适应谱减消噪算法后，配合使用自适应阈值消噪算法，可以达到进一步抑制噪声的目的。
以下利用超声多普勒胎心仪对孕妇进行实测获取胎心信号，采集胎心信号的波形，以便分析本发明提出的胎心信号消噪算法的效果。在测试过程中，首先寻找孕肚上的最强胎心位置，并获得此位置的信号波形数据，接着以此位置为基准，不断向周围扩展，分别记录下较弱胎心位置和极弱胎心位置，并获得相应的信号波形数据。对三个位置的带噪胎心信号进行消噪处理，分别如图所示，其中图4(a)为较强胎心位置的原始胎心信号，图4(b)为经过自适应谱减消噪算法后的胎心信号，图4(c)为经过自适应谱减消噪算法和自适应阈值消噪算法后的胎心信号；图5(a)为较弱胎心位置的原始胎心信号，图5(b)为经过自适应谱减消噪算法后的胎心信号，图5(c)为经过自适应谱减消噪算法和自适应阈值消噪算法后的胎心信号；图6(a)为极弱胎心位置的原始胎心信号，图6(b)为经过自适应谱减消噪算法后的胎心信号，图6(c)为经过自适应谱减消噪算法和自适应阈值消噪算法后的胎心信号。由此可见，本发明胎心信号消噪算法能够较好地抑制噪声，提升信号的信噪比，自适应谱减消噪算法能够有效提升信号的信噪比；在信噪比不太弱的情况下，进行自适应谱减消噪算法后再运用自适应阈值消噪算法通常可以达到进一步消噪的目的。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (9)
1.一种超声多普勒胎心信号的自适应消噪算法，包括如下步骤：
(1)获取超声多普勒胎心仪的胎心信号，并对其进行初始噪声功率谱估计得到胎心信号的噪声功率谱初值；
(2)通过对胎心信号进行端点检测以识别出信号的噪声段，进而求取噪声段的功率谱；
(3)对噪声功率谱A1和噪声功率谱A2进行加权叠加，叠加后得到的噪声功率谱A作为下一段信号消噪的噪声功率谱A1；其中：第一段信号消噪的噪声功率谱A1采用步骤(1)中估计得到的噪声功率谱初值，噪声功率谱A2采用步骤(2)中求得的噪声段功率谱；
(4)对胎心信号进行自适应谱减法消噪处理和自适应阈值消噪处理，其中自适应谱减法消噪处理过程中用到的噪声功率谱为步骤(3)加权叠加后得到的噪声功率谱A；
(5)根据步骤(2)～(4)分段对胎心信号进行消噪处理，从而实现超声多普勒胎心信号的自适应消噪。
2.根据权利要求1所述的自适应消噪算法，其特征在于：所述步骤(2)中对胎心信号进行端点检测的过程如下：
2.1将一段胎心信号划分成多个时间窗，求取每个时间窗内信号的变异系数；
2.2利用Logistic函数对所述变异系数进行变换使其放大凸显；
2.3对放大后的变异系数进行阈值判定，若大于设定阈值，则将变异系数对应的时间窗视作跳动区段，剩余区段即为噪声段。
3.根据权利要求2所述的自适应消噪算法，其特征在于：所述步骤2.3中对于由连续若干跳动区段组成的跳动区域以及单个孤立的跳动区段，根据经验宽度对这些跳动区域及区段两端适当进行拓宽，以提升端点检测的准确率，由此完成超声多普勒胎心信号的端点检测。
4.根据权利要求1所述的自适应消噪算法，其特征在于：所述步骤(3)中通过以下公式对噪声功率谱A1和噪声功率谱A2进行加权叠加：
A＝g×A1+(1-g)A2
其中：g为权重系数。
5.根据权利要求1所述的自适应消噪算法，其特征在于：所述步骤(4)中对胎心信号进行消噪过程中，先进行自适应谱减法消噪处理，后进行自适应阈值消噪处理。
6.根据权利要求1所述的自适应消噪算法，其特征在于：所述自适应阈值消噪处理即通过对胎心信号进行阈值判定，若信号的半波峰值小于自适应阈值时，对信号半波整体进行削弱，否则对信号半波整体进行保留；其中自适应阈值的选取与信噪比相关，信噪比越高，阈值取值越大，信噪比越低，阈值取值越小。
7.根据权利要求6所述的自适应消噪算法，其特征在于：所述胎心信号的信噪比检测过程如下：
首先，将一段胎心信号划分成多个时间窗，窗长为m，求出每个时间窗内信号的最大峰值；
然后，对所有时间窗的信号最大峰值求取绝对值作为窗值；
进而，采用长度s×m的滑动窗口求取窗值的最大值和最小值，每次窗移长度为m，将窗值最大值记为有效信号signalVal，窗值最小值记为噪声信号noiseVal；
最后，根据有效信号signalVal和噪声信号noiseVal通过以下公式求取胎心信号每个时间窗的信噪比val；
其中：s为大于1的自然数。
8.根据权利要求6所述的自适应消噪算法，其特征在于：关于自适应阈值与信噪比的关系，当信噪比大于信噪比阈值vmax时，将自适应阈值设置成相对较大值Threshold1；当信噪比小于信噪比阈值vmin时，将自适应阈值设置成相对较小值Threshold2；当信噪比在区间[vmin,vmax]内，则通过建立一个自适应阈值随信噪比变化的函数关系来实现且自适应阈值的上下限为Threshold1和Threshold2。
9.根据权利要求8所述的自适应消噪算法，其特征在于：对于任一时间窗，若该时间窗的信噪比小于信噪比阈值vmin且该时间窗的信号平均幅值小于给定幅度阈值thres，则对该时间窗内信号进行整体衰减并调低衰减系数k以增强衰减程度；其他情况下，则将整个时间窗以半波长度分成多个小段，对于任一小段信号，若该小段信号的波峰峰值绝对值小于自适应阈值，则将该小段信号以给定的衰减系数k进行衰减。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010211493.9A CN111419279A (zh) | 2020-03-24 | 2020-03-24 | 一种超声多普勒胎心信号的自适应消噪算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010211493.9A CN111419279A (zh) | 2020-03-24 | 2020-03-24 | 一种超声多普勒胎心信号的自适应消噪算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111419279A true CN111419279A (zh) | 2020-07-17 |
Family
ID=71548764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010211493.9A Pending CN111419279A (zh) | 2020-03-24 | 2020-03-24 | 一种超声多普勒胎心信号的自适应消噪算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111419279A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111887894A (zh) * | 2020-07-24 | 2020-11-06 | 辰浩医疗科技(广东)有限公司 | 一种胎心仪多普勒信号的归一化软件处理方法及系统 |
| CN112414526A (zh) * | 2020-11-13 | 2021-02-26 | 迪比（重庆）智能科技研究院有限公司 | 散袋小包装中药的快速称量方法 |
| CN113080891A (zh) * | 2021-03-17 | 2021-07-09 | 浙江大学 | 基于人体微动信号的呼吸率和心率的提取方法 |
| CN113205823A (zh) * | 2021-04-12 | 2021-08-03 | 广东技术师范大学 | 一种肺音信号端点检测方法、系统及存储介质 |
-
2020
- 2020-03-24 CN CN202010211493.9A patent/CN111419279A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| CHUQI LIU ET.AL.: "Study and Implementation of a Signal Processing Algorithm for Doppler Ultrasound Fetal Heart Signals", 《2019 14TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111887894A (zh) * | 2020-07-24 | 2020-11-06 | 辰浩医疗科技(广东)有限公司 | 一种胎心仪多普勒信号的归一化软件处理方法及系统 |
| CN111887894B (zh) * | 2020-07-24 | 2021-07-13 | 辰浩医疗科技(广东)有限公司 | 一种胎心仪多普勒信号的归一化软件处理方法及系统 |
| CN112414526A (zh) * | 2020-11-13 | 2021-02-26 | 迪比（重庆）智能科技研究院有限公司 | 散袋小包装中药的快速称量方法 |
| CN113080891A (zh) * | 2021-03-17 | 2021-07-09 | 浙江大学 | 基于人体微动信号的呼吸率和心率的提取方法 |
| CN113205823A (zh) * | 2021-04-12 | 2021-08-03 | 广东技术师范大学 | 一种肺音信号端点检测方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111419279A (zh) | 一种超声多普勒胎心信号的自适应消噪算法 | |
| US9936886B2 (en) | Method for the estimation of the heart-rate and corresponding system | |
| US6339715B1 (en) | Method and apparatus for processing a physiological signal | |
| Wu et al. | Filtering electrocardiographic signals using an unbiased and normalized adaptive noise reduction system | |
| Xu et al. | Baseline wander correction in pulse waveforms using wavelet-based cascaded adaptive filter | |
| US8556821B2 (en) | Adaptive frequency domain filtering for improved non-invasive blood pressure estimation | |
| WO2019100827A1 (zh) | 一种脉搏波信号中提取血压数据的方法及装置 | |
| CN109359506B (zh) | 一种基于小波变换的心磁信号降噪方法 | |
| CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
| Jang et al. | A robust method for pulse peak determination in a digital volume pulse waveform with a wandering baseline | |
| CN116626408B (zh) | 基于机器学习的电源纹波噪声检测方法 | |
| TW201225912A (en) | Method for measuring physiological parameters | |
| Li et al. | Application of an EMG interference filtering method to dynamic ECGs based on an adaptive wavelet-Wiener filter and adaptive moving average filter | |
| CA2623270C (en) | Signal processing for pulse oximetry | |
| Wang et al. | Wavelet transform based ECG denoising using adaptive thresholding | |
| US11298065B2 (en) | Fetal heart rate extraction within a processor constrained environment | |
| CN102274014A (zh) | 一种基于小波去噪的柯氏音血压测量与信号分析方法 | |
| Lin et al. | Investigation on pulse wave forward peak detection and its applications in cardiovascular health | |
| CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
| Gupta et al. | Denoising and Analysis of PPG Acquired From Different Body Sites Using Savitzky Golay Filter | |
| Yue et al. | Time-frequency analysis of heart sounds in telemedicine consulting system for auscultation | |
| Fedotov et al. | A QRS-complex detector of the electrocardiogram signal for the long-term monitoring of the patient’s condition | |
| WO2018023698A1 (zh) | 一种胎儿心电分离方法及装置 | |
| Celler et al. | Blood pressure estimation using time domain features of auscultatory waveforms and GMM-HMM classification approach | |
| Sun et al. | An improved PPG denoising methodology based on EEMD and wavelet threshold |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |