CN112244835B - 信号处理方法及相关装置 - Google Patents
信号处理方法及相关装置 Download PDFInfo
- Publication number
- CN112244835B CN112244835B CN202010973330.4A CN202010973330A CN112244835B CN 112244835 B CN112244835 B CN 112244835B CN 202010973330 A CN202010973330 A CN 202010973330A CN 112244835 B CN112244835 B CN 112244835B
- Authority
- CN
- China
- Prior art keywords
- signal
- point
- value
- physiological
- characteristic
- 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
- A61B5/72—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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种信号处理方法及相关装置。其中方法包括:获取生理信号,所述生理信号为节律性的人体生理信号;识别所述生理信号的特征点,所述特征点包括波峰特征点和波谷特征点;获取所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距;根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点;若存在所述异常特征点,从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号;所述异常信号片段为包含所述异常特征点且不包含正常特征点的波峰片段或波谷片段,所述正常特征点为不是所述异常特征点的特征点。
Description
技术领域
本发明涉及信号处理技术领域,尤其是涉及一种信号处理方法及相关装置。
背景技术
常见的生理信号例如心电信号、心冲击信号、脉搏波信号等容易受到人体及环境等诸多因素的影响,其有着以下特点:直接从人体检测的生理信号的幅值一般都比较小,都是毫伏级的信号;由于生理信号本身比较弱,再加上人体又是一个很复杂的整体,因此信号易受到噪声的干扰,例如传感器本身的噪声,检测时伴随的肢体动作,精神紧张等;除了人体产生的声音信号以外,其他的生理信号的频率一般都比较低,一般在0.01~100Hz之间。在通过放大电路采样之后的生理信号,由于系统内部和外部存在的干扰,以及其他的噪声影响,会在得到的数据中混入干扰信号,因此需要采用一定的方法最大限度的消除混入数据中的干扰信号,以保证采集数据的有效性。
数字滤波是消除噪声的一种有效方法,但是一般的数字滤波有个很大的缺点。运动伪迹是生理信号的主要干扰源之一,当检测过程中出现运动伪迹时,有效信号易出现异常的尖峰或者波谷,传统的数字滤波只能对这类噪声信号进行一定的抑制,并不能完全消除它造成的干扰。
发明内容
本申请提供了一种信号处理方法及相关装置。
第一方面,提供了一种信号处理方法,包括:
获取生理信号,所述生理信号为节律性的人体生理信号;
识别所述生理信号的特征点,所述特征点包括波峰特征点和波谷特征点;获取所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距;
根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点;
若存在所述异常特征点,从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号;所述异常信号片段为包含所述异常特征点且不包含正常特征点的波峰片段或波谷片段,所述正常特征点为不是所述异常特征点的特征点。
在一种可选的实施方式中,所述识别所述生理信号的特征点之前,所述方法还包括:
获取所述生理信号的门限阈值,所述门限阈值为所述生理信号的能量均值;
所述识别所述生理信号的特征点,包括:
获取所述生理信号的搜索区间,所述搜索区间的起始点为所述生理信号的起点,所述搜索区间的长度小于或等于一个波长范围;
获取所述生理信号的搜索区间内的初始特征点,所述初始特征点为所述搜索区间内的第一个最小信号值或最大信号值的特征点;
根据所述初始特征点和所述门限阈值,在所述生理信号中识别其他特征点,以获得所述生理信号的全部特征点。
在一种可选的实施方式中,所述根据所述初始特征点和所述门限阈值,在所述生理信号中识别其他特征点,获得所述生理信号的全部特征点,包括:
获取从所述搜索区间的起始点到所述初始特征点之间的信号极值,所述信号极值为所述搜索区间内的第一个最大信号值或最小信号值,所述信号极值与所述初始特征点的信号值的极性相反;
判断所述信号极值的绝对值是否大于所述门限阈值;
若所述信号极值的绝对值大于所述门限阈值,判断所述信号极值对应的信号点与所述初始特征点之间的时间间距是否处于预设间距范围内;
若是,确定所述信号极值对应的信号点为特征点;
以所述初始特征点为起始点进行差分查找,获得极值点,从所述极值点中确定所述生理信号的特征点;其中,所述特征点的信号值的绝对值大于所述门限阈值,所述特征点的信号值与所述初始特征点的信号值之间的绝对值之差小于预设差值阈值,并且所述波谷特征点与所述波谷特征点相邻的波峰特征点之间的时间间距处于所述预设间距范围内。
在一种可选的实施方式中,所述根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点,包括:
若第一特征点的信号值与所述第二特征点的信号值的差值高于预设信号差阈值,和/或,所述第一特征点与所述第二特征点的间距高于预设间距阈值,确定所述第一特征点为所述异常特征点,所述第二特征点为与所述第一特征点相邻的特征点。
在一种可选的实施方式中,所述从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号,包括:
若所述异常信号片段之前的第一信号片段的终点的信号值,与所述异常信号片段之后的第二信号片段的起点的信号值相同,将所述第一信号片段的终点的信号值作为所述第二信号片段的起点的信号值,使所述第二信号接于所述第一信号片段之后,获得所述第一信号;
若所述异常信号片段之前的第一信号片段的终点的信号值,与所述异常信号片段之后的第二信号片段的起点的信号值不相同,将所述第一信号片段的终点与所述第二信号片段的起点衔接,且衔接点保留所述第一信号片段的终点的信号值和所述第二信号片段的起点的信号值,获得所述第一信号。
在一种可选的实施方式中,所述将所述生理信号中的剩余信号进行拼接以获得第一信号之后,所述方法还包括:
通过滤波器对所述第一信号进行零相位滤波处理,获得目标信号,在频域上所述目标信号与所述第一信号之间不存在附加相位。
在一种可选的实施方式中,所述通过滤波器对所述第一信号进行零相位滤波处理,获得目标信号,包括:
通过所述滤波器对所述第一信号进行正向滤波,获得第二信号;再通过所述滤波器将所述第二信号进行反向滤波,获得第三信号;
所述滤波器将所述第三信号反向输出,获得所述目标信号。
在一种可选的实施方式中,所述获取生理信号之前,所述方法还包括:
获取第一待处理生理信号,通过陷波滤波器对所述第一待处理生理信号进行处理,去除所述第一待处理生理信号中的预设频率的信号,获得第二待处理生理信号;
对所述第二待处理生理信号进行中值滤波处理,将所述第二待处理生理信号中每个信号点的信号值调整为所述信号点的一个邻域中各信号点的信号值的中值,以获得所述生理信号
第二方面,提供了一种信号处理装置,包括:
获取模块,用于获取生理信号,所述生理信号为节律性的人体生理信号;
特征点识别模块,用于识别所述生理信号的特征点,所述特征点包括波峰特征点和波谷特征点;获取所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距;
异常判断模块,用于根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点;
处理模块,用于若存在所述异常特征点,从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号;所述异常信号片段为包含所述异常特征点且不包含正常特征点的波峰片段或波谷片段,所述正常特征点为不是所述异常特征点的特征点。
第三方面,提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如上述第一方面及其任一种可能的实现方式的步骤。
本申请通过识别生理信号的特征点,根据特征点的信号值和/或特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点,若存在,则从生理信号中去除该异常特征点对应的异常信号片段,再将生理信号中剩余信号进行拼接以获得第一信号,可以针对生理信号特点去除信号中因运动伪迹产生的异常尖峰或低谷片段,可以去除异常信号片段的影响,即更有效地消除混入数据中的干扰信号,提高采集的生理信号的有效性。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种信号处理方法的流程示意图;
图2为本申请实施例提供的一种存在异常尖峰的信号示意图;
图3为本申请实施例提供的一种信号处理方法的流程示意图;
图4为本申请实施例提供的一种普通滤波与零相位滤波效果对比示意图;
图5为本申请实施例提供的一种普通滤波与零相位滤波相位失真效果对比示意图;
图6为本申请实施例提供的一种信号处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1,图1是本申请实施例提供的一种信号处理方法的流程示意图。该方法可包括:
101、获取生理信号,上述生理信号为节律性的人体生理信号。
本申请实施例的执行主体可以为一种信号处理装置,可以为电子设备,具体实现中,上述电子设备可以为一种终端,也可称为终端设备,包括但不限于诸如台式计算机,可以具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)。还应当理解的是,在某些实施例中,上述设备还可以是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。
本申请实施例可以对节律性的人体生理信号进行处理,节律是某些物体运动中交替出现的有规律的强弱、长短、上下、有无等现象。人体在生命的活动过程中存在许多生理性的节律性变化,这种节律性生理信号通常具有周期性或准周期性。上述节律性的人体生理信号可包括常见的生理信号例如心电信号、心冲击信号、脉搏波信号等。上述生理信号可以利用各种采集设备进行采集,比如医疗器械或者具备人体生理信号采集功能的可穿戴设备等。所有节律性的生理数据,会因运动或者其他原因在采集的生理信号中产生异常的波峰、波谷,影响数据的有效性。本申请实施例旨在采用合理的算法去除这类干扰。
102、识别上述生理信号的特征点,上述特征点包括波峰特征点和波谷特征点;获取上述特征点的信号值和/或上述特征点与所述特征点的相邻特征点的间距。
对于生理信号可以首先识别其特征点,主要是波峰和波谷特征点。本申请实施例中提到的波峰是指波在一个振荡周期内,波幅的最大值,与之相对的最小值则被称为波谷。振荡周期指周期性信号作周期性重复变化的时间间隔。波长是指波在一个振荡周期内传播的距离,也就是沿着波的传播方向,相邻两个振动位相相差2π的点之间的距离。以横波为例,在一个振荡周期的波形中突起的最高点就是波峰,陷下的最低点就是波谷。
具体的,可以通过在生理信号的每个振荡周期内寻找高于特定门限值的信号点为波峰特征点,以及低于特定门限值的信号点为波谷特征点,且每个波峰与波谷之间的间距满足预设的心率监测范围。可选的,可以采用差分法求函数极值的方式,来获得生理信号中的极值点,并结合前述如门限值、间距的限制条件,从极值点中筛选出实际的波峰和波谷特征点。
在识别出上述特征点的情况下可以获取特征点的信号值和/或特征点与所述特征点的相邻特征点的间距,这些数据可以是在上述识别特征点的流程中已经获得并用于判断特征点的信息。
103、根据上述特征点的信号值和/或上述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点。
在识别出生理信号的特征点的情况下,可以是否有异常特征点,即在这些特征点中寻找是否存在因运动产生的尖峰和低谷,并可以剔除其中的异常特征点。
在一种可选的实施方式中,上述步骤103具体包括:
若第一特征点的信号值与上述第二特征点的信号值的差值高于预设信号差阈值,和/或,上述第一特征点与上述第二特征点的间距高于预设间距阈值,确定上述第一特征点为上述异常特征点,上述第二特征点为与上述第一特征点相邻的特征点。
具体的,上述第一特征点可以是识别出的生理信号特征点中的任意一个。可选的,可以获取该生理信号的特征点与该特征点的相邻特征点的信号值的差值,并判断该差值是否高于预设信号差阈值,若高于,则确定该特征点为异常特征点,若不高于,则该特征点为非异常特征点。其中,特征点可能有一个相邻特征点或者两个特征点,在有两个相邻特征点的情况下,可以是当与该特征点的两个相邻特征点的信号值的差值中至少一个值高于预设信号差阈值,则确定该特征点为异常特征点;若不是,则该特征点为非异常特征点。
可选的,可以获取该生理信号的特征点与其相邻特征点的间距,并判断该间距是否高于预设间距阈值,若高于,则确定该特征点为异常特征点,若不高于,则该特征点为非异常特征点。其中,特征点可能有一个相邻特征点或者两个特征点,在有两个相邻特征点的情况下,可以是当与该特征点的两个相邻特征点的间距中至少一个值高于预设间距阈值的情况下,确定该特征点为异常特征点;若不是,则该特征点为非异常特征点。
通过上述步骤可以对每个特征点进行判断,以筛选出异常特征点。还可以设置其他规则对特征点进行筛选以确定异常特征点,本申请实施例对此不做限制。
104、若存在上述异常特征点,从上述生理信号中剔除异常信号片段后,将上述生理信号中的剩余信号进行拼接以获得第一信号;上述异常信号片段为包含上述异常特征点且不包含正常特征点的波峰片段或波谷片段,上述正常特征点为不是上述异常特征点的特征点。
若检测到生理信号中存在上述异常特征点,则可以从中剔除该异常特征点所在的异常信号片段,再将剩余信号进行拼接以获得无异常特征点的信号(第一信号)。
其中,上述异常信号片段为包含上述异常特征点且不包含正常特征点的波峰片段或波谷片段,及在该异常特征点所处的半个波长内的信号均可以被看作异常信号片段。本申请实施例中将不是上述异常特征点的特征点称为上述正常特征点或非异常特征点,信号中的正常特征点(正常的波峰特征点和波谷特征点)需要保留。
需要注意的是,若该异常特征点位于生理信号的首尾,则仅需要提出异常信号片段而不需要拼接。
在一种可选的实施方式中,上述从上述生理信号中剔除异常信号片段后,将上述生理信号中的剩余信号进行拼接以获得第一信号,包括:
若上述异常信号片段之前的第一信号片段的终点的信号值,与上述异常信号片段之后的第二信号片段的起点的信号值相同,将上述第一信号片段的终点的信号值作为上述第二信号片段的起点的信号值,使上述第二信号接于上述第一信号片段之后,获得上述第一信号;
若上述异常信号片段之前的第一信号片段的终点的信号值,与上述异常信号片段之后的第二信号片段的起点的信号值不相同,将上述第一信号片段的终点与上述第二信号片段的起点衔接,且衔接点保留上述第一信号片段的终点的信号值和上述第二信号片段的起点的信号值,获得上述第一信号。
上述为一种对剔除异常信号片段后的信号拼接方式。一般情况下,剔除的异常信号片段为一个波峰片段或波谷片段,包含至少一个异常特征点,一个生理信号中可能存在不止一个异常特征点或者说异常信号片段。具体的,以生理信号中的一个异常信号片段具体描述,若该异常信号片段具有前后相邻的两个信号片段,则将该两个信号片段进行拼接,即将后一片段移动并衔接于前一片段之后。对于该两个信号片段的衔接点,若信号值相同则合并为同一点,若信号值不相同可以均保留。
可选的,由于有删除的信号片段,可以在原来的信号后补0,以使信号长度保持不变。
举例来讲,可以参见图2所示的一种存在异常尖峰的信号示意图。如图2所示,其中信号包括识别出的六个波峰1-6,以及七个波谷1-7,信号中在该处出现了多余的异常尖峰点3,通过前述步骤可以确定该波谷特征点3为异常特征点,属于波谷异常,可以剔除该特征点3对应的波谷片段,将相邻的两个(第2个、第3个)波峰进行拼接,具体操作就是将第3个波峰后面的数据直接接到第2个波峰后面,将之前在这两个波峰直接的数据覆盖掉,并可以在之后添0补足,其中波峰2、3对应的信号值不相同,可以都保留。
本申请通过识别生理信号的特征点,根据特征点的信号值和/或特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点,若存在,则从生理信号中去除该异常特征点对应的异常信号片段,再将生理信号中剩余信号进行拼接以获得第一信号,可以针对生理信号特点去除信号中因运动伪迹产生的异常尖峰或低谷片段,可以去除异常信号片段的影响,即更有效地消除混入数据中的干扰信号,提高采集的生理信号的有效性。适用于所有节律性的一维生理信号,还可以通过识别的特征点对该信号质量进行评估。
请参阅图3,图3是本申请实施例提供的一种信号处理方法的流程示意图。如图3所示,该方法可具体包括:
201、获取生理信号,上述生理信号为节律性的人体生理信号。
本申请实施例的执行主体可以为一种信号处理装置,可以为电子设备,具体实现中,上述电子设备可以为一种终端,也可称为终端设备,包括但不限于诸如台式计算机,可以具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)。还应当理解的是,在某些实施例中,上述设备还可以是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。
本申请实施例可以对节律性的人体生理信号进行处理,可包括常见的生理信号例如心电信号、心冲击信号、脉搏波信号等。上述生理信号可以利用各种采集设备进行采集,比如医疗器械或者具备人体生理信号采集功能的可穿戴设备等。
其中,上述步骤201还可以参考图1所示实施例中的具体描述,此处不再赘述。
202、获取上述生理信号的门限阈值,上述门限阈值为上述生理信号的能量均值;获取上述生理信号的搜索区间,上述搜索区间的起始点为上述生理信号的起点,上述搜索区间的长度小于或等于一个波长范围。
具体的,本申请实施例中可以先查找初始特征点,上述初始特征点为信号中的第一个波峰或者波谷特征点。上述搜索区间可以根据需要预先设置,搜索区间的起始点为该生理信号的起点,长度通常处于一个波长范围内,以用于在特定的信号范围内搜索初始特征点。波长是指波在一个振荡周期内传播的距离,也就是沿着波的传播方向,相邻两个振动位相相差2π的点之间的距离。提个波长范围内指的是一个波长的距离范围内。
203、获取上述生理信号的搜索区间内的初始特征点和上述初始特征点的信号值,上述初始特征点为上述搜索区间内的第一个最小信号值或最大信号值的特征点。
具体的,可以先在搜索区间内查找第一个极值,确定该极值点为初始特征点,比如在从信起点开始的搜索区间内,查找第一个最小值为谷值,或第一个最大值为峰值。 204、根据上述初始特征点和上述门限阈值,在上述生理信号中识别其他特征点,以获得上述生理信号的全部特征点。
具体的,根据预设的门限阈值和确定的初始特征点为参考,可以继续查找信号中的其他波峰和波谷特征点。在后续查找中,初始特征点的信号值和门限阈值均可以作为确定其他特征点时的信号值参考标准,以排出一些疑似波峰或波谷的点。
在一种可选的实施方式中,上述步骤204具体包括:
获取从上述搜索区间的起始点到上述初始特征点之间的信号极值,上述信号极值为上述搜索区间内的第一个最大信号值或最小信号值,上述信号极值与上述初始特征点的信号值的极性相反;
判断上述信号极值的绝对值是否大于上述门限阈值;
若上述信号极值的绝对值大于上述门限阈值,判断上述信号极值对应的信号点与上述初始特征点的信号值之间的时间间距是否处于预设间距范围内;
若是,确定上述信号极值对应的信号点为特征点;
以上述初始特征点为起始点进行差分查找,获得极值点,从上述极值点中确定上述生理信号的特征点;其中,上述特征点的信号值的绝对值大于上述门限阈值,上述特征点的信号值与上述初始特征点的信号值绝对值之差小于预设差值阈值,并且上述波谷特征点和上述波峰特征点之间的时间间距处于上述预设间距范围内。
具体的,以前述步骤203中寻找的初始特征点——谷值为基础,从信号起点到该谷值之间寻找最大值,若最大值满足波峰门限则该信号点确定为第一个波峰,否则认为该搜索区间内没有波峰。
进一步地,查找后续的波峰和波谷,可以采用差分寻找的方式,寻找的每个波峰的信号值需满足上述门限阈值,且每个波峰与波谷之间的间距满足预设间距范围(在心率信号的处理中,可设置为通常的心率监测范围)。
上述差分寻找的原理即是利用二阶导数来求函数极值,只是对于信号处理来说,这个过程是离散的。比如,f在x0的某邻域上一阶可导,在x0处二阶可导,且,;
⑴若,则f在取得极大值;
⑵若,则f在取得极小值。
具体的,对信号执行上述差分寻找的方式主要是求差分函数,可以理解为差分遍历向量法:先将上述生理信号(投影曲线的数值)抽象为一组一维向量,之后用一阶差分向量运算完成一阶导数的计算(可默认已假设采样的时间间隔dt等于1)。然后利用取符号运算求得信号一阶导数的正负情况,并将一阶导数为0的点全部设为与其所在坡面的梯度(走向或者趋势)相同。最后再对这个数组求一阶差分向量,此时,元素中为负数的就是波峰(极大值),为正数的就是波谷(最小值)。
上述初始特征点的一个作用与门限阈值类似,在于提升后续查找到的特征点的可靠性,上述预设差值阈值可以用于比较疑似特征点与该初始特征点的差值。由于通过差分求极值的方式所找到的信号点(疑似特征点)不一定是真的特征点,比如可能为一个信号值突变点,通过判断疑似特征点的信号值与初始特征点的信号值绝对值之差是否小于预设差值阈值,可进一步确定相对接近初始特征点的信号值,以确定真实的特征点。
在通过上述步骤获得上述生理信号的全部特征点之后,可以执行步骤205。
205、获取上述特征点的信号值和/或上述特征点与所述特征点的相邻特征点的间距;根据上述特征点的信号值和/或上述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点。
206、若存在上述异常特征点,从上述生理信号中剔除异常信号片段后,将上述生理信号中的剩余信号进行拼接以获得第一信号;上述异常信号片段为包含上述异常特征点且不包含正常特征点的波峰片段或波谷片段,上述正常特征点为不是上述异常特征点的特征点。
在识别出上述特征点的情况下可以获取特征点的信号值和/或特征点与所述特征点的相邻特征点的间距,这些数据可以是在上述识别特征点的流程中已经获得并用于判断特征点的信息。
其中,上述步骤205和步骤206可以参考图1所示实施例中步骤103和步骤104中的具体描述,此处不再赘述。
207、通过滤波器对上述第一信号进行零相位滤波处理,获得目标信号,在频域上上述目标信号与上述第一信号之间不存在附加相位。
具体的,上述步骤采用特征点识别算法去除了因运动伪迹产生的异常尖峰或低谷,经过上述处理后的信号可以再进行零相位滤波。
数字滤波是消除噪声的一种有效方法,但是一般的数字滤波有个很大的缺点,当检测过程中出现运动伪迹时,有效信号易出现了异常的尖峰或者波谷,由于出现异常的频率具有随机性,因此不能采用类似于去除工频干扰的陷波器进行处理,而传统的数字滤波只能对这类噪声信号进行一定的抑制,并不能完全消除它造成的干扰。另外数字滤波器的设计方法多种多样,但大致可分为IIR滤波器和FIR滤波器,IIR滤波器能够用较低的阶数获得高的选择性,广泛的应用于嵌入式平台的数据处理中,相较于FIR滤波器来说所用的存储单元要少,计算量也小,效率还高,但是这个高效率是以相位的非线性为代价的,对于生理信号的处理中对相位要求较高,需要消除IIR滤波器非线性的影响。
本申请实施例中的零相位滤波方法可用较少的硬件开销解决了IIR滤波器的相位失真问题。
在一种可选的实施方式中,上述通过滤波器对上述第一信号进行零相位滤波处理,获得目标信号,包括:
通过上述滤波器对上述第一信号进行正向滤波,获得第二信号;再通过上述滤波器将上述第二信号进行反向滤波,获得第三信号;
上述滤波器将上述第三信号反向输出,获得上述目标信号。
在零相位滤波器中,可以将输入的信号进行正向滤波,然后将正向滤波后的结果反向滤波,再将得到的结果反向输出,就可以消除滤波器产生的相位失真。在一种可选的实施方式中,上述滤波器的时域描述包括:
,;
,;
,;
,;
其中,表示输入信号序列,为所述滤波器的冲激响应序列,为的第一逆转序列,为所述第一逆转序列通过所述滤波器进行第二次滤波获得的中间信号序列,为输出信号序列,所述输出序列为所述中间信号序列的逆转序列。
由以上公式表达可以得到:;
可见,输出与输入不存在附加相位,从而实现了零相位滤波。
为了更清楚地说明本申请实施例中零相位率波的效果,可以参见图4所示的一种普通滤波与零相位滤波效果对比示意图。其中,原始信号a采用ECG信号,即心电图(electrocardiogram,ECG)信号。对原始信号a进行普通带通滤波与零相位滤波,分别获得单向滤波信号b和双向滤波信号c。其中带通滤波是为了消除基线漂移及高频噪声的干扰。滤波效果整体对比如图4所示,可以明显看到图4中单向滤波b的波峰相较原始波形a有一个明显的位移(相对偏右),而双向滤波信号c中波峰和波谷的位置及形态相比原始信号a没有明显变化。
可以再参见图5所示的一种普通滤波与零相位滤波相位失真效果对比示意图。与图4中类似的,对原始信号a进行普通带通滤波与零相位滤波,分别获得单向滤波信号b和双向滤波信号c。图5与图4相比是将一段信号的波形放大后的示意图,可以明显看到其中单向滤波b的波峰相较原始波形a有一个明显的位移(相对偏右),且波谷的形态相较于原始波形有一定的失真,而双向滤波信号c中波峰和波谷的位置及形态相比原始信号a没有明显变化。
综上,可见本申请实施例中的零相位滤波减少了普通单向滤波中的相位失真。
在一种可选的实施方式中,上述步骤201之前,该方法还包括:
获取第一待处理生理信号,通过陷波滤波器对上述第一待处理生理信号进行处理,去除其中因预设频率工频产生的干扰,以及进行中值滤波可去除不连续冲击引起的干扰。
本申请实施例中,整个去除因运动伪迹产生的异常尖峰或低谷的算法流程可概括如下:
1、获取数据:这里的数据泛指具有节律性的生理信号,例如心电信号、心冲击信号、脉搏波信号等;
2、工频陷波:去除因50Hz工频产生的干扰;
3、中值滤波:去除不连续冲击引起的干扰;
4、去运动伪迹:采用特征点识别算法去除运动伪迹造成的干扰;
5、零相位滤波:用零相位滤波消除传统IIR滤波导致的相位失真;
6、后续计算:针对不同信号特点及用途做进一步的分析及计算。
本申请实施例中的信号处理方法,通过门限阈值和搜索区间确定初始特征点,再进一步搜索出全部的波峰和波谷特征点,进而根据特征点的信号值和/或特征点与所述特征点的相邻特征点的间距确定是否存在异常特征点;若存在,则从生理信号中去除该异常特征点对应的异常信号片段,再将生理信号中剩余信号进行拼接以获得第一信号,可以针对生理信号特点去除信号中因运动伪迹产生的异常尖峰或低谷片段,可以去除异常信号片段的影响,更有效地消除混入数据中的干扰信号;并在之后通过零相位滤波处理,消除传统IIR滤波导致的相位失真,提高了采集的生理信号的有效性。适用于所有节律性的一维生理信号,还可以通过识别的特征点对该信号质量进行评估,也便于针对不同信号特点及用途做进一步的分析及计算。
基于上述信号处理方法实施例的描述,本申请实施例还公开了一种信号处理装置。请参见图6,信号处理装置500包括:
获取模块510,用于获取生理信号,所述生理信号为节律性的人体生理信号;
特征点识别模块520,用于识别所述生理信号的特征点,所述特征点包括波峰特征点和波谷特征点;获取所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距;
异常判断模块530,用于根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点;
处理模块540,用于若存在所述异常特征点,从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号;所述异常信号片段为包含所述异常特征点且不包含正常特征点的波峰片段或波谷片段,所述正常特征点为不是所述异常特征点的特征点。
根据本申请的一个实施例,图1和图3所示的方法所涉及的各个步骤均可以是由图6所示的信号处理装置500中的各个模块执行的,此处不再赘述。
本申请实施例中的信号处理装置500,可以识别生理信号的特征点,根据特征点的信号值和/或特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点,若存在,则从生理信号中去除该异常特征点对应的异常信号片段,再将生理信号中剩余信号进行拼接以获得第一信号,可以针对生理信号特点去除信号中因运动伪迹产生的异常尖峰或低谷片段,可以去除异常信号片段的影响,即更有效地消除混入数据中的干扰信号,提高采集的生理信号的有效性。适用于所有节律性的一维生理信号,还可以通过识别的特征点对该信号质量进行评估。
本申请实施例还提供了一种计算机存储介质(Memory),上述计算机存储介质是电子设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括电子设备中的内置存储介质,当然也可以包括电子设备所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了电子设备的操作系统。并且,在该存储空间中还存放了适于被处理器601加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中,可由处理器加载并执行计算机存储介质中存放的一条或多条指令,以实现上述实施例中的相应步骤;具体实现中,计算机存储介质中的一条或多条指令可以由处理器加载并执行图1和/或图3中方法的任意步骤,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory,ROM),或随机存储存储器(random access memory,RAM),或磁性介质,例如,软盘、硬盘、磁带、磁碟、或光介质,例如,数字通用光盘(digital versatile disc,DVD)、或者半导体介质,例如,固态硬盘(solid state disk ,SSD)等。
Claims (8)
1.一种信号处理方法,其特征在于,包括:
获取生理信号,所述生理信号为节律性的人体生理信号;
识别所述生理信号的特征点,所述特征点包括波峰特征点和波谷特征点;获取所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距;
根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断所述生理信号中是否存在异常特征点;若存在所述异常特征点,从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号;所述异常信号片段为包含所述异常特征点且不包含正常特征点的波峰片段或波谷片段,所述正常特征点为不是所述异常特征点的特征点;
其中,所述识别所述生理信号的特征点之前,所述方法还包括:
获取所述生理信号的门限阈值,所述门限阈值为所述生理信号的能量均值;
所述识别所述生理信号的特征点,包括:
获取所述生理信号的搜索区间,所述搜索区间的起始点为所述生理信号的起点,所述搜索区间的长度小于或等于一个波长范围;
获取所述生理信号的搜索区间内的初始特征点,所述初始特征点为所述搜索区间内的第一个最小信号值或最大信号值的特征点;
根据所述初始特征点和所述门限阈值,在所述生理信号中识别其他特征点,以获得所述生理信号的全部特征点;
其中,所述根据所述初始特征点和所述门限阈值,在所述生理信号中识别其他特征点,获得所述生理信号的全部特征点,包括:
获取从所述搜索区间的起始点到所述初始特征点之间的信号极值,若所述初始特征点为所述搜索区间内的第一个最小信号值,则所述信号极值为所述搜索区间内的第一个最大信号值,若所述初始特征点为所述搜索区间内的第一个最大信号值,则所述信号极值为所述搜索区间内的第一个最小信号值,所述信号极值与所述初始特征点的信号值的极性相反;
判断所述信号极值的绝对值是否大于所述门限阈值;
若所述信号极值的绝对值大于所述门限阈值,判断所述信号极值对应的信号点与所述初始特征点之间的时间间距是否处于预设间距范围内;
若是,确定所述信号极值对应的信号点为特征点;
以所述初始特征点为起始点进行差分查找,获得极值点,从所述极值点中确定所述生理信号的特征点;其中,所述特征点的信号值的绝对值大于所述门限阈值,所述特征点的信号值与所述初始特征点的信号值之间的绝对值之差小于预设差值阈值,并且所述波谷特征点与所述波谷特征点相邻的波峰特征点之间的时间间距处于所述预设间距范围内。
2.根据权利要求1所述的信号处理方法,其特征在于,所述根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点,包括:
若第一特征点的信号值与第二特征点的信号值的差值高于预设信号差阈值,和/或,所述第一特征点与所述第二特征点的间距高于预设间距阈值,确定所述第一特征点为所述异常特征点,所述第二特征点为与所述第一特征点相邻的特征点。
3.根据权利要求1所述的信号处理方法,其特征在于,所述从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号,包括:
若所述异常信号片段之前的第一信号片段的终点的信号值,与所述异常信号片段之后的第二信号片段的起点的信号值相同,将所述第一信号片段的终点的信号值作为所述第二信号片段的起点的信号值,使所述第二信号接于所述第一信号片段之后,获得所述第一信号;
若所述异常信号片段之前的第一信号片段的终点的信号值,与所述异常信号片段之后的第二信号片段的起点的信号值不相同,将所述第一信号片段的终点与所述第二信号片段的起点衔接,且衔接点保留所述第一信号片段的终点的信号值和所述第二信号片段的起点的信号值,获得所述第一信号。
4.根据权利要求3所述的信号处理方法,其特征在于,所述将所述生理信号中的剩余信号进行拼接以获得第一信号之后,所述方法还包括:
通过滤波器对所述第一信号进行零相位滤波处理,获得目标信号,在频域上所述目标信号与所述第一信号之间不存在附加相位。
5.根据权利要求4所述的信号处理方法,其特征在于,所述通过滤波器对所述第一信号进行零相位滤波处理,获得目标信号,包括:
通过所述滤波器对所述第一信号进行正向滤波,获得第二信号;再通过所述滤波器将所述第二信号进行反向滤波,获得第三信号;
所述滤波器将所述第三信号反向输出,获得所述目标信号。
6.根据权利要求3-5任一项所述的信号处理方法,其特征在于,所述获取生理信号之前,所述方法还包括:
获取第一待处理生理信号,通过陷波滤波器对所述第一待处理生理信号进行处理,去除所述第一待处理生理信号中的预设频率的信号,获得第二待处理生理信号;
对所述第二待处理生理信号进行中值滤波处理,将所述第二待处理生理信号中每个信号点的信号值调整为所述信号点的一个邻域中各信号点的信号值的中值,以获得所述生理信号。
7.一种信号处理装置,其特征在于,包括:
获取模块,用于获取生理信号,所述生理信号为节律性的人体生理信号;
特征点识别模块,用于识别所述生理信号的特征点,所述特征点包括波峰特征点和波谷特征点;获取所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距;
异常判断模块,用于根据所述特征点的信号值和/或所述特征点与所述特征点的相邻特征点的间距判断是否存在异常特征点;
处理模块,用于若存在所述异常特征点,从所述生理信号中剔除异常信号片段后,将所述生理信号中的剩余信号进行拼接以获得第一信号;所述异常信号片段为包含所述异常特征点且不包含正常特征点的波峰片段或波谷片段,所述正常特征点为不是所述异常特征点的特征点;
其中,所述特征点识别模块之前所述装置还用于:
获取所述生理信号的门限阈值,所述门限阈值为所述生理信号的能量均值;
所述特征点识别模块,具体用于:
获取所述生理信号的搜索区间,所述搜索区间的起始点为所述生理信号的起点,所述搜索区间的长度小于或等于一个波长范围;
获取所述生理信号的搜索区间内的初始特征点,所述初始特征点为所述搜索区间内的第一个最小信号值或最大信号值的特征点;
根据所述初始特征点和所述门限阈值,在所述生理信号中识别其他特征点,以获得所述生理信号的全部特征点;
其中,所述根据所述初始特征点和所述门限阈值,在所述生理信号中识别其他特征点,获得所述生理信号的全部特征点,包括:
获取从所述搜索区间的起始点到所述初始特征点之间的信号极值,若所述初始特征点为所述搜索区间内的第一个最小信号值,则所述信号极值为所述搜索区间内的第一个最大信号值,若所述初始特征点为所述搜索区间内的第一个最大信号值,则所述信号极值为所述搜索区间内的第一个最小信号值,所述信号极值与所述初始特征点的信号值的极性相反;
判断所述信号极值的绝对值是否大于所述门限阈值;
若所述信号极值的绝对值大于所述门限阈值,判断所述信号极值对应的信号点与所述初始特征点之间的时间间距是否处于预设间距范围内;
若是,确定所述信号极值对应的信号点为特征点;
以所述初始特征点为起始点进行差分查找,获得极值点,从所述极值点中确定所述生理信号的特征点;其中,所述特征点的信号值的绝对值大于所述门限阈值,所述特征点的信号值与所述初始特征点的信号值之间的绝对值之差小于预设差值阈值,并且所述波谷特征点与所述波谷特征点相邻的波峰特征点之间的时间间距处于所述预设间距范围内。
8.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述的信号处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973330.4A CN112244835B (zh) | 2020-09-16 | 2020-09-16 | 信号处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973330.4A CN112244835B (zh) | 2020-09-16 | 2020-09-16 | 信号处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112244835A CN112244835A (zh) | 2021-01-22 |
CN112244835B true CN112244835B (zh) | 2023-04-07 |
Family
ID=74231424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010973330.4A Active CN112244835B (zh) | 2020-09-16 | 2020-09-16 | 信号处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112244835B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113317757A (zh) * | 2021-04-30 | 2021-08-31 | 深圳麦格米特电气股份有限公司 | 一种获取生命体征数据的方法、光纤传感器及设备 |
CN113273980A (zh) * | 2021-06-07 | 2021-08-20 | 深圳麦格米特电气股份有限公司 | 一种获取生命体征数据的方法、光纤传感器及智能床垫 |
CN113689457A (zh) * | 2021-10-26 | 2021-11-23 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法、装置、计算机设备及计算机可读存储介质 |
CN114159050A (zh) * | 2021-11-12 | 2022-03-11 | 深圳数联天下智能科技有限公司 | 一种呼吸率监测方法、装置、设备及介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103027667B (zh) * | 2011-09-30 | 2017-01-18 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
CN103340609A (zh) * | 2013-07-04 | 2013-10-09 | 李文博 | 脉象自动分析及其特征提取的方法 |
CN104716928B (zh) * | 2013-12-11 | 2017-10-31 | 中国航空工业第六一八研究所 | 一种在线零相移iir数字滤波器的数字滤波处理方法 |
CN110575159B (zh) * | 2018-06-11 | 2023-12-05 | 深圳市理邦精密仪器股份有限公司 | 一种信号基线复位方法、装置及监护仪 |
CN110601678B (zh) * | 2019-08-31 | 2023-09-29 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种iir滤波器实现零相位的方法及其装置 |
CN111557661B (zh) * | 2020-05-15 | 2024-03-08 | 深圳清华大学研究院 | 心电信号处理方法及装置 |
-
2020
- 2020-09-16 CN CN202010973330.4A patent/CN112244835B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112244835A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112244835B (zh) | 信号处理方法及相关装置 | |
CN112190268A (zh) | 生理信号处理设备 | |
Park et al. | R peak detection method using wavelet transform and modified shannon energy envelope | |
Castells-Rufas et al. | Simple real-time QRS detector with the MaMeMi filter | |
WO2022110524A1 (zh) | 心电图心搏数据聚类方法、装置、电子设备和介质 | |
Lu et al. | QRS detection based on improved adaptive threshold | |
CN106618560B (zh) | 脑电波信号的处理方法和装置 | |
Rahul et al. | A novel and lightweight P, QRS, and T peaks detector using adaptive thresholding and template waveform | |
Zhang et al. | A Kalman filtering based adaptive threshold algorithm for QRS complex detection | |
CN109864705B (zh) | 对脉搏波进行滤波的方法、装置和计算机设备 | |
Zou et al. | An ultra-low power QRS complex detection algorithm based on down-sampling wavelet transform | |
Verma et al. | A new morphological filtering algorithm for pre-processing of electrocardiographic signals | |
WO2014206265A1 (zh) | 谐波分析方法和装置以及确定谐波间杂波的方法和装置 | |
Kaur et al. | An efficient R-peak detection using Riesz fractional-order digital differentiator | |
KR102007011B1 (ko) | 심전도 신호로부터 중요 포인트를 검출하는 장치 및 방법 | |
Dai et al. | Removal of baseline wander from dynamic electrocardiogram signals | |
Valluraiah et al. | ECG signal analysis using Hilbert transform | |
JP5320837B2 (ja) | 脈拍計測装置、脈拍計測プログラムおよび脈拍計測方法 | |
Sahoo et al. | Autocorrelation and Hilbert transform-based QRS complex detection in ECG signal | |
TW201023828A (en) | Detecting heartbeat method | |
Zhang et al. | An effective QRS detection algorithm for wearable ECG in body area network | |
Kohama et al. | An efficient RR interval detection for ECG monitoring system | |
Yan et al. | A resource-efficient, robust QRS detector using data compression and time-sharing architecture | |
US20190290156A1 (en) | Signal feature extraction apparatus, signal feature extraction method, and program | |
Nagarkoti et al. | An algorithm for fetal heart rate detection using wavelet transform |
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 |