CN114492528A - 一种脉象信号消噪方法、装置、电子设备及存储介质 - Google Patents

一种脉象信号消噪方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114492528A
CN114492528A CN202210101392.5A CN202210101392A CN114492528A CN 114492528 A CN114492528 A CN 114492528A CN 202210101392 A CN202210101392 A CN 202210101392A CN 114492528 A CN114492528 A CN 114492528A
Authority
CN
China
Prior art keywords
frequency
signal
low
noise
frequency component
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
Application number
CN202210101392.5A
Other languages
English (en)
Inventor
张楠
刘殿文
马也模
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202210101392.5A priority Critical patent/CN114492528A/zh
Publication of CN114492528A publication Critical patent/CN114492528A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Noise Elimination (AREA)

Abstract

本发明公开了一种脉象信号消噪方法、装置、电子设备及存储介质。所述方法包括：对脉象信号进行分解得到多个频率分量以及各频率分量的频率；基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。利用该方法，能够有效滤除脉象信号中的高频噪声和低频噪声。

Description

一种脉象信号消噪方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及信号处理技术领域，尤其涉及一种脉象信号消噪方法、装置、电子设备及存储介质。
背景技术
脉象信号的基线表现为信号移位，随呼吸的变化起伏，波形近似于正弦曲线，属于低频噪声，基线漂移干扰会对后续的特征提取和识别带来影响；脉象信号的高频噪声会使脉象信号的信噪比变低，还会使脉象信号失真，给脉象信号的分类和识别带来难度。因此，在分析脉象信号之前，消除噪声是一项十分重要的工作。
现有技术一般采用数学形态学处理方法和中值滤波法，从时域或频域除噪，对于复杂度不高的信号去噪效果较好，但脉象信号是一些复杂信号的叠加，简单的从时域或频域进行处理，不能有效滤除高频噪声。此外，现有技术对脉象信号消噪的同时会损伤脉象信号本身的特征。
发明内容
本发明实施例提供了一种脉象信号消噪方法、装置、电子设备及存储介质，能够有效滤除脉象信号中的高频噪声和低频噪声。
第一方面，本发明实施例提供了一种脉象信号消噪方法，包括：
对脉象信号进行分解得到多个频率分量以及各频率分量的频率；
基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；
分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；
将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
第二方面，本发明实施例还提供了一种脉象信号消噪装置，包括：
分解模块，用于对脉象信号进行分解得到多个频率分量以及各频率分量的频率；
自适应选择模块，用于基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；
消噪模块，用于分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；
重构模块，用于将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
第三方面，本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器用于实现本发明任意实施例中所述的脉象信号消噪方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的脉象信号消噪方法。
本发明实施例提供了一种脉象信号消噪方法、装置、电子设备及存储介质，首先对脉象信号进行分解得到多个频率分量以及各频率分量的频率；然后基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；之后分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；最后将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。利用上述技术方案，能够有效滤除脉象信号中的高频噪声和低频噪声。
附图说明
图1为本发明实施例一所提供的一种脉象信号消噪方法的流程示意图；
图2为本发明实施例一所提供的一种脉象信号消噪方法中的一例脉象信号的示意图；
图3为本发明实施例一所提供的一种脉象信号消噪方法中的各信号分量以及各信号分量对应的频谱的示意图；
图4为本发明实施例二所提供的一种脉象信号消噪方法的流程示意图；
图5为本发明示例实施例所提供的一种脉象信号消噪方法的示例流程图；
图6为本发明实施例三提供的一种脉象信号消噪装置的结构示意图；
图7为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本发明实施例一所提供的一种脉象信号消噪方法的流程示意图，该方法可适用于对脉象信号包含的噪声进行消除的情况。该方法可以由脉象信号消噪装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上，在本实施例中电子设备包括但不限于：计算机设备。
如图1所示，本发明实施例一提供的一种脉象信号消噪方法，包括如下步骤：
S110、对脉象信号进行分解得到多个频率分量以及各频率分量的频率。
其中，脉象信号在生物医学信号中多属于微弱非平稳信号，频域和时域上都比较复杂多变，信噪比相对高，频率低，脉象信号所在的频率范围大概是0～20Hz，而99％的能量分布在0～10Hz。
在本实施例中，对脉象信号的获取方式不做具体限制，示例性的，脉象信号可以通过脉象采集器采集得到，还可以通过脉象信号采集系统得到。
图2为本发明实施例一所提供的一种脉象信号消噪方法中的一例脉象信号的示意图，在图2中，横坐标可以表示时间，单位为秒，纵坐标可以表示信号幅度。
在本实施例中，所述对脉象信号进行分解得到多个频率分量以及各频率分量的频率，包括：对脉象信号进行集合经验模态分解，得到多个频率分量以及各频率分量的频率。
集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)，EEMD是针对EMD方法的不足，提出的一种噪声辅助数据分析方法。EEMD分解原理为：当附加的白噪声均匀分布在整个时频空间时，该时频空间就由滤波器组分割成的不同尺度成分组成。当信号加上均匀分布的白噪声背景时，不同尺度的信号区域将自动映射到与背景白噪声相关的适当尺度上去。当然，每个独立的测试都可能会产生非常嘈杂的结果，这是因为每个附加噪声的成分都包括了信号和附加的白噪声。既然在每个独立的测试中噪声是不同的，当使用足够测试的全体均值时，噪声将会被消除。全体的均值最后将会被认为是真正的结果，随着越来越多的测试，附加的噪声被消除了，唯一持久稳固的部分是信号本身。
示例性的，对脉象信号进行集合经验模态分解的过程可以包括如下步骤：
步骤1、在脉象信号中N次加入均值为零的高斯白噪声。
即：
xi(t)＝x(t)+hi(t)
其中，x(t)表示脉象信号，hi(t)表示均值为零的高斯白噪声，xi(t)表示第i次加入高斯白噪声后的脉象信号。
步骤2、对xi(t)按照EEMD分解步骤进行分解得到IMF分量cij(t)。
其中，IMF分量可以为xi(t)中的各频率分量，cij(t)可以为经过第i次加入高斯白噪声后，经过EEMD分解后得到的第j个IMF分量。
步骤3、经过多次EEMD分解后得到多个IMF分量，对各IMF分量进行整体平均以抵消高斯白噪声，得到Mj(t)。
在本步骤中，对各IMF分量进行整体平均的计算公式如下：
Figure BDA0003492582250000061
其中，Mj(t)表示x(t)经过EEMD分解的第j个IMF分量。
图3为本发明实施例一所提供的一种脉象信号消噪方法中的各信号分量以及各信号分量对应的频谱的示意图，图3中(a)部分展示的是脉象信号EEMD分解后得到的10个IMF分量c1～c10，图3中(b)部分展示的是各IMF分量以及各IMF分量对应的频谱。其中，图3中c1～c10可以表示不同阶数的IMF分量。
S120、基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号。
在本实施例中，需要对各频率分量进行相关性分析后，基于各频率分量的相关性系数可以对各频率分量进行分析。
进一步的，所述基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号，包括：将所述脉象信号和所述各频率分量进行相关性分析，得到各所述频率分量与所述脉象信号的相关性系数；根据各所述频率分量频带的截止频率以及所述相关性系数对所述各频率分量进行分析，确定出低频信号和高频信号。
在本实施例中，自适应选择的过程可以包括通过相关性公式计算各个频率分量与原脉象信号的相关性，基于各频率分量的频率以及相关性分析确定出低频分量以及高频分量，将低频分量进行重构得到低频信号，将高频分量进行重构得到高频信号。
在一个实施例中，可以通过相关性公式计算脉象信号与各频率分量的相关性系数。相关性系数的计算公式为：
Figure BDA0003492582250000071
其中，xi表示各频率分量的值，
Figure BDA0003492582250000072
表示各频率分量的均值，yi表示脉象信号各个分量的值，
Figure BDA0003492582250000081
表示脉象信号的均值。
示例性的，表1为本发明实施例一提供的各频率分量对应的相关系数表，由表1可知，一阶频率分量c1对应的相关性系数为0.0523，二阶频率分量c2对应的相关性系数为0.4748，三阶频率分量c3对应的相关性系数为0.5712，四阶频率分量c3对应的相关性系数为0.7505，五阶频率分量c5对应的相关性系数为0.2348，六阶频率分量c6对应的相关性系数为0.2308，七阶频率分量c7对应的相关性系数为0.0792，八阶频率分量c8对应的相关性系数为0.0074，九阶频率分量c9对应的相关性系数为0.0025，十阶频率分量c10对应的相关性系数为0.0523。
表1本发明实施例一提供的各频率分量对应的相关系数表
Figure BDA0003492582250000082
进一步的，所述根据所述各频率分量频带的截止频率以及所述相关性系数对所述各频率分量进行分析，确定出低频信号和高频信号，包括：根据所述相关性系数分析各所述频率分量具有的噪声特征，并从各所述频率分量中将一阶频率分量去除，得到各目标频率分量；基于各所述频率分量具有的噪声特点以及各所述目标频率分量频带的截止频率，从所述各目标频率分量中确定出低频分量以及高频分量；将所述低频分量进行重构得到低频信号；将所述高频分量进行重构得到高频信号。
在本实施例中，经过分析可知，一阶频率分量与脉象信号的相关性极小，初步判断一阶频率分量为主要包含脉象信号的噪声，由图3可知，一阶频率分量的频带非常宽，振幅小且变化剧烈，因而明显具有白噪声的特点，可以认为一阶频率分量主要为脉象信号的白噪声，因此，需要将一阶频率分量去除，目标频率分量可以包括c2～c10。
在本实施例中，经分析可知，二阶频率分量c2到五阶频率分量c5与脉象信号的相关性比其余频率分量与脉象信号的相关性要高，初步判断c2～c5主要包含脉象信号的特征成分；六阶频率分量c6到十阶频率分量c10与脉象信号的相关性极小，初步判断c6～c10主要包含脉象信号的噪声，由图3可知c6～c10频带的频率低，振幅大且变化缓慢，因而明显具有基线漂移噪声的特点，可以认为c6～c10主要为脉象信号的低频干扰。
进一步的，所述基于各所述频率分量具有的噪声特征以及所述各目标频率分量频带的截止频率，从所述各目标频率分量中确定出低频分量以及高频分量，包括：根据各所述频率分量具有的噪声特征，确定预设频带阈值；根据所述各目标频率分量频带的截止频率以及预设频带阈值确定低频分量以及高频分量。
示例性的，表2为本发明实施例一提供的各频率分量频带的截止频率对应表，由表2可知，一阶频率分量c1频带的截止频率为整个频带，二阶频率分量c2频带的截止频率为14.8Hz，三阶频率分量c3的截止频率为7.5Hz，四阶频率分量c4的截止频率为3.22Hz，五阶频率分量c5的截止频率为1.64Hz，六阶频率分量c6的截止频率为0.99Hz，七阶频率分量c7的截止频率为0.74Hz，八阶频率分量c8的截止频率为0.61Hz，九阶频率分量c9的截止频率为0.59Hz，十阶频率分量c10的截止频率为0.12Hz。
表2本发明实施例一提供的各频率分量频带的截止频率对应表
Figure BDA0003492582250000101
可以理解的是，脉象信号的基线漂移噪声是一种低频噪声，基线漂移干扰一般是由于电极移动或人体呼吸而产生的，频率较低，一般在0.8Hz以下。由此，分析表2可知，c7～c8频带的截止频率小于0.8Hz，虽然c6频带的截止频率稍大于0.8Hz，但是其也含有基线漂移噪声的成分。基于此，为了在最大限度保留脉象信号本身的特征的情况下滤除脉象信号中包含的基线漂移噪声，可以示例性的将预设频带阈值设置为1.1Hz。
在确定预设频带阈值后，可以根据各目标频率分量频带的截止频率以及预设频带阈值确定低频分量以及高频分量。
进一步的，所述根据所述各目标频率分量频带的截止频率以及预设频带阈值确定低频分量以及高频分量，包括：将各所述目标频率分量中分量频带的截止频率大于所述预设频带阈值的目标频率分量确定为低频分量，将各所述目标频率分量中频率分量频带的截止频率小于或等于所述预设频带阈值的目标频率分量确定为高频分量。
示例性的，由表2可知，可以将频率分量频带的截止频率小于1.1Hz的频率分量判定为含有基线漂移噪声，即将c1～c5确定为低频分量，将c6～c10确定为高频分量。
S130、分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号。
其中，噪声可以包括脉象信号中因人体呼吸引起的基线漂移噪声以及脉象信号采集过程中引入的高频的工频噪声以及白噪声。可以理解的是，白噪声主要存在于一阶频率分量中，此处低频信号和高频信号均不包括一阶频率分量，即白噪声已滤除，在本步骤中去除的高频噪声不包括白噪声。
在本实施例中，低频噪声可以包括肌电干扰、基线漂移干扰以及脉冲干扰。其中，肌电干扰是由肌肉紧张、肌肉紧张引起的干扰，由于其频率分布范围较大，会和脉象信号存在交互，所以比较难以去除；呼吸引起的基线漂移干扰可看作成以呼吸频率加入脉搏信号的正弦曲线，其幅度和频率是有变化的。由呼吸引起的脉搏信号幅值的变化可达到脉搏信号幅值的15％，基线漂移的频率范围在0.8Hz以下，表现为缓慢变化的近似正弦曲线，基线漂移干扰频带较低，会与脉象信号的频带混叠。
在本实施例中，高频噪声可以包括工频干扰，工频干扰主要成分是50Hz及其谐波分量，由于工频干扰本身频带范围窄，与脉象信号的频带0～20Hz没有交集的特点。
在一个实施例中，不限定通过任何一种方式分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，其中一种优选的方式可参考实施例二，此处不做具体说明。
S140、将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
在本实施例中，可以将消噪后的低频信号以及所述消噪后的高频信号重新组合为一个信号，此处不限定以何种方式对消噪后的低频信号以及消噪后的高频信号进行重构。
本发明实施例一提供的一种脉象信号消噪方法，首先对脉象信号进行分解得到多个频率分量以及各频率分量的频率；然后基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；之后分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；最终将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。利用上述方法，能够有效滤除脉象信号中的高频噪声和低频噪声。
实施例二
图4为本发明实施例二所提供的一种脉象信号消噪方法的流程示意图，本实施例二在上述各实施例的基础上进行优化。在本实施例中，将分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号，进一步具体化为：将所述高频信号进行低通滤波去除低频噪声，得到消噪后的高频信号；将所述低频信号进行小波阈值去噪，去除高频噪声得到消噪后的低频信号。本实施例尚未详尽的内容请参考实施例一。
如图4所示，本发明实施例二提供的一种脉象信号消噪方法，包括如下步骤：
S210、对脉象信号进行分解得到多个频率分量以及各频率分量的频率。
S220、基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号。
S230、将所述高频信号进行低通滤波去除低频噪声，得到消噪后的高频信号。
在本实施例中，由于高频信号中含有脉象信号的一部分特征，为了最大限度的保留信号的本身特征，采取对高频信号低通滤波的方式来去除低频噪声。
进一步的，所述将所述高频信号进行低通滤波得到消噪后的高频信号，包括：将所述高频信号中的基线漂移信号去除，得到消噪后的高频信号。
示例性的，在一个实施例中，可以通过一个截止频率为0.8Hz的低通滤波器，使得高频信号减去BL估计信号即基线漂移噪声，可以得到去除基线漂移噪声的高频信号。
S240、将所述低频信号进行小波阈值去噪去除高频噪声，得到消噪后的低频信号。
其中，小波阈值去噪的基本思想是先设置一个临界阈值λ，若小波系数小于λ，认为该系数主要由噪声引起，去除这部分系数；若小波系数大于λ，则认为此系数主要是由信号引起，保留这部分系数，然后对处理后的小波系数进行小波逆变换得到消噪后的信号。
此处，对小波阈值去噪的具体过程不做详细说明。
S250、将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
本发明实施例二提供的一种脉象信号消噪方法，具体化了分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号的过程。利用该方法，能够将脉象信号自适应地分解为若干个频率分量，每个频率分量包含了不同的特征时间尺度，从而将脉象信号的特征信息在不同的分辨率下表现出来，而且分辨率的大小是随不同的信号而改变的，因此，该方法可以实现自适应的多分辨率分析。
本发明实施例在上述各实施例的技术方案的基础上，提供了一种具体的实施方式。
图5为本发明示例实施例所提供的一种脉象信号消噪方法的示例流程图，如图5所示，该方法包括如下过程：输入原信号即脉象信号，对x(t)即脉象信号进行EEMD分解得到IMF分量即频率分量，同时求得每个IMF分量的频率；根据频率自适应算法将IMF分量分成高低两类即基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；针对IMF1～IMFm-1即低频分量进行小波阈值去噪去除高频噪声；针对IMFm～IMFn即高频分量使用低通滤波器去除低频噪声；叠加各IMF分量完成信号重构即将所述消噪后的低频信号以及所述消噪后的高频信号进行重构；得到不具有噪声干扰的脉象信号。
该方法充分分析脉象信号的噪声特征，对频率较低的IMF1～IMFm-1进行低通滤波，滤除低频噪声，最大程度的保留脉象信号的低频特征；对IMFm～IMFn进行小波阈值去噪去除高频噪声，以最大程度的滤除高频噪声。
实施例三
图6为本发明实施例三提供的一种脉象信号消噪装置的结构示意图，该装置可适用于对脉象信号包含的噪声进行消除的情况，其中该装置可由软件和/或硬件实现，并一般集成在电子设备上。
如图6所示，该装置包括：分解模块110、自适应选择模块120、消噪模块130以及重构模块140。
分解模块110，用于对脉象信号进行分解得到多个频率分量以及各频率分量的频率；
自适应选择模块120，用于基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；
消噪模块130，用于分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；
重构模块140，用于将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
在本实施例中，该装置首先通过分解模块110对脉象信号进行分解得到多个频率分量以及各频率分量的频率；然后通过自适应选择模块120基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；之后通过消噪模块130分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；最后通过重构模块140将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
本实施例提供了一种脉象信号消噪装置，能够有效滤除脉象信号中的高频噪声和低频噪声。
进一步的，自适应选择模块120具体用于：将所述脉象信号和所述各频率分量进行相关性分析，得到各所述频率分量与所述脉象信号的相关性系数；根据各所述频率分量频带的截止频率以及所述相关性系数对所述各频率分量进行分析，确定出低频信号和高频信号。
在上述优化的基础上，所述根据所述各频率分量频带的截止频率以及所述相关性系数对所述各频率分量进行分析，确定出低频信号和高频信号，包括：根据所述相关性系数分析各所述频率分量具有的噪声特征，并从各所述频率分量中将一阶频率分量去除，得到各目标频率分量；基于各所述频率分量具有的噪声特征以及各所述目标频率分量频带的截止频率，从所述各目标频率分量中确定出低频分量以及高频分量；将所述低频分量进行重构得到低频信号；将所述高频分量进行重构得到高频信号。
基于上述技术方案，所述基于各所述频率分量具有的噪声特征以及所述各目标频率分量频带的截止频率，从所述各目标频率分量中确定出低频分量以及高频分量，包括：根据各所述频率分量具有的噪声特征，确定预设频带阈值；根据所述各目标频率分量频带的截止频率以及预设频带阈值确定低频分量以及高频分量。
进一步的，所述根据所述各目标频率分量频带的截止频率以及预设频带阈值确定低频分量以及高频分量，包括：将各所述目标频率分量中分量频带的截止频率大于所述预设频带阈值的目标频率分量确定为低频分量，将各所述目标频率分量中频率分量频带的截止频率小于或等于所述预设频带阈值的目标频率分量确定为高频分量。
进一步的，消噪模块130具体用于：将所述高频信号进行低通滤波去除低频噪声，得到消噪后的高频信号；将所述低频信号进行小波阈值去噪，去除高频噪声得到消噪后的低频信号。
进一步的，所述将所述高频信号进行低通滤波得到消噪后的高频信号，包括：将所述高频信号中的基线漂移信号去除，得到消噪后的高频信号。
上述脉象信号消噪装置可执行本发明任意实施例所提供的脉象信号消噪方法，具备执行方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四所提供的一种电子设备的结构示意图，图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如脉象信号消噪方法。
在一些实施例中，脉象信号消噪方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的脉象信号消噪方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行脉象信号消噪方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种脉象信号消噪方法，其特征在于，所述方法包括：
对脉象信号进行分解得到多个频率分量以及各频率分量的频率；
基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；
分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；
将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
2.根据权利要求1所述的方法，其特征在于，所述基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号，包括：
将所述脉象信号和所述各频率分量进行相关性分析，得到各所述频率分量与所述脉象信号的相关性系数；
根据各所述频率分量频带的截止频率以及所述相关性系数对所述各频率分量进行分析，确定出低频信号和高频信号。
3.根据权利要求2所述的方法，其特征在于，所述根据所述各频率分量频带的截止频率以及所述相关性系数对所述各频率分量进行分析，确定出低频信号和高频信号，包括：
根据所述相关性系数分析各所述频率分量具有的噪声特征，并从各所述频率分量中将一阶频率分量去除，得到各目标频率分量；
基于各所述频率分量具有的噪声特征以及各所述目标频率分量频带的截止频率，从所述各目标频率分量中确定出低频分量以及高频分量；
将所述低频分量进行重构得到低频信号；
将所述高频分量进行重构得到高频信号。
4.根据权利要求3所述的方法，其特征在于，所述基于各所述频率分量具有的噪声特征以及所述各目标频率分量频带的截止频率，从所述各目标频率分量中确定出低频分量以及高频分量，包括：
根据各所述频率分量具有的噪声特征，确定预设频带阈值；
根据所述各目标频率分量频带的截止频率以及预设频带阈值确定低频分量以及高频分量。
5.根据权利要求4所述的方法，其特征在于，所述根据所述各目标频率分量频带的截止频率以及预设频带阈值确定低频分量以及高频分量，包括：
将各所述目标频率分量中分量频带的截止频率大于所述预设频带阈值的目标频率分量确定为低频分量，将各所述目标频率分量中频率分量频带的截止频率小于或等于所述预设频带阈值的目标频率分量确定为高频分量。
6.根据权利要求1所述的方法，其特征在于，所述分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号，包括：
将所述高频信号进行低通滤波去除低频噪声，得到消噪后的高频信号；
将所述低频信号进行小波阈值去噪，去除高频噪声得到消噪后的低频信号。
7.根据权利要求6所述的方法，其特征在于，所述将所述高频信号进行低通滤波得到消噪后的高频信号，包括：
将所述高频信号中的基线漂移信号去除，得到消噪后的高频信号。
8.一种脉象信号消噪装置，其特征在于，所述装置包括：
分解模块，用于对脉象信号进行分解得到多个频率分量以及各频率分量的频率；
自适应选择模块，用于基于各频率分量的频率对所述各频率分量进行自适应选择确定出低频信号和高频信号；
消噪模块，用于分别将所述低频信号的高频噪声和所述高频信号的低频噪声去除，得到消噪后的低频信号以及消噪后的高频信号；
重构模块，用于将所述消噪后的低频信号以及所述消噪后的高频信号进行重构，得到消噪后的脉象信号。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器用于执行权利要求1-7任一项所述的脉象信号消噪方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的脉象信号消噪方法。
CN202210101392.5A 2022-01-27 2022-01-27 一种脉象信号消噪方法、装置、电子设备及存储介质 Pending CN114492528A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210101392.5A CN114492528A (zh) 2022-01-27 2022-01-27 一种脉象信号消噪方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210101392.5A CN114492528A (zh) 2022-01-27 2022-01-27 一种脉象信号消噪方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114492528A true CN114492528A (zh) 2022-05-13

Family

ID=81476346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210101392.5A Pending CN114492528A (zh) 2022-01-27 2022-01-27 一种脉象信号消噪方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114492528A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115089133A (zh) * 2022-06-20 2022-09-23 中国农业银行股份有限公司 脉象信号识别方法及装置
CN115389888A (zh) * 2022-10-28 2022-11-25 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115089133A (zh) * 2022-06-20 2022-09-23 中国农业银行股份有限公司 脉象信号识别方法及装置
CN115389888A (zh) * 2022-10-28 2022-11-25 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统
CN115389888B (zh) * 2022-10-28 2023-01-31 山东科华电力技术有限公司 一种基于高压电缆的局部放电实时监测系统

Similar Documents

Publication Publication Date Title
Chen et al. Removal of power line interference from ECG signals using adaptive notch filters of sharp resolution
CN114492528A (zh) 一种脉象信号消噪方法、装置、电子设备及存储介质
Horvatic et al. Detrended cross-correlation analysis for non-stationary time series with periodic trends
Kærgaard et al. A comprehensive performance analysis of EEMD-BLMS and DWT-NN hybrid algorithms for ECG denoising
Oliveira et al. A wavelet-based method for power-line interference removal in ECG signals
CN111239565B (zh) 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及系统
Samadi et al. ECG noise reduction using empirical mode decomposition based on combination of instantaneous half period and soft-thresholding
Vargas et al. Electrocardiogram signal denoising by clustering and soft thresholding
CN114360562A (zh) 语音处理方法、装置、电子设备和存储介质
CN114690003A (zh) 一种基于eemd的局放信号降噪方法
Elouaham et al. Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals
Azzouz et al. An efficient ECG signals denoising technique based on the combination of particle swarm optimisation and wavelet transform
Anapagamini et al. Removal of artifacts in ECG using Empirical mode decomposition
Li et al. Robust suppression of nonstationary power-line interference in electrocardiogram signals
CN108020761B (zh) 一种局部放电去噪方法
Malhotra et al. Electrocardiogram signals denoising using improved variational mode decomposition
CN115859054A (zh) 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法
Zhang et al. Recursive parametric frequency/spectrum estimation for nonstationary signals with impulsive components using variable forgetting factor
Wang et al. A step-by-step parameter-adaptive FMD method and its application in fault diagnosis
CN113567129A (zh) 一种列车轴承振动信号基于ceemd的降噪方法
Zhang et al. Application of morphological filter in pulse noise removing of vibration signal
Babichev et al. A hybrid model of 1-D signal adaptive filter based on the complex use of Huang transform and wavelet analysis
Kasetwar et al. Adaptive Power Line Interference Canceller: A Survey
Senapati et al. A new technique for removal of ocular artifacts from EEG signals using S-transform
Lele et al. Removal of baseline wander from ECG signal

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