CN114510976B - 基于双变量阈值函数的呼吸信号去噪方法及装置 - Google Patents
基于双变量阈值函数的呼吸信号去噪方法及装置 Download PDFInfo
- Publication number
- CN114510976B CN114510976B CN202210137383.1A CN202210137383A CN114510976B CN 114510976 B CN114510976 B CN 114510976B CN 202210137383 A CN202210137383 A CN 202210137383A CN 114510976 B CN114510976 B CN 114510976B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- frequency
- signal
- threshold
- function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 23
- 230000000241 respiratory effect Effects 0.000 claims abstract description 103
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 78
- 230000000694 effects Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 194
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例提供一种基于双变量阈值函数的呼吸信号去噪方法及装置，所述方法包括：采集用户的呼吸信号，选取对应的小波基函数；结合软硬阈值函数，综合确定对应的新阈值函数，设定新阈值函数中的双变量参数；确定小波分解的层数，对呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数；计算对应的阈值，将阈值及高频小波系数代入到新阈值函数、软硬阈值函数中进行对比，将小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到新高频小波系数；进行信号重构，得到去噪后的呼吸信号。采用本方法能够避免信号重构时可能产生的误差，并且双变量也提高了去噪的灵活性，综合提高了信号的去噪效果。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于双变量阈值函数的呼吸信号去噪方法及装置。
背景技术
睡眠时的呼吸信号蕴含着人类大量的生理和病理的健康信息，比如深、浅睡眠的睡眠质量问题、病患生命体征的检测等。睡眠呼吸暂停综合征作为当今最常见且最严重的睡眠问题之一，患病患者通常在无意识下发病，同时也可能因此诱发并发症等，造成较高的致死率。近年来，人们能够在可穿戴设备中安装各类传感器，有效地完成对睡眠呼吸的监测。
由于呼吸信号会受到环境的干扰，引入大量噪声。经过硬件采集系统能够去除部分噪声，但还有一些噪声无法去除。
目前，对于噪声的去除，在小波重构过程中，软阈值函数及硬阈值函数虽然都能很好地解决重构过程中阈值去噪的问题，但是并不能解决软、硬阈值函数本身的缺陷，导致得到的结果中包含软、硬阈值函数本身的缺陷，进而去噪效果也不够理想。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种基于双变量阈值函数的呼吸信号去噪方法及装置。
本发明实施例提供一种基于双变量阈值函数的呼吸信号去噪方法，包括：
采集用户的呼吸信号，根据所述呼吸信号的频率，选取对应的小波基函数；
结合软硬阈值函数，综合确定对应的新阈值函数，并获取所述呼吸信号的分解尺度，根据所述分解尺度设定所述新阈值函数中的双变量参数；
获取所述呼吸信号的频谱分布，根据所述频谱分布得到小波分解的层数，根据所述小波分解的层数，对所述呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，所述小波分解根据所述小波基函数对应的小波进行分解；
计算每一层的高频小波系数对应的阈值，将所述阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，所述函数环境包括新阈值函数、软硬阈值函数；
对所述低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。
在其中一个实施例中，所述方法还包括：
根据所述呼吸信号的频率，确定小波基函数的选择原则，并根据所述选取原则，确定对应的小波基函数。
在其中一个实施例中，所述新阈值函数，包括：
其中，wj,k为带噪信号的小波分解系数，为阈值处理后信号的小波系数的估计值，λ为选取的阈值，α和m为新阈值函数的双变量参数，α取值为0≤α≤1，m取值为m∈R+。
在其中一个实施例中，所述方法还包括：
基于所述新阈值函数，确定所述新阈值函数对应的自适应阈值作为当前层的阈值；
并结合所述自适应阈值，计算每一层的高频小波系数对应的噪声估计；
计算噪声估计的公式包括：
其中，Τhri为自适应阈值中第i层阈值，l为原始信号的长度，σi为表示第i层小波系数的噪声估计，median(|wj,k|)为第i层的小波系数绝对值的中值。
在其中一个实施例中，所述方法还包括：
计算所述去噪后的呼吸信号的信噪比SNR和均方根误差RMSE，并通过信噪比SNR和均方根误差RMSE综合判断去噪效果；
计算信噪比SNR和均方根误差RMSE的公式包括：
其中，l为原始呼吸信号的长度，x(n)为未处理的原始呼吸信号，y(n)为去噪后的呼吸信号。
在其中一个实施例中，所述方法还包括：
对所述呼吸信号加入高斯白噪声，进行加噪处理。
本发明实施例提供一种基于双变量阈值函数的呼吸信号去噪装置，包括：
采集模块，用于采集用户的呼吸信号，根据所述呼吸信号的频率，选取对应的小波基函数；
设定模块，用于结合软硬阈值函数，综合确定对应的新阈值函数，并获取所述呼吸信号的分解尺度，根据所述分解尺度设定所述新阈值函数中的双变量参数；
获取模块，用于获取所述呼吸信号的频谱分布，根据所述频谱分布得到小波分解的层数，根据所述小波分解的层数，对所述呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，所述小波分解根据所述小波基函数对应的小波进行分解；
计算模块，用于计算每一层的高频小波系数对应的阈值，将所述阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，所述函数环境包括新阈值函数、软硬阈值函数；
重构模块，用于对所述低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。
在其中一个实施例中，所述装置还包括：
确定模块，用于根据所述呼吸信号的频率，确定小波基函数的选择原则，并根据所述选取原则，确定对应的小波基函数。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于双变量阈值函数的呼吸信号去噪方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于双变量阈值函数的呼吸信号去噪方法的步骤。
本发明实施例提供的一种基于双变量阈值函数的呼吸信号去噪方法及装置，采集用户的呼吸信号，根据呼吸信号的频率，选取对应的小波基函数；结合软硬阈值函数，综合确定对应的新阈值函数，并获取呼吸信号的分解尺度，根据分解尺度设定新阈值函数中的双变量参数；获取呼吸信号的频谱分布，根据频谱分布得到小波分解的层数，根据小波分解的层数，对呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，小波分解根据小波基函数对应的小波进行分解；计算每一层的高频小波系数对应的阈值，将阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，函数环境包括新阈值函数、软硬阈值函数；对低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。这样能够基于软硬阈值函数确定新阈值函数，新阈值函数具有阈值连续性，避免了信号重构时可能产生的误差，并且双变量也提高了去噪的灵活性，综合提高了信号的去噪效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于双变量阈值函数的呼吸信号去噪方法的流程图；
图2为本发明实施例中一种基于双变量阈值函数的呼吸信号去噪装置的结构图；
图3为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
图1为本发明实施例提供的一种基于双变量阈值函数的呼吸信号去噪方法的流程示意图，如图1所示，本发明实施例提供了一种基于双变量阈值函数的呼吸信号去噪方法，包括：
步骤S101，采集用户的呼吸信号，根据所述呼吸信号的频率，选取对应的小波基函数。
具体地，通过用户穿戴的传感器采集用户的呼吸信号，并根据呼吸信号的频率，选取对应的小波基函数，在选取对应的小波基函数时，因为呼吸信号的频率较低，通常都在1Hz之内，所以在确定小波基函数时，遵循相关的选择原则，其中，选择原则可以包括5项：a.正则性：正则性高的小波基函数，恢复后的信号越光滑，频域的分辨率越好；b.紧支性：拥有紧支性的小波基函数能够更有利于信号的局部特性的检测，紧支集的长度越短，信号的局部特性越好；c.消失矩：消失矩越高，信号高频部分衰减越快，信号能量能够集中在几个较少的小波系数上；d.对称性：拥有对称性的小波基函数在分解过程中，滤波器具有线性相位，避免信号重构过程中因相位变化而产生失真；e.正交性：分解过程中低频分解部分和高频分解部分正交，更有利于信号的重构，然后根据选取原则，确定db6小波为小波基函数。
另外，在选取对应的小波基函数之后，还可以对呼吸信号加入高斯白噪声，进行加噪处理，方便后续进行呼吸信号的去噪。
步骤S102，结合软硬阈值函数，综合确定对应的新阈值函数，并获取所述呼吸信号的分解尺度，根据所述分解尺度设定所述新阈值函数中的双变量参数。
具体地，结合软硬阈值函数的优缺点，比如硬阈值函数在均方误差上优于软阈值法，但不具平滑性，软阈值函数连续性较好，但会产生偏差，结合两者的优缺点及阈值方程，对于新阈值函数来说，集成软硬阈值函数的优点，避开软硬阈值函数各自的缺点，具体的新阈值函数的计算比如从平滑的软阈值函数开始，结合软阈值函数中的附加震荡的小波变换以及阈值变换规律，与不平滑的硬阈值函数的附加震荡的小波变换以及阈值变换规律进行相关计算，相关计算可以包括小波的波形图及阈值的最高点、最低点之间的叠加计算、去噪计算等等，得到两者的中和函数，并结合呼吸信号的通常频率来设定，对应的新阈值函数，并根据呼吸信号的分解尺度设定所述新阈值函数中的双变量参数，其中，对于呼吸信号来说，因为频率主要集中的1Hz以内，所以小波分解的尺度也可以确定，根据分解尺度可以对应设定新阈值函数中的双变量参数，新阈值函数的公式，包括：
其中，wj,k为带噪信号的小波分解系数，为阈值处理后信号的小波系数的估计值，λ为根据实际操作中的检测需求选取的阈值，α和m为新阈值函数的双变量参数，可根据实际情况灵活调整，α取值为0≤α≤1，m取值为m∈R+，当m→+∞该函数可近似于软阈值函数，当m→0+，α→0+时，该函数趋近于硬阈值函数。此阈值函数优化了在±λ处的连续性问题，并且通过选取不同的α，m的值，使得在阈值函数|wj,k|＜λ时存在一个比较平滑的过渡带，能够有效避免信号重建时可能会产生附加震荡，减小/>的小波系数的估计值的误差。
步骤S103，获取所述呼吸信号的频谱分布，根据所述频谱分布得到小波分解的层数，根据所述小波分解的层数，对所述呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，所述小波分解根据所述小波基函数对应的小波进行分解。
具体地，获取呼吸信号的频谱分布，可以确定小波分解的层数，对于呼吸信号来说，频率主要集中的1Hz以内，所以小波分解的层数可以为4层，然后对呼吸信号进行小波分解，得到低频小波信号cA4以及每一层的高频小波系数cD1，cD2，cD3，cD4。
步骤S104，计算每一层的高频小波系数对应的阈值，将所述阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，所述函数环境包括新阈值函数、软硬阈值函数。
具体地，计算每一层的高频小波系数对应的阈值，其中，计算方法可以基于新阈值函数，确定新阈值函数对应的自适应阈值作为当前层的阈值，包括Thr1，Thr2，Thr3，Thr4，另外还可以结合自适应阈值，计算每一层的高频小波系数对应的噪声估计；
计算噪声估计的公式包括：
其中，Τhri为自适应阈值中第i层阈值，l为原始信号的长度，σi为表示第i层小波系数的噪声估计，median(|wj,k|)为第i层的小波系数绝对值的中值。
在计算噪声估计后，将阈值及高频小波系数(及噪声估计)代入到新阈值函数、软硬阈值函数中进行对比，根据对比结果，将小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数cDi1，cDi2，cDi3，cDi4。
步骤S105，对所述低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。
具体地，对低频小波信号、新高频小波系数进行信号重构的步骤，得到去噪后的呼吸信号，并计算去噪后的呼吸信号的信噪比SNR和均方根误差RMSE，并通过信噪比SNR和均方根误差RMSE综合判断去噪效果；
计算信噪比SNR和均方根误差RMSE的公式包括：
其中，l为原始呼吸信号的长度，x(n)为未处理的原始呼吸信号，y(n)为去噪后的呼吸信号。
本发明实施例提供的一种基于双变量阈值函数的呼吸信号去噪方法，采集用户的呼吸信号，根据呼吸信号的频率，选取对应的小波基函数；结合软硬阈值函数，综合确定对应的新阈值函数，并获取呼吸信号的分解尺度，根据分解尺度设定新阈值函数中的双变量参数；获取呼吸信号的频谱分布，根据频谱分布得到小波分解的层数，根据小波分解的层数，对呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，小波分解根据小波基函数对应的小波进行分解；计算每一层的高频小波系数对应的阈值，将阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，函数环境包括新阈值函数、软硬阈值函数；对低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。这样能够基于软硬阈值函数确定新阈值函数，新阈值函数具有阈值连续性，避免了信号重构时可能产生的误差，并且双变量也提高了去噪的灵活性，综合提高了信号的去噪效果。
图2为本发明实施例提供的一种基于双变量阈值函数的呼吸信号去噪装置，包括：采集模块S201、设定模块S202、获取模块S203、计算模块S204、重构模块S205，其中：
采集模块S201，用于采集用户的呼吸信号，根据所述呼吸信号的频率，选取对应的小波基函数。
设定模块S202，用于结合软硬阈值函数，综合确定对应的新阈值函数，并获取所述呼吸信号的分解尺度，根据所述分解尺度设定所述新阈值函数中的双变量参数。
获取模块S203，用于获取所述呼吸信号的频谱分布，根据所述频谱分布得到小波分解的层数，根据所述小波分解的层数，对所述呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，所述小波分解根据所述小波基函数对应的小波进行分解。
计算模块S204，用于计算每一层的高频小波系数对应的阈值，将所述阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，所述函数环境包括新阈值函数、软硬阈值函数。
重构模块S205，用于对所述低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。
在一个实施例中，装置还可以包括：
确定模块，用于根据所述呼吸信号的频率，确定小波基函数的选择原则，并根据所述选取原则，确定对应的小波基函数。
关于基于双变量阈值函数的呼吸信号去噪装置的具体限定可以参见上文中对于基于双变量阈值函数的呼吸信号去噪方法的限定，在此不再赘述。上述基于双变量阈值函数的呼吸信号去噪装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：采集用户的呼吸信号，根据呼吸信号的频率，选取对应的小波基函数；结合软硬阈值函数，综合确定对应的新阈值函数，并获取呼吸信号的分解尺度，根据分解尺度设定新阈值函数中的双变量参数；获取呼吸信号的频谱分布，根据频谱分布得到小波分解的层数，根据小波分解的层数，对呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，小波分解根据小波基函数对应的小波进行分解；计算每一层的高频小波系数对应的阈值，将阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，函数环境包括新阈值函数、软硬阈值函数；对低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：采集用户的呼吸信号，根据呼吸信号的频率，选取对应的小波基函数；结合软硬阈值函数，综合确定对应的新阈值函数，并获取呼吸信号的分解尺度，根据分解尺度设定新阈值函数中的双变量参数；获取呼吸信号的频谱分布，根据频谱分布得到小波分解的层数，根据小波分解的层数，对呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，小波分解根据小波基函数对应的小波进行分解；计算每一层的高频小波系数对应的阈值，将阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，函数环境包括新阈值函数、软硬阈值函数；对低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于双变量阈值函数的呼吸信号去噪方法，其特征在于，包括：
采集用户的呼吸信号，根据所述呼吸信号的频率，选取对应的小波基函数；
结合软硬阈值函数，综合确定对应的新阈值函数，并获取所述呼吸信号的分解尺度，根据所述分解尺度设定所述新阈值函数中的双变量参数；
获取所述呼吸信号的频谱分布，根据所述频谱分布得到小波分解的层数，根据所述小波分解的层数，对所述呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，所述小波分解根据所述小波基函数对应的小波进行分解；
计算每一层的高频小波系数对应的阈值，将所述阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，所述函数环境包括新阈值函数、软硬阈值函数；
对所述低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号；
所述新阈值函数，包括：
其中，wj,k为带噪信号的小波分解系数，为阈值处理后信号的小波系数的估计值，λ为选取的阈值，α和m为新阈值函数的双变量参数，α取值为0≤α≤1，m取值为m∈R+。
2.根据权利要求1所述的基于双变量阈值函数的呼吸信号去噪方法，其特征在于，所述根据呼吸信号的频率，选取对应的小波基函数，包括：
根据所述呼吸信号的频率，确定小波基函数的选择原则，并根据所述选取原则，确定对应的小波基函数。
3.根据权利要求1所述的基于双变量阈值函数的呼吸信号去噪方法，其特征在于，所述计算每一层的高频小波系数对应的阈值，包括：
基于所述新阈值函数，确定所述新阈值函数对应的自适应阈值作为当前层的阈值；
并结合所述自适应阈值，计算每一层的高频小波系数对应的噪声估计；
计算噪声估计的公式包括：
其中，Τhri为自适应阈值中第i层阈值，l为原始信号的长度，σi为表示第i层小波系数的噪声估计，median(|wj,k|)为第i层的小波系数绝对值的中值。
4.根据权利要求1所述的基于双变量阈值函数的呼吸信号去噪方法，其特征在于，所述得到去噪后的呼吸信号之后，还包括：
计算所述去噪后的呼吸信号的信噪比SNR和均方根误差RMSE，并通过信噪比SNR和均方根误差RMSE综合判断去噪效果；
计算信噪比SNR和均方根误差RMSE的公式包括：
其中，l为原始呼吸信号的长度，x(n)为未处理的原始呼吸信号，y(n)为去噪后的呼吸信号。
5.根据权利要求1所述的基于双变量阈值函数的呼吸信号去噪方法，其特征在于，所述选取对应的小波基函数之后，还包括：
对所述呼吸信号加入高斯白噪声，进行加噪处理。
6.一种基于双变量阈值函数的呼吸信号去噪装置，其特征在于，所述装置包括：
采集模块，用于采集用户的呼吸信号，根据所述呼吸信号的频率，选取对应的小波基函数；
设定模块，用于结合软硬阈值函数，综合确定对应的新阈值函数，并获取所述呼吸信号的分解尺度，根据所述分解尺度设定所述新阈值函数中的双变量参数；
获取模块，用于获取所述呼吸信号的频谱分布，根据所述频谱分布得到小波分解的层数，根据所述小波分解的层数，对所述呼吸信号进行小波分解，得到低频小波信号以及每一层的高频小波系数，所述小波分解根据所述小波基函数对应的小波进行分解；
计算模块，用于计算每一层的高频小波系数对应的阈值，将所述阈值及高频小波系数代入到函数环境中进行对比，并将对比结果中小于本层的阈值的高频小波系数进行置零，大于本层的阈值的高频小波系数保留，得到每一层的新高频小波系数，所述函数环境包括新阈值函数、软硬阈值函数；
重构模块，用于对所述低频小波信号、新高频小波系数进行信号重构，得到去噪后的呼吸信号；
所述新阈值函数，包括：
其中，wj,k为带噪信号的小波分解系数，为阈值处理后信号的小波系数的估计值，λ为选取的阈值，α和m为新阈值函数的双变量参数，α取值为0≤α≤1，m取值为m∈R+。
7.根据权利要求6中所述的基于双变量阈值函数的呼吸信号去噪装置，其特征在于，所述装置还包括：
确定模块，用于根据所述呼吸信号的频率，确定小波基函数的选择原则，并根据所述选取原则，确定对应的小波基函数。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于双变量阈值函数的呼吸信号去噪方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于双变量阈值函数的呼吸信号去噪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210137383.1A CN114510976B (zh) | 2022-02-15 | 2022-02-15 | 基于双变量阈值函数的呼吸信号去噪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210137383.1A CN114510976B (zh) | 2022-02-15 | 2022-02-15 | 基于双变量阈值函数的呼吸信号去噪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114510976A CN114510976A (zh) | 2022-05-17 |
| CN114510976B true CN114510976B (zh) | 2024-05-24 |
Family
ID=81551314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210137383.1A Active CN114510976B (zh) | 2022-02-15 | 2022-02-15 | 基于双变量阈值函数的呼吸信号去噪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114510976B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114942065B (zh) * | 2022-05-17 | 2023-07-11 | 湖北工业大学 | 称重信号降噪方法、装置、电子设备及计算机存储介质 |
| CN117562561B (zh) * | 2024-01-17 | 2024-04-26 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 表面肌电信号去噪方法、系统、设备及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
| CN112395992A (zh) * | 2020-11-18 | 2021-02-23 | 云南电网有限责任公司电力科学研究院 | 一种基于改进小波阈值的电力谐波信号去噪方法 |
| CN113238190A (zh) * | 2021-04-12 | 2021-08-10 | 大连海事大学 | 一种基于emd联合小波阈值的探地雷达回波信号去噪方法 |
| CN113255532A (zh) * | 2021-05-31 | 2021-08-13 | 东北大学 | 一种基于层间相关系数的小波双阈值去噪方法 |
| CN113505688A (zh) * | 2021-07-08 | 2021-10-15 | 中国海洋大学 | 一种改进的自适应小波阈值信号去噪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EA011104B1 (ru) * | 2005-07-28 | 2008-12-30 | Эксонмобил Апстрим Рисерч Компани | Способ снижения уровня шума элементарных волн данных электромагнитного исследования с контролируемым источником |
| US8992446B2 (en) * | 2009-06-21 | 2015-03-31 | Holland Bloorview Kids Rehabilitation Hospital | Procedure for denoising dual-axis swallowing accelerometry signals |
-
2022
- 2022-02-15 CN CN202210137383.1A patent/CN114510976B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
| CN112395992A (zh) * | 2020-11-18 | 2021-02-23 | 云南电网有限责任公司电力科学研究院 | 一种基于改进小波阈值的电力谐波信号去噪方法 |
| CN113238190A (zh) * | 2021-04-12 | 2021-08-10 | 大连海事大学 | 一种基于emd联合小波阈值的探地雷达回波信号去噪方法 |
| CN113255532A (zh) * | 2021-05-31 | 2021-08-13 | 东北大学 | 一种基于层间相关系数的小波双阈值去噪方法 |
| CN113505688A (zh) * | 2021-07-08 | 2021-10-15 | 中国海洋大学 | 一种改进的自适应小波阈值信号去噪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114510976A (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114510976B (zh) | 基于双变量阈值函数的呼吸信号去噪方法及装置 | |
| Singh et al. | Denoising of ECG signal by non-local estimation of approximation coefficients in DWT | |
| CN107705260B (zh) | 医学x光图像的去噪系统及计算方法 | |
| Dey et al. | Analysis of P-QRS-T components modified by blind watermarking technique within the electrocardiogram signal for authentication in wireless telecardiology using DWT | |
| Georgieva-Tsaneva et al. | Denoising of electrocardiogram data with methods of wavelet transform | |
| CN110680308B (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
| CN109359506B (zh) | 一种基于小波变换的心磁信号降噪方法 | |
| Morelli et al. | Profiling the propagation of error from PPG to HRV features in a wearable physiological‐monitoring device | |
| CN106798554A (zh) | 一种含噪imf分量及心电信号的去噪方法 | |
| CN108042126B (zh) | 一种改进的激光散斑衬比血流成像方法 | |
| KR20140139564A (ko) | Ｅｃｇ 모니터링을 위한 시스템들 및 방법들 | |
| Banerjee et al. | A new approach of ECG steganography and prediction using deep learning | |
| Chaudhary et al. | Comparison between different wavelet transforms and thresholding techniques for ECG denoising | |
| CN116363021A (zh) | 一种创伤患者护理评估智能采集系统 | |
| Jarchi et al. | Estimation of respiratory rate from motion contaminated photoplethysmography signals incorporating accelerometry | |
| Yadav et al. | Denoising and SNR improvement of ECG signals using wavelet based techniques | |
| Hosni et al. | Remote real-time heart rate monitoring with recursive motion artifact removal using PPG signals from a smartphone camera | |
| Georgieva-Tsaneva | Wavelet based interval varying algorithm for optimal non-stationary signal denoising | |
| CN113303809B (zh) | 基线漂移和高频噪声的去除方法、装置、设备和存储介质 | |
| Jain et al. | An adaptive method for shrinking of wavelet coefficients for phonocardiogram denoising | |
| Shin et al. | Noise‐Robust Heart Rate Estimation Algorithm from Photoplethysmography Signal with Low Computational Complexity | |
| Azzouz et al. | An efficient ECG signals denoising technique based on the combination of particle swarm optimisation and wavelet transform | |
| Sahu et al. | Unequal steganography with unequal error protection for wireless physiological signal transmission | |
| Joseph et al. | Effective EMG denoising using a hybrid model based on WAT and GARCH | |
| CN116129493A (zh) | 基于人脸视频的脉搏波形测量方法及装置、电子设备 |
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 |