CN117653146B - 一种基于电信号的生理参数处理优化方法 - Google Patents
一种基于电信号的生理参数处理优化方法 Download PDFInfo
- Publication number
- CN117653146B CN117653146B CN202410059610.2A CN202410059610A CN117653146B CN 117653146 B CN117653146 B CN 117653146B CN 202410059610 A CN202410059610 A CN 202410059610A CN 117653146 B CN117653146 B CN 117653146B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- signal
- sea
- physiological parameter
- vibration mode
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 66
- 210000004556 brain Anatomy 0.000 claims abstract description 34
- 238000011161 development Methods 0.000 claims abstract description 11
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 23
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 10
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 10
- 238000002789 length control Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000002001 electrophysiology Methods 0.000 claims description 3
- 230000007831 electrophysiology Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 claims 4
- 150000001875 compounds Chemical class 0.000 claims 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 2
- 230000010354 integration Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000028804 PERCHING syndrome Diseases 0.000 description 1
- 241000283080 Proboscidea <mammal> Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于电信号的生理参数处理优化方法，属于电信号处理技术领域，具体包括，S1、通过脑电控制器驱动脑信号电极采集脑电生理参数信号；S2、改进标准海象优化算法，及时发现算法陷入次优解并跳出，同时，平衡算法全局搜索和局部开发平衡性能；S3、利用改进海象优化算法优化变分模态分解，整定变分模态分解的模态个数参数k和惩罚参数α，得到最优参数；S4、采用S3中得到的最优参数，对脑电生理参数信号进行变分模态分解为多个振动模态成分和一个低频趋势项；S5、根据S4中分解得到的振动模态成分，对高频噪声成分进行抑制、去除，保留主要的脑电信号成分。
Description
技术领域
本发明涉及电信号处理技术领域，具体涉及一种基于电信号的生理参数处理优化方法。
背景技术
电信号的生理参数处理优化，旨在提高诊断的准确性和效率。现代电信号的生理参数处理通常配备有高质量的传感器，能够捕捉电脑的微小电信号，整合了数字信号处理技术，用于清晰地重现和分析这些声音。尽管技术进步显著，但电信号的生理参数处理在捕捉和解析复杂电信号方面仍存在挑战。
智能优化算法在大脑电信号生理参数中用于信号降噪方面发挥着关键作用。但是，目前大脑电信号生理参数在降噪方面尚未采取智能算法优化的方法。
海象优化算法(WO)是一个基于海洋中海象的社会运动的启发式优化算法。用于解决优化问题。它的灵感来自于海象的行为，它们通过接收关键信号(危险信号和安全信号)来选择迁徙、繁殖、栖息、觅食、收集和逃跑。海象优化算法可以优化大脑电信号生理参数，从而降低噪声；但是，海象优化算法可能会在搜索空间中遍历较长时间，特别是在高维或复杂的问题中，需要更多的迭代才能找到较好的解决方案；此次，海象优化算法容易陷入局部最优解，而无法找到全局最优解。
发明内容
本发明的目的在于：为了解决当前大脑电信号生理参数处理过程中噪信号影响，导致大脑电信号生理参数处理不准确的问题；本发明通过改进海象优化算法优化变分模态分解(VMD)整定变分模态分解的模态个数参数K和惩罚参数α，得到最优参数，对脑电生理参数信号进行去噪，从而提高大脑电信号生理参数处理的性能。
为了实现上述目的，本发明采用了如下技术方案：
一种基于电信号的生理参数处理优化方法，具体包括如下步骤。
S1、通过脑电控制器驱动脑信号电极采集脑电生理参数信号；所述控制器对采集的脑电生理参数信号进行滤波和信号增强处理。
S2、改进标准海象优化算法(WO)，具体改进步骤为：
S21、改进海象优化算法的危险信号因子，在危险信号因子中，引入最优适应度值，得到改进危险信号因子s；
S22、改进海象优化算法的步长控制因子β，通过改进后的步长控制因子控制算法全局搜索的步长，从而平衡算法全局搜索和局部开发；
S3、利用改进海象优化算法(IWO)优化变分模态分解，整定变分模态分解的模态个数参数K和惩罚参数α，得到最优参数。
S4、采用步骤S3中得到的最优参数，对脑电生理参数信号进行变分模态分解为多个振动模态成分和一个低频趋势项。
S5、根据步骤S4分解得到的振动模态成分，对高频噪声成分进行抑制、去除，保留主要的脑电信号成分。
进一步地，所述步骤S1，脑电信号采集控制器包括：DSP微控制器、电信号放大器、滤波器、模数转换器以及改进海象优化算法与变分模态分解模型软件。
进一步地，所述步骤S2，改进海象优化算法的危险信号因子，使危险信号因子的值随当前迭代次数t和当前最优适应度值变化，改进后的危险信号因子s公式为：
式中，fbest为最优适应度值，t为当前迭代次数。
进一步地，所述步骤s2，S22中，改进海象优化算法的步长控制因子β，通过改进后的步长控制因子控制算法全局搜索的步长，改进后的步长控制因子β为：
式中，为第i个个体的当前位置，为第i个个体的当前位置的适应度值，k为随机算法个体数，N为算法种群规模，ε为时间约束因子，公式为：
式中，T为总的迭代次数。
进一步地，所述步骤S3，利用改进海象优化算法优化变分模态分解，具体步骤为：
S31、将脑电生理参数信号去噪问题转化为一个优化问题，引一个约束条件，使得脑电生理参数信号分解出的每个振动模态都是局部调频信号，约束条件设计为：
式中，为每个振动模态成分的平均瞬时频率，η为容许的频率偏差阈值，取值为0.1，wi(t)为每个振动模态成分的瞬时频率函数，约束条件要求在时间窗口[t1，t2]内；
S32、设计目标函数f，将优化目标定义为使得脑电生理参数信号的高频噪声成分能够最小化，并将目标函数作为适应度函数；
式中，K为脑电生理参数信号变分模态分解后的总模态个数，i为脑电生理参数信号变分模态分解后的第i个模态，ni(t)为脑电生理参数信号的噪声成分，t3为给定时间的上限；
S33、初始化变分模态分解的模态个数参数K和惩罚参数α初值以及改进海象优化算法的参数，包括算法寻优的上界UB和下界LB，种群规模N和问题维度D、算法寻优的最大迭代次数T；所述算法寻优的上界UB和下界LB为变分模态分解参数K和α的上限和下限；
S34、将变分模态分解的参数K和α编码为改进海象优化算法搜索空间的解；
S35、根据适应度函数计算当前迭代海象种群个体适应度值，将最小适应度值记录下，即最优适应度值，并于上次迭代的种群最优适应度值比较，保留最优适应度值；
S36、改进海象优化算法的危险信号因子，在危险信号因子中，引入最优适应度值，得到改进后的危险信号因子s；
S37、当|s|≥1时，海象优化算法进行搜索阶段，融合最优位置，然后，改进海象优化算法的步长控制因子，按照式(3)执行位置更新，从而更新变分模态分解的参数K和α的值；
式中，为第t+1次迭代，第i只海象第j维的位置，为第t次迭代，第i只海象第j维的位置，step为海象运动的步长，控制着算法每次搜索参数K和α的范围，Xbest为海象当前最优位置，即最优参数K和α解，为第t次迭代第n个随机海象的位置，r3为[0，1]内随机数；
S38、当0.5≤|s|＜1时，海象优化算法进行开发阶段，按照式(4)执行位置更新，从而更新变分模态分解的参数K和α的值；
式中，为第t+1次迭代，第i只海象第j维的位置；X1和X2的解释为：
式中，X1和X2为影响海象采集行为的两个权重，Xbest为当前迭代中海象最优位置，为当前迭代中第二个海象最优位置，为第t次迭代，第i只海象第j维的位置，α和b为集合系数；
S39、检查当前迭代次数t是否等于总迭代次数T，若是，算法结束，根据算法位置更新策略与变分模态分解的参数K和α之间的映射关系，将最优位置分解赋值给变分模态分解的参数K和α；否则，返回S33进行下一轮迭代。
进一步地，所述步骤S4，所述振动模态成分，用于判断脑电生理参数信号主分量和噪声分量，提出“能量分割”法，计算每个振动模态成分的能量占总能量的比例，能量较高的振动模态成分代表主要脑电生理参数信号分量，而能量较低的振动模态成分代表噪声分量；计算每个振动模态成分的能量占总能量的比例步骤为：
D1、计算每个振动模态成分的能量，对于第i个振动模态成分，可以计算其能量Ei；
Ei＝∑(x[n])2；
式中，n表示脑电生理参数信号的振动模态成分的样本点索引，x[n]为第i个脑电生理参数信号的振动模态成分的样本值；
D2、计算所有脑电生理参数信号的振动模态成分的总能量Et，将每个脑电生理参数信号的振动模态成分的能量相加；
式中，K为脑电生理参数信号变分模态分解后的总模态个数；
D3、计算每个脑电生理参数信号的振动模态成分的能量占总能量的比例，即Pi；
Pi＝(Ei/Et)×100％。
进一步地，所述步骤step3，改进海象优化算法的参数后，需要初始化海象的位置，海象种群个体的初始位置，即为变分模态分解的参数K和α组合的初始解，初始化海象种群个体位置公式为：
X＝LB+rand(UB-LB)；
式中，rand是一个在0到1范围内的均匀随机向量。
进一步地，需要说明的是，海象是执行优化过程的代理，它们的位置会不断更新；
式中，X为海象位置集矩阵，N为海象种群规模，D为问题维度。
进一步地，对应于所有海象的适应度值将存储为：
式中，F为海象适应度值集矩阵，f为海象算法适应度值。
进一步地，所述步骤S36，海象在水下觅食时会受到自然捕食者的攻击，它们会根据同伴发出的危险信号逃离当前的活动区域，海象优化算法的危险信号因子控制着海象优化算法的全局搜索和局部开发的平衡性能，改进后的危险信号因子s可以优化海象优化算法的全局搜索和局部开发的平衡性能，从而提高算法的寻优速度。
进一步地，所述步骤S38，a和b为集合系数，数学模型公式为：
a＝β×r5-β；
b＝tan(θ)；
式中，r5为[0，1]内随机数，θ取的值范围从0到π。
本发明有益效果是：
本发明通过改进海象优化算法，改进标准海象优化算法的危险信号因子，在危险信号因子中，引入最优适应度值函数，使得危险信号因子可以根据适应度值自适应调整算法的搜索和开发位置更新，使得算法的搜索和开发性能平衡；在标准海象优化算法的搜索阶段，改进海象运动的步长控制因子，引入海象最优位置，以海象最优位置为中心，避免算法陷入局部最优；然后利用改进海象优化算法优化变分模态分解(VMD)整定变分模态分解的模态个数参数K和惩罚参数α，得到最优参数，对脑电生理参数信号进行去噪，从而提高基于电信号的生理参数处理的性能。
附图说明
图1为一种基于电信号的生理参数处理优化方法的步骤流程图。
图2为改进海象优化算法优化变分模态分解的步骤流程图。
图3为标准海象优化算法的适应度值变化图。
图4为改进海象优化算法的适应度值变化图。
图5为脑电生理参数信号经过WO-VMD分解后的波形图。
图6为脑电生理参数信号经过IWO-VMD分解后的波形图。
具体实施方式
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它实施例，都属于本发明保护的范围。
请参阅图1-图6，本发明提供一种技术方案：
一种基于电信号的生理参数处理优化方法，如图1所示，具体包括如下步骤。
S1、通过脑电控制器驱动脑信号电极采集脑电生理参数信号；所述控制器对采集的脑电生理参数信号进行滤波和信号增强处理。
S2、改进标准海象优化算法(WO)，具体改进步骤为：
S21、改进海象优化算法的危险信号因子，在危险信号因子中，引入最优适应度值，得到改进危险信号因子s；
S22、改进海象优化算法的步长控制因子β，通过改进后的步长控制因子控制算法全局搜索的步长，从而平衡算法全局搜索和局部开发；
s3、利用改进海象优化算法优化变分模态分解，整定变分模态分解的模态个数参数K和惩罚参数α，得到最优参数。
S4、采用步骤S3中得到的最优参数，对脑电生理参数信号进行变分模态分解为多个振动模态成分和一个低频趋势项。
S5、根据步骤S4分解得到的振动模态成分，对高频噪声成分进行抑制、去除，保留主要的脑电信号成分。
进一步地，所述步骤S1，脑电信号采集控制器包括：DSP微控制器、电信号放大器、滤波器、模数转换器以及改进海象优化算法与变分模态分解模型软件。
进一步地，所述步骤S2，改进海象优化算法的危险信号因子，使危险信号因子的值随当前迭代次数t和当前最优适应度值变化，改进后的危险信号因子s公式为：
式中，fbest为最优适应度值，t为当前迭代次数。
进一步地，所述步骤S2，改进海象优化算法的步长控制因子β，通过改进后的步长控制因子控制算法全局搜索的步长，改进后的步长控制因子β为：
式中，为第i个个体的当前位置，为第i个个体的当前位置的适应度值，k为随机算法个体数，N为算法种群规模，ε为时间约束因子，公式为：
式中，T为总的迭代次数。
进一步地，所述步骤S3，利用改进海象优化算法优化变分模态分解，如图2所示，具体步骤为：
S31、将脑电生理参数信号去噪问题转化为一个优化问题，引一个约束条件，使得脑电生理参数信号分解出的每个振动模态都是局部调频信号，约束条件设计为：
式中，为每个振动模态成分的平均瞬时频率，η为容许的频率偏差阈值，取值为0.1，wi(t)为每个振动模态成分的瞬时频率函数，约束条件要求在时间窗口[t1，t2]内；
S32、设计目标函数f，将优化目标定义为使得脑电生理参数信号的高频噪声成分能够最小化，并将目标函数作为适应度函数；
式中，K为脑电生理参数信号变分模态分解后的总模态个数，i为脑电生理参数信号变分模态分解后的第i个模态，ni(t)为脑电生理参数信号的噪声成分，t3为给定时间的上限；
S33、初始化变分模态分解的模态个数参数K和惩罚参数α初值以及改进海象优化算法的参数，包括算法寻优的上界UB和下界LB，种群规模N和问题维度D、算法寻优的最大迭代次数T；所述算法寻优的上界UB和下界LB为变分模态分解参数K和α的上限和下限；
S34、将变分模态分解的参数K和α编码为改进海象优化算法搜索空间的解；
S35、根据适应度函数计算当前迭代海象种群个体适应度值，将最小适应度值记录下，即最优适应度值，并于上次迭代的种群最优适应度值比较，保留最优适应度值；
S36、改进海象优化算法的危险信号因子，在危险信号因子中，引入最优适应度值，得到改进后的危险信号因子s；
S37、当|s|≥1时，海象优化算法进行搜索阶段，融合最优位置，然后，改进海象优化算法的步长控制因子，按照式(3)执行位置更新，从而更新变分模态分解的参数K和α的值；
式中，为第t+1次迭代，第i只海象第j维的位置，为第t次迭代，第i只海象第j维的位置，step为海象运动的步长，控制着算法每次搜索参数K和α的范围，Xbest为海象当前最优位置，即最优参数K和α解，为第t次迭代第n个随机海象的位置，r3为[0，1]内随机数；
S38、当0.5≤|s|＜1时，海象优化算法进行开发阶段，按照式(4)执行位置更新，从而更新变分模态分解的参数K和α的值；
式中，为第t+1次迭代，第i只海象第j维的位置；X1和X2的解释为：
式中，X1和X2为影响海象采集行为的两个权重，Xbest为当前迭代中海象最优位置，为当前迭代中第二个海象最优位置，为第t次迭代，第i只海象第j维的位置，α和b为集合系数；
s39、检查当前迭代次数t是否等于总迭代次数T，若是，算法结束，根据算法位置更新策略与变分模态分解的参数K和α之间的映射关系，将最优位置分解赋值给变分模态分解的参数K和α；否则，返回S33进行下一轮迭代。
进一步地，所述步骤S4，所述振动模态成分，用于判断脑电生理参数信号主分量和噪声分量，提出“能量分割”法，计算每个振动模态成分的能量占总能量的比例，能量较高的振动模态成分代表主要脑电生理参数信号分量，而能量较低的振动模态成分代表噪声分量；计算每个振动模态成分的能量占总能量的比例步骤为：
D1、计算每个振动模态成分的能量，对于第i个振动模态成分，可以计算其能量Ei；
Ei＝∑(x[n])2；
式中，n表示脑电生理参数信号的振动模态成分的样本点索引，x[n]为第i个脑电生理参数信号的振动模态成分的样本值；
D2、计算所有脑电生理参数信号的振动模态成分的总能量Et，将每个脑电生理参数信号的振动模态成分的能量相加；
式中，K为脑电生理参数信号变分模态分解后的总模态个数；
D3、计算每个脑电生理参数信号的振动模态成分的能量占总能量的比例，即Pi；
Pi＝(Ei/Et)×100％。
进一步地，所述步骤step3，改进海象优化算法的参数后，需要初始化海象的位置，海象种群个体的初始位置，即为变分模态分解的参数Ｋ和α组合的初始解，初始化海象种群个体位置公式为：
X＝LB+rand(UB-LB).
式中，rand是一个在0到1范围内的均匀随机向量。
进一步地，需要说明的是，海象是执行优化过程的代理，它们的位置会不断更新；
式中，X为海象位置集矩阵，N为海象种群规模，D为问题维度。
进一步地，对应于所有海象的适应度值将存储为：
式中，F为海象适应度值集矩阵，f为海象算法适应度值。
进一步地，所述步骤S36，海象在水下觅食时会受到自然捕食者的攻击，它们会根据同伴发出的危险信号逃离当前的活动区域，海象优化算法的危险信号因子控制着海象优化算法的全局搜索和局部开发的平衡性能，改进后的危险信号因子s可以优化海象优化算法的全局搜索和局部开发的平衡性能，从而提高算法的寻优速度。
进一步地，所述步骤是S38，α和b为集合系数，数学模型公式为：
a＝β×r5-β；
b＝tan(θ)；
式中，r5为[0，1]内随机数，θ取的值范围从0到π。
为使本发明的目的、技术方案和优点更加清楚，下面将利用改进前海象优化算法与所提出的改进算法作对比；通过Matlab进行仿真实验，设置海象种群规模N＝100，最大迭代次数T＝20，问题维度D＝2，算法搜索上界UB＝100，搜索下界LB＝1，适应度函数选择适应度值越小，信号根据时间分布约有规律，变分模态分解(VMD)分解后的信号包含更多有用信息，信号去噪效果越好，其中最小适应度值所代表的海象个体位置即为最优参数K和α解组合。
对比图3和图4，图3为标准海象优化算法的适应度值变化图，图4为改进海象优化算法的适应度值变化图，从图中可以明显发现，改进后的海象优化算法在最优参数K和α寻找过程中，相对于改进前海象优化算法，寻优速度更快，且适应度值更小，说明寻优精度更高；说明本发明提出的改进海象优化算法的方法具有效性，进一步说明改进后海象优化算法(IWO)优化变分模态分解(VMD)得到的IWO-VMD算法实现智能听诊器电信号去噪的性能更好。
对比图5和图6，图5为采集的脑电生理参数信号经过WO-VMD分解后的效果图，图6为采集的脑电生理参数信号经过IWO-VMD分解后的效果图；脑电生理参数信号经过分解得到5个振动模态(IMF)，对每个振动模态与原信号的相关系数进行计算，按照能量较高的振动模态成分代表主要脑电生理参数信号分量，而能量较低的振动模态成分代表噪声分量的准则，相关系数越大表明此IMF分量与原信号相关性越好，反之，与原信号相关性越差；从两个对比图中，图6中分解的信号对比图5，IWO-VMD分解后信号更稳定平缓，有更好的信号分离、去噪效果以及保留了原始信号的主要特征，因此经过IWO-VMD分解后的脑电生理参数信号降噪效果更好。
Claims (4)
1.一种基于电信号的生理参数处理优化方法，其特征在于，通过改进海象优化算法，优化变分模态分解算法，对脑电信号进行去噪优化处理，具体包括步骤：
S1、通过脑电控制器驱动脑信号电极采集脑电生理参数信号；所述控制器对采集的脑电生理参数信号进行滤波和信号增强处理；
S2、改进标准海象优化算法，具体改进步骤为：
S21、改进海象优化算法的危险信号因子，在危险信号因子中，引入最优适应度值，得到改进危险信号因子s；所述改进海象优化算法的危险信号因子，使危险信号因子的值随当前迭代次数t和当前最优适应度值变化，改进后的危险信号因子s公式为：
式(1)中，fbest为最优适应度值，t为当前迭代次数；
S22、改进海象优化算法的步长控制因子β，通过改进后的步长控制因子控制算法全局搜索的步长，从而平衡算法全局搜索和局部开发；所述改进海象优化算法的步长控制因子β，通过改进后的步长控制因子控制算法全局搜索的步长，改进后的步长控制因子β为：
式(2)中，为第i只海象的当前位置，为第i只海象的当前位置的适应度值，k为随机算法海象个体数，N为算法种群规模，ε为时间约束因子，公式为：
式(3)中，T为最大迭代次数；
S3、利用改进海象优化算法优化变分模态分解，整定变分模态分解的模态个数参数K和惩罚参数α，得到最优参数；
S4、采用步骤S3中得到的最优参数，对脑电生理参数信号进行变分模态分解为多个振动模态成分和一个低频趋势项；
S5、根据步骤S4分解得到的振动模态成分，对高频噪声成分进行抑制、去除，保留主要的脑电信号成分。
2.根据权利要求1所述的一种基于电信号的生理参数处理优化方法，其特征在于，所述步骤s1，脑电信号采集控制器包括：DSP微控制器、电信号放大器、滤波器、模数转换器以及改进海象优化算法与变分模态分解模块。
3.根据权利要求1或2所述的一种基于电信号的生理参数处理优化方法，其特征在于，所述步骤S3，利用改进海象优化算法优化变分模态分解，具体步骤为：
S31、将脑电生理参数信号去噪问题转化为一个优化问题，引一个约束条件，使得脑电生理参数信号分解出的每个振动模态都是局部调频信号，约束条件设计为：
式(4)中，为第m个振动模态成分的平均瞬时频率，η为容许的频率偏差阈值，取值为0.1，Wm(t′)为第m个振动模态成分的瞬时频率函数，约束条件要求在时间窗口[y1，t2]内，t′为积分时间；
S32、设计目标函数f，将优化目标定义为使得脑电生理参数信号的高频噪声成分能够最小化，并将目标函数作为适应度函数；
式(5)中，K为脑电生理参数信号变分模态分解后的总振动模态个数，m为脑电生理参数信号变分模态分解后的第m个振动模态，nm(t′)为脑电生理参数信号的噪声成分，t3为给定时间的上限，t′为积分时间；
S33、初始化变分模态分解的模态个数参数K和惩罚参数α初值以及改进海象优化算法的参数，包括算法寻优的上界UB和下界LB，种群规模N和问题维度D、算法寻优的最大迭代次数T；所述算法寻优的上界UB和下界LB为变分模态分解参数K和α的上限和下限；
S34、将变分模态分解的参数K和α编码为改进海象优化算法搜索空间的解；
S35、根据适应度函数计算当前迭代海象种群个体适应度值，将最小适应度值记录下，即最优适应度值，并与上次迭代的种群最优适应度值比较，保留最优适应度值；
S36、改进海象优化算法的危险信号因子，在危险信号因子中，引入最优适应度值，得到改进后的危险信号因子s；
S37、当|s|≥1时，海象优化算法进行搜索阶段，融合最优位置，然后，改进海象优化算法的步长控制因子，按照式(6)执行位置更新，从而更新变分模态分解的参数K和α的值；
式(6)中，为第t+1次迭代，第i只海象第j维的位置，为第t次迭代，第i只海象第j维的位置，step为海象运动的步长，控制着算法每次搜索参数K和α的范围，Xbest为海象当前最优位置，即最优参数K和α解，为第t次迭代第n个随机海象的位置，r3为[0，1]内随机数；
s38、当0.5≤|s|＜1时，海象优化算法进行开发阶段，按照式(7)执行位置更新，从而更新变分模态分解的参数K和α的值；
式(7)中，为第t+1次迭代，第i只海象第j维的位置；X1和X2的解释为：
式(8)中，X1和X2为影响海象采集行为的两个权重，Xbest为当前迭代中海象最优位置，为当前迭代中第二个海象最优位置，为第t次迭代，第i只海象第j维的位置，a和b为集合系数；
S39、检查当前迭代次数y是否等于最大迭代次数T，若是，算法结束，根据算法位置更新策略与变分模态分解的参数K和α之间的映射关系，将最优位置分解赋值给变分模态分解的参数K和α；否则，返回S33进行下一轮迭代。
4.根据权利要求3所述的一种基于电信号的生理参数处理优化方法，其特征在于，所述步骤S4，所述振动模态成分，用于判断脑电生理参数信号主分量和噪声分量，提出“能量分割”法，计算每个振动模态成分的能量占总能量的比例，能量较高的振动模态成分代表主要脑电生理参数信号分量，而能量较低的振动模态成分代表噪声分量；计算每个振动模态成分的能量占总能量的比例步骤为：
D1、计算每个振动模态成分的能量，对于第m个振动模态成分，按照式(9)计算其能量Em；
Em＝∑(x[n’])2 (9)；
式(9)中，n’为脑电生理参数信号的振动模态成分的样本点索引，x[n’]为第m个脑电生理参数信号的振动模态的第n’个样本值；
D2、计算所有脑电生理参数信号的振动模态成分的总能量Et，按照式(10)将每个脑电生理参数信号的振动模态成分的能量相加；
式(10)中，K为脑电生理参数信号变分模态分解后的总振动模态个数；
D3、按照式(11)计算每个脑电生理参数信号的振动模态成分的能量占总能量的比例，即Pm；Pm＝(Em/Et)×100％(11)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410059610.2A CN117653146B (zh) | 2024-01-15 | 2024-01-15 | 一种基于电信号的生理参数处理优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410059610.2A CN117653146B (zh) | 2024-01-15 | 2024-01-15 | 一种基于电信号的生理参数处理优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117653146A CN117653146A (zh) | 2024-03-08 |
| CN117653146B true CN117653146B (zh) | 2024-07-23 |
Family
ID=90082735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410059610.2A Active CN117653146B (zh) | 2024-01-15 | 2024-01-15 | 一种基于电信号的生理参数处理优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117653146B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118193899B (zh) * | 2024-05-15 | 2024-08-27 | 沈阳医学院 | 一种用于液相色谱仪的色谱数据优化处理方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116183013A (zh) * | 2023-02-28 | 2023-05-30 | 吉林大学 | 一种基于变分模态分解改进的das信号去噪方法 |
| CN116910485A (zh) * | 2023-08-28 | 2023-10-20 | 盐城工学院 | 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117113067A (zh) * | 2023-03-23 | 2023-11-24 | 北京邮电大学 | 一种基于鲸鱼优化算法的混合时频空脑电特征提取方法 |
| CN117216475A (zh) * | 2023-08-21 | 2023-12-12 | 广东工业大学 | 一种脑电信号去噪方法及系统 |
| CN117056677A (zh) * | 2023-10-10 | 2023-11-14 | 吉林大学 | 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 |
-
2024
- 2024-01-15 CN CN202410059610.2A patent/CN117653146B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116183013A (zh) * | 2023-02-28 | 2023-05-30 | 吉林大学 | 一种基于变分模态分解改进的das信号去噪方法 |
| CN116910485A (zh) * | 2023-08-28 | 2023-10-20 | 盐城工学院 | 一种基于IMPA-VMD能量熵与改进BiGRU的旋转机械故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117653146A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117653146B (zh) | 一种基于电信号的生理参数处理优化方法 | |
| CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
| CN111243662B (zh) | 基于改进XGBoost的泛癌症基因通路预测方法、系统和存储介质 | |
| CN115935442A (zh) | 基于多智能体深度强化学习的区块链性能优化方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN109727637B (zh) | 基于混合蛙跳算法识别关键蛋白质的方法 | |
| CN110728231B (zh) | 基于改进型粒子群算法和孪生支持向量机的睡眠分期方法 | |
| CN118471456A (zh) | 一种急诊医疗资源的调度方法、系统、设备与存储介质 | |
| CN117290721A (zh) | 数字孪生建模方法、装置、设备及介质 | |
| CN114386454A (zh) | 基于信号混合策略的医疗时序信号数据处理方法 | |
| CN117478538A (zh) | 一种基于深度强化学习的物联网设备探测与控制方法 | |
| CN116343989A (zh) | 一种基于远程监测的数字化训练调控方法及系统 | |
| CN113053348B (zh) | 一种基于灰狼算法的主动噪声控制方法及系统 | |
| CN111617479B (zh) | 游戏人工智能系统的加速方法及系统 | |
| CN111210009A (zh) | 一种基于信息熵的多模型自适应深度神经网络滤波器嫁接方法、装置、系统及存储介质 | |
| CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| CN118312721A (zh) | 基于综合评价指标体系下的改进粒子群算法优选小波阈值去噪参数方法及其系统 | |
| CN113240119B (zh) | 一种用于游戏ai策略解释的跨模型蒸馏装置 | |
| CN117056767A (zh) | 一种基于自适应灰狼优化的电力变压器故障识别方法 | |
| CN113011551B (zh) | 一种基于用户情感反馈的机器人服务认知方法及系统 | |
| CN111178541B (zh) | 游戏人工智能系统及其性能提升系统及方法 | |
| CN115933804A (zh) | 基于改进布谷鸟算法的光伏mppt控制方法及系统 | |
| CN117731304A (zh) | 多通道脑电信号睡眠分期方法、装置、设备及介质 | |
| CN116579555A (zh) | 一种基于人工鱼群的任务调度方法及其系统 | |
| CN116299005A (zh) | 一种基于aaf和深度学习的动力电池健康状态预测方法 |
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 |