一种生理电信号尖峰奇异点检测方法

摘要

本发明公开了一种生理电信号尖峰奇异点检测方法。所述方法包括：采样得到生理电信号序列；对采样得到的生理电信号序列进行小波变换，获得对应的小波变换系数；根据所述小波变换系数筛选得到对应于生理电信号中尖峰脉冲顶点；根据筛选得到的尖峰脉冲顶点寻找所述小波变换系数中的模极大值对，并计算得到尖峰奇异点潜在位置；对所述尖峰奇异点潜在位置进行时移修正，以确定尖峰奇异点的正确位置。本发明能够提高生理电信号中奇异点检测的精度，同时降低检测方法的复杂度。

说明书

技术领域

本发明涉及信号处理技术领域，更确切地说是涉及生理电信号处理的技术，是一种适合集成电路及便携式系统实现的低复杂度、高准确率的生理电信号尖峰奇异点检测方法。 

背景技术

生理电信号是由复杂生命体发出的低频微弱信号，极易受到外界的干扰。如何克服外界干扰，从生理电信号中提取出具有医学诊断价值的特征信息是近年来研究的重点。针对心电，神经及脉搏等生理电信号存在尖峰奇异点的特点，研究主要集中在奇异点检测及同类奇异点间距与不同疾病之间的关系等方面。 

目前，奇异点检测方法主要包括三大类-时域算法、频域算法、混合算法。 

时域算法是基于生理电信号中奇异点幅度高、斜率大的特点，进行信号检测。该类算法又包括能量算法，斜率算法及压缩算法等。对于稳定的生理电信号该类算法的检测效果良好，复杂度低，适合工程实现。但是该类算法的抗干扰性能差，需要滤波的预处理，增加了计算量，不利于低功耗实现。 

频域算法种类繁多，包括傅里叶变换算法、滤波器级联算法、小波变换算法等。这些算法将时域信号转换为频域信号进行处理，可以完成检测任务，但计算量较大。同时也由于时移问题，奇异点定位不精确。 

混合算法是在时域和频域同时处理信号，具有奇异点精确定位，抗干扰性能强等优势。但是该类算法的复杂度很高，高复杂度意味着高功耗，不利于集成电路及便携式系统的实现。 

针对上述问题，低复杂度、高抗干扰性、高准确率是生理电信号奇异点检测方法研究的主要方向。 

发明内容

本发明的目的在于解决上述问题，消除基线漂移，工频噪声等各类噪声干扰，以无乘法器结构降低计算复杂度，同时提高奇异点检测准确率。 

为了实现上述目的，本发明提出了一种生理电信号尖峰奇异点检测方法，其特征在于，包括： 

步骤1：采样得到生理电信号序列； 

步骤2：对采样得到的生理电信号序列进行小波变换，获得对应的小波变换系数；具体如下获得小波变换系数： 

y(n)＝(x(n)＞＞a₁) 

$\mathrm{WT}\left(n\right)=\underset{k=1}{\overset{r}{\Sigma }}{y}_k\left(n\right)$

其中，a₁是抽头系数，x(n)是采样得到的生理电信号序列，y(n)是中间值，WT(n)是小波变换系数，n是采样点，r是小波变换阶数； 

步骤3：根据所述小波变换系数筛选得到对应于生理电信号中尖峰脉冲顶点； 

步骤4：根据筛选得到的尖峰脉冲顶点寻找所述小波变换系数中的模极大值对，并计算得到尖峰奇异点潜在位置； 

步骤5：对所述尖峰奇异点潜在位置进行时移修正，以确定尖峰奇异点的正确位置。 

本发明提出的上述方法和装置为无乘法器结构，用以实现哈尔小波变换，求得小波变换系数，极大地降低了系统计算复杂度；小波系数预处理可以筛选出顶点，去除高幅度的非顶点干扰，模极大值对检测阶段包括阈值自动更新状态机以及模极大值对检测状态机两部分，可以自动调整阈值以及区分奇异点相位正负，在多层面上提高系统的抗干扰性；奇异点位置修正通过平移和开窗比较的方式有效地解决了信号处理过程中的数字时移问题，可以准确确定奇异点的位置，提高系统检测的准确性。 

附图说明

为进一步说明本发明的技术内容，以下结合实施例及附图详细说明如后，其中： 

图1是本发明中生理电信号尖峰奇异点检测方法的流程图； 

图2是本发明中基于哈尔小波变换提出的无乘法器结构图； 

图3是本发明中信号预处理及模极大值对检测整体结构图； 

图4是本发明中模极大值检测状态机的机构图。 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。 

如图1所示，本发明提供一种低复杂度的生理电信号奇异点检测方法，包括： 

步骤11，生理电信号采样。 

生理电信号种类繁多，包括脑电(EEG)，心电(ECG)，眼电(EOG)，肌电(EMG)，神经动作电位(AAP)以及脉搏信号等。针对不同信号的特点，要选择合理的采样方式及采样率。 

步骤12，Harr小波变换，计算小波系数。 

小波变换是该检测方法的核心，同时也是该方法中复杂度最高的部分。采用传统的级联滤波器结构，大量的乘法操作必将增加系统的计算复杂度，不利于长时间监测的便携式系统。本发明从工程实现的角度出发，选用较为简单的哈尔小波作为母波。其计算公式如下： 

y(n)＝(x(n)＞＞a₁)                   (1) 

$\mathrm{WT}\left(n\right)=\underset{k=1}{\overset{r}{\Sigma }}{y}_k\left(n\right)---\left(2\right)$

a₁是抽头系数，即小波变换等效频率响应系数，通过哈尔母波进行推导即可获得，x(n)是采样得到的生理电信号，y(n)是中间值，WT(n)是小波变换系数，n是采样点，r是小波变换阶数。 

同时根据其抽头系数绝对值一致的特点，提出了无乘法器结构，如图2所示。根据抽头系数a₁，将生理电信号x(n)向右移位抽头系数log₂(a₁)位即可获得中间值y(n)，然后再通过逐级缓存获得相应的y_r(n)值，如图2所 示，T为缓存单元，缓存时间为1个时钟周期。y₁(n)至y_r(n)相加即可求得小波变换系数Y(n)＝WT(n)。该结构无需任何乘法操作，只利用加法和减法即可完成小波变换运算。 

步骤13，对小波系数预处理，筛选顶点。具体地：根据尖峰奇异点的凹凸特性，制定如下预处理方式： 

根据公式(3)筛选顶点，Y(n)为输入小波系数，Vertex[n]为输出顶点。如公式(3)所示，当中间点Y(n)大于或者小于相邻两点时，顶点Vertex[n]输出为Y(n)，否则其输出为0。这样可以避免高幅度的非顶点产生干扰。 

步骤14，寻找小波系数中的模极大值对，计算尖峰奇异点潜在位置，更新阈值。 

时域尖峰脉冲经哈尔小波变换转变为小波系数，其中正相位时域尖峰脉冲转变为负正相位模极大值对，负相位时域尖峰脉冲转变为正负相位模极大值对，模极大值对间的零点对应于尖峰信号的顶点，即奇异点。如图3所示，步骤13中筛选出的小波系数顶点作为输入信号。首先是训练阶段，自动阈值更新单元对小波系数顶点进行升序排列，然后计算正相位模极大值阈值和负相位模极大值阈值。自动阈值更新单元如下计算上述两个阈值：选取最大的12个顶点，去除两个最大值，去除两个最小值，剩余的8个顶点值作为初始正相位模极大值P_Peak(i)；选取最小的12个顶点，去除两个最大值，去除两个最小值，剩余的8个顶点作为初始负相位模极大值N_Peak(i)。正相位模极大值阈值和负相位模极大值阈值的计算方式如公式(4)、(5)所示。 

$\mathrm{THP}=\frac{\alpha }{8}\underset{i=1}{\overset{8}{\Sigma }}P\_\mathrm{Peak}\left(i\right)---\left(4\right)$

$\mathrm{THN}=\frac{\beta }{8}\underset{i=1}{\overset{8}{\Sigma }}N\_\mathrm{Peak}\left(i\right)---\left(5\right)$

THP和THN分别是正相位模极大值阈值和负相位模极大值阈值。选择8个模极大值计算阈值可以降低单个模极大值引入的偶然误差。同时可以减少计算量，向右移3位即可完成除法运算，避免了除法操作。α和β是阈值系数，根据生理电信号的特点，自行调节即可。当然，自动阈值更新单元计算正相位模极大值阈值和负相位模极大值阈值所选取的顶点数目不限于12和8，还可以根据需要进行调整。 

训练结束之后，模极大值检测状态机开始工作。如图4所示，模极大值检测状态机包括六个状态，以筛选出的顶点信号Vertex[n]作为输入信号，以尖峰奇异点的潜在位置t1、尖峰脉冲相位(正或者负)、正相位模极大值P_Peak(i)和负相位模极大值N_Peak(i)作为输出信号。顶点Vertex[n]输入之后，首先进入准备状态。当顶点值大于正相位模极大值阈值THP时，进入状态1，并将该顶点值作为P_Peak(i)。在状态1下，当新输入的顶点值仍然大于THP时，去除之前确定的正相位模极大值点，保留新的正相位模极大值点，即更新正相位模极大值P_Peak(i)，直至顶点值小于负相位模极大值阈值THN时，跳转至状态3，将该顶点值作为负相位模极大值N_Peak(i)，并确定尖峰脉冲相位为负，将正相位模极大值P_Peak(i)模极大值和负相位模极大值N_Peak(i)间零点的位置作为尖峰奇异顶点的潜在位置。然后进入状态5，计算输出值(t1，P_Peak(i)，N_Peak(i))。然后返回准备状态，开始新一轮检测。反之，当顶点值小于阈值THN时，进入状态2，并将当前顶点值作为负相位模极大值N_Peak(i)。在状态2下，当新输入的顶点值仍然小于THN时，去除之前确定的负相位模极大值点，保留新的负相位模极大值点，即更新负相位模极大值N_Peak(i)，直至顶点值大于正相位模极大值阈值THP时，跳转至状态4，将该当前顶点值作为正相位模极大值P_Peak(i)，并确定尖峰脉冲相位为正。然后进入状态5，计算输出值(t1，N_Peak(i)，P_Peak(i))。最终返回准备状态，开始新一轮检测。其中t1和相位作为步骤15的输入，用于确定奇异点的准备位置；模极大值P_Peak(i)，N_Peak(i)作为自动阈值更新单元的输入，运用公式(4)和(5)实时计算正相位和负相位阈值。即每当确定出一对P_Peak(i)、N_Peak(i)，则利用新确定的模极大值对更新初始模极大值对，然后利用公式(4)和(5)实时计算更新THP和THN。 

步骤15，修正时移问题，确定奇异点位置。 

生理电信号经数字处理后，会存在时移问题，通过步骤14确定的尖峰奇异点潜在位置t1并不准确，存在偏差。该步骤针对此问题，通过理论推导，得出了移位加开窗比较的处理方式。其步骤为：首先将尖峰奇异点潜在位置t1向左平移2^j-1(j为整数，是小波变换的尺度)个采样点，得到中间采样点t2。以ECG、EEG等信号作为输入进行实验，实验结果显示，原始尖峰奇异点大部分不在t2位置。对上述实验结果原始波峰位置进行统计，结论为原始生理电信号尖峰奇异点主要集中在[t2-10，t2+10]时间点内。因此比较该时间区间内生理电信号x(n)的幅度值，可以确定奇异点的准确位置。如果奇异点相位为正，则比较区间内幅度最大值位置为奇异点位置，如奇异点相位为负，则比较区间内最小值位置为奇异点位置。 

步骤16，奇异点间距计算。 

生理电信号中的奇异点是多种多样的。以ECG为例，一个完整的ECG信号包括P、R、T三种尖峰波形。同一信号中的PR、RT、PT间距，相邻信号间的PP、RR、TT间距对医疗诊断都具有参考价值。根据步骤15中确定的奇异点位置，可以很容易计算出上述间距，为医疗诊断提供参考。 

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。