專利名稱：一種基于提升小波的脈搏信號處理方法
技術領域：
本發(fā)明涉及信息處理以及醫(yī)學信號處理，特別是一種基于提升小波的脈搏信號處理方法。
背景技術：
非侵入性測量脈搏的方法，主要是采用壓力傳感器攝取人體顯著動脈部位的脈搏，經過信號預處理，模擬數字轉換后，直接利用脈搏波數據進行分析處理及提取特征，計算相關參數。
目前，在對脈搏信息進行分析處理時大多是只對單個周期的脈搏波進行分析，或者采用多個脈搏波進行簡單平均處理，并且在選取波形時隨意選取經過簡單預處理后的波形。這種方法存在一個問題由于硬件采樣頻率和各種干擾的問題，使得傳感器采得的脈搏波形數據具有不穩(wěn)定性，如可能存在某些段時間內對脈搏重要信息的漏采和非脈搏信息的誤采。這就導致對脈搏信息的后續(xù)分析處理失去較好的準確度和正確性，在一定情況下甚至導致誤診。另一方面，目前，在對脈搏波進行分析特征提取時，所用的方法大多比較繁雜，對硬件要求較高，也不適合進行實時處理，使用簡單算法的則大多停留在簡單的時域特征提取，醫(yī)用價值不大，無法滿足廣大家庭用市場的實用型需求。

發(fā)明內容
本發(fā)明的目的在于克服了現有的處理方法是基于時域或頻域分析，并只對單個準周期完整脈搏波進行處理，且算法復雜、對硬件要求高，不利實時處理的缺陷，提出了一種基于提升小波的脈搏信號處理方法。本方法通過脈搏波預處理、波形聚類優(yōu)選得到優(yōu)選波形，并從優(yōu)選波形中提取出特征向量，從而獲得信息豐富準確的良好中間參數，為進一步的分析診斷打下良好基礎。
為達此目的，本發(fā)明提出的基于提升小波的脈搏信號處理方法的實現步驟包括1)脈搏波形預處理；2)多個完整的典型脈搏波形的優(yōu)選獲取；3)脈搏波形特征的提取。
脈搏波形預處理主要是濾波，利用自適應相干模板法進行濾波處理，該方法能有效慮除工頻干擾以及由傳感器溫差及人體呼吸等引起的基線漂移。并且，該方法運算簡單，可以在單片機上實現。
多個完整的典型脈搏波形的優(yōu)選提取主要利用類似于距離閾值法的聚類分析算法，從而有效避免只利用單個脈搏波形帶來的信息誤取或漏取，找到一段連續(xù)穩(wěn)定的含有多個完整脈搏波的波形數據后，對該段數據信號進行提升小波變換，獲取突變點、極值點、過零點等的提升小波系數構成特征向量。
在進行脈搏波形特征的提取時采用一種改進的整數小波變換算法，該算法不需乘法運算，因此運算量小，對硬件要求低，能夠實現實時處理，適合單片機或DSP等硬件實現。通過這種小波變換對小波系數進行軟閾值處理，實現特征壓縮降低脈搏波特征向量維數。因此，所需存儲空間較小。從而能夠將大量脈搏病例信息保存在FLASH或外部存儲器中。
本發(fā)明所采用了如下的技術方案，主要是按以下步驟實現的1)由脈搏傳感器拾取人體的脈搏波形，脈搏波形經調理電路、AD轉換器變成數字信號后輸入微處理器，在微處理器中首先經過如下的波形預處理，即采用自適應相干模板法濾波采樣頻率取為工頻的整數倍即k×50HZ，設X(n)為原始信號，S(n)為其中的有用信號，N(n)為工頻干擾信號，則X(n)＝S(n)+N(n)定義模板信號為
M(n)=1MΣi=1&Mgr;s(n-k·i)+1MΣi=1&Mgr;N(n-k·i)]]>k為采樣頻率與工頻之比，取為自然數；由于N(n)為周期信號，若S(n)為零均值信號，要進行處理的脈搏波信號可以看成是零均值信號，當M足夠大即M≥100時，有1&Mgr;Σi=1&Mgr;s(n-k·i)=0]]>1&Mgr;Σi=1&Mgr;Ν(n-k·i)=Ν(n)]]>所以，只要從原始輸入信號中減去模板信號就能達到濾除工頻干擾的目的，即S(n)=X(n)-1MΣi=1MX(n-k.i)(i=1,2......M)---(1)]]>其中參數M的選擇對于M的取值一般為大于等于100的整數就行，若想達最優(yōu)的效果與運算速度，則應綜合以下幾方面來考慮①由于(1)式對應的濾波器的截至頻率為fc=50M,]]>為達慮除基線漂移目的，需選擇合適的M值，例如為消除頻率為0.5Hz的基線漂移則取M＝100即可。
②M以2的整數次冪為佳，這樣在中低檔的嵌入式微處理器中應用時，可用移位操作代替乘除法運算，從而有效地提高運算速度，并節(jié)省內存空間。特別是當M取值為256時，甩掉低位字節(jié)就可得到誤差模板，而無需做任何運算。
③綜合考慮運算速度及數據存儲量的問題。M值也不宜太大，M值越大，濾波器的響應越慢；而且隨著M值的增大，存儲原始數據所需內存也相應加大，例如選擇M為256時，采樣率以200Hz計，僅存儲原始數據就需1k字節(jié)的空間。
2)多個完整的典型脈搏波形的優(yōu)選對于脈搏信號特征向量的提取及分析診斷來說是非常重要的。因為，由壓力傳感器獲取的脈搏信號是非常微弱的生理信號，且極易受各種干擾的影響。本發(fā)明算法主要通過以下幾個步驟來確保獲取的脈搏波形的信息的準確性、豐富性①采用閾值搜索法獲取連續(xù)穩(wěn)定波形i)先把前L秒的脈搏波形平均分成N段，其中，15≤L≤60，2≤N≤10，再用差分法分別搜索出每段中的極小值點，即搜索這樣的點，差分值由負值到正值的轉折點。并將每段中的極小值點的幅值與對應的采樣點數，即時間點保存在一個二維數組中，由于把脈搏波形分成了N段，所以分別保存在N個二維數組中。由脈搏波理論及實測波形可知，若為正常波形——指測量過程中的正常，未受嚴重干擾變形，非指健康。則在每個脈搏周期內的波形有3個極小值點，2個為最低點，1個為重博前波極小值點。
ii)在N個數組中比較各自數組中首個幅值與第二個幅值的大小，找出值較小的點，以此點為起點，做隔點差分計算，并把差分值的絕對值與一設定閾值比較，該閾值具體與硬件電路的放大倍數有關，可根據實驗經驗獲得，一般至小于0.01，找到差分絕對值小于閾值的連續(xù)5個以上的點，其對應原波形中的4個以上連續(xù)穩(wěn)定波形。將從這N個數組中搜索出的符合條件的連續(xù)點的幅值及其對應的采樣時間點保存在另外N個數組中；如果有數組中不包含差分絕對值小于閾值的連續(xù)5個以上的點，則繼續(xù)按步驟2)-①-i)中方法搜索接下來L/N秒中的點，直到搜索出N段均含有4個以上穩(wěn)定波形為止。
②用時域聚類法剔除在周期上不合格者i)由步驟2)-①-ii)中得到的信息，回到原波形，就得到多于4×N個準周期的樣本波形，對這些準周期樣本進行分類；首先設第一個脈搏波的準周期，稱之為樣本1，為第一聚類中心U1；如果第二個準周期脈搏波即樣本U2與U1的距離小于閾值，則將樣本2歸入第一聚類，U1修正為兩個樣本的平均值，否則設樣本2為第二聚類中心U2。樣本U2與U1的距離采用q＝1時的閔可夫斯基距離，即周期長度之差，該閾值可根據實驗經驗具體設定，一般至少小于50ms。如果已經產生U2，再計算樣本U3與U1、U2的距離，如果沒有產生U2，就計算樣本U3與U1的距離，如其中之一小于閾值則可將其歸類，并依照上述方法修正聚類中心；否則設樣本U3為新的聚類中心，如此可將所有樣本分類一次；ii)如果分類后，沒有任何一類包含5個以上的樣本，則將閾值放大一倍，重復步驟2)-②-i重新進行分類，如果閾值放大到大于50ms，仍然沒有任何一類包含5個以上的樣本，則跳到脈搏波形的第二個L秒的信號，按照步驟1)、2)中所述步驟重新開始尋找4×N個以上的穩(wěn)定周期脈搏波并重復上述聚類過程；iii)得到其中至少包含5個以上波形樣本的聚類后，則此類樣本即為所需最優(yōu)波形；將其中包含樣本數最多的一類的聚類中心Umax定為標準脈搏周期，其倒數即為脈率。則此類樣本即為所需最優(yōu)波形。
3)脈搏波形特征的提取本步驟的目的是為了獲取脈搏波形中隱含著豐富的生理病理信息的特征參數。本發(fā)明算法以提升小波來提取脈搏波形中的奇異點等信息作為特征向量。其要點如下①提升算法i)使用Donoho小波取其合成尺度函數和分解尺度函數分別有N和M階消失矩，進行提升；ii)其提升格式為分解Sl0=x21,dl0=x2l+1;]]>預測dl=dl0-(-Sl-10+9Sl0+9Sl+10-Sl+10-Sl+20)/16;]]>更新Sl=Sl0(-dl+1+9dl+9dl-1-dl-2)/32;]]>其中sl，dl為分解小波的逼近系數與細節(jié)系數；iii)為將上述提升格式進行分解為只需加法與移位運算，定義下面的運算格式設P，U為兩個位移加法處理單元P(a，b，c，d，)＝(-a+b+c-d+b<<3+c<<3+8)>>4U(a，b，c，d，)＝(-a+b+c-d+b<<3+c<<3+16)>>5其中，<<是左位移符號，>>是右位移符號，則sl＝x2l，dl＝x2l+1；dl＝dl-p(sl-1，sl，sl+1，sl+2)；sl＝sl+(dl-2，dl-1，dl，dl+1).
②對步驟2)中得到的5個以上周期的優(yōu)選波形按照3)-①中所述的提升算法進行提升小波分解，并作如下處理i、對所得脈搏波形做多層小波分解；ii、小波分解的高頻系數的閾值量化，對深層的高頻系數，選擇閾值進行軟閾值量化處理，表達式如下Wσ={sgn(w)·(|w|-σ),|w|,≥σ0,|w|<σ]]>式中w是高頻小波系數，sgn是符號函數，σ是一個由經驗所得閾值，一般在0.5～1之間。由此得到多個一維向量A，B，C，D，E，對這些一維向量對應元素a0，b0，c0，d0，e0，……排序，取中值作為最終的小波系數w′0，同理，依次對a1，b1，c1，d1，e1，……直至an，bn，cn，dn，en，……作相同處理，可得w′1……w′n，如此可得一個小波高頻系數一維向量w′。
iii、小波分解的低頻系數的閾值量化，對第1層的低頻系數，選擇閾值進行軟閾值量化處理，閾值選擇及處理方法同3)-②-ii，得到另一個一維向量w″。
iv、記W＝[w′，w″]，最終獲得脈搏波形的特征向量W。
本發(fā)明中所得特征信息是脈搏信號處理的中間結果，可用做進一步分析診斷之用。比如可以直接根據提取的特征向量運用聚類分析等模式識別方法進行疾病的診斷分析，也可以利用過零點、極值點、突變點等的小波系數進行信號重建然后在微機上運用譜分析等各種時頻域方法進行處理，以供進一步研究之用。因此，本發(fā)明對于硬件沒有特別的要求，計算簡單，易于在實際簡易系統(tǒng)中實現，并且能夠實現實時處理。
本發(fā)明提出的是一種脈搏處理及特征提取方案，而現有的處理方法多數是基于時域或頻域分析的，而且都是單個準周期完整脈搏波進行處理。本發(fā)明采用一種基于提升小波變換的奇異點信息分析的特征提取方法。與當前其他方法相比，本發(fā)明的新穎性主要體現在1)在波形預處理上采取一種自適應相干模板法，能夠有效消除工頻干擾及由溫漂、呼吸等引起的基線漂移等干擾。且該算法運算簡單，能夠在單片機等硬件上實時實現。
2)在脈搏波形優(yōu)選上先采取簡單的類似距離閾值法的聚類算法，同時獲取多個優(yōu)質波形，再采用q＝1時的閔可夫斯基距離，即周期長度之差閾值法進行聚類處理，進一步剔除非優(yōu)波形。同時可獲得波形準周期，即得脈率。以上算法簡單有效，能較好地避免信息的漏采、誤采，同時獲得了較為準確的脈率。
3)在特征提取上，先對獲取的多個優(yōu)選脈波形按準周期分段進行提升小波變換，對得到的小波系數進行閾值處理，從而得到一維特征向量，簡潔有效。本方法中的小波提升算法是一種改進的整數到整數的提升小波變換方法，不需進行乘法運算，因而對硬件要求低，運算速度快，甚至能夠由單片機實現實時處理。


圖1系統(tǒng)處理流程框2具體算法處理流程3a是采集的原始脈搏波形圖3b是經濾波處理后的脈搏波形圖4脈搏信號波形5a為第六層高頻系數圖5b為第一層低頻小波系數圖6系統(tǒng)程序模塊數據處理流程圖具體實施方式
下面結合圖1～圖6說明本實施例。
本實施例包括三個主要步驟信號預處理、多個完整的典型脈搏波形的優(yōu)選和脈搏波形特征的提取。
本發(fā)明的技術實現方案如圖1～圖2所示。由脈搏傳感器獲的波形經過由一級放大、濾波、二級放大等電路組成的調理電路通過AD轉換器變成數字流進入微處理器系統(tǒng)進行一系列的處理最終提取出小波特征系數向量，將這些向量數據保存在單片機或dsp等儀器的存儲器或外部存儲器FLASH中，以便后續(xù)使用。
本實施例提出的基于提升小波及聚類分析的脈搏信號特征提取方法的實現包括以下三個步驟1.脈搏波形預處理1)自適應相干模板法濾波取采樣頻率為工頻的整數倍即50×k＝200HZ，設X(n)為原始信號，S(n)為其中的有用信號，N(n)為工頻干擾信號，則X(n)＝S(n)+N(n)定義模板信號為&Mgr;(n)=1&Mgr;Σi=1&Mgr;S(n-k·i)+1&Mgr;Σi=1&Mgr;Ν(n-k·i)]]>k為采樣頻率與工頻之比，取為自然數。
由于N(n)為周期信號，若S(n)為零均值信號，當M足夠大(M＞＝100)時，有1&Mgr;Σi=1&Mgr;S(n-k·i)=0]]>1&Mgr;Σi=1&Mgr;Ν(n-k·i)=Ν(n)]]>所以，只要從原始輸入信號中減去模板信號就能達到濾除工頻干擾的目的，即S(n)=X(n)-1&Mgr;Σi=1&Mgr;X(n-k·i)---(1)]]>
2)參數選擇本實施例中選擇M＝256，k＝4。
2、多個完整的典型脈搏波形的優(yōu)選1)閾值搜索法獲取連續(xù)穩(wěn)定波形。包括以下幾步①先把前30秒分成3段，則每段一般會包含10個以上波形，用差分法搜索出每段中的極小值點，即搜索這樣的點，差分值由負值到正值的轉折點。并將三段中的這些點的幅值與對應的采樣點數，即時間點，分別保存在3個二維數組中，即每段中的這些點的幅值與對應的采樣點數都保存在1個二維數組中，3段共保存在三個二維數組中。由脈搏波理論及實測波形可知，若為正常波形(指測量過程中的正常，未受嚴重干擾變形，非指健康)，則在每個脈搏周期內的波形有3個極小值點，2個為最低點，1個為重博前波極小值點，見圖3a。
②在3個數組中比較各自數組中首個幅值與第二個幅值大小，找出值較小的點，以此點為起點，做隔點差分計算，并把差分值的絕對值與一設定閾值比較，該閾值取為0.005。找到差分絕對值小于閾值的連續(xù)5個以上的點，其對應原波形中的4個以上連續(xù)穩(wěn)定波形。將從這3個數組中搜索出的符合條件的連續(xù)點的幅值及其對應的采樣時間點保存在另外3個數組中。如果有數組中不包含這樣的點，則繼續(xù)按步驟①中方法搜索接下來10秒中的點，直到搜索出3段均含有4個以上穩(wěn)定波形為止；2)用時域聚類法剔除在周期上不合格者。
①由步驟1)-②中得到的信息，回到原波形，就得到多于12個準周期的樣本波形。對這些準周期樣本進行分類。首先設第一個脈搏波的準周期，稱之為樣本1，為第一聚類中心U1。如果第二個準周期脈搏波即樣本2與U1的距離(此處采用q＝1時的閔可夫斯基距離，即周期長度之差)小于閾值，該閾值取為40ms，則將樣本2歸入第一聚類，U1修正為兩個樣本的平均值；否則設樣本2為第二聚類中心U2。而后計算樣本3與U1，U2(如果已經產生)的距離，如其中之一小于閾值則可將其歸類，修正聚類中心；否則設樣本3為新的聚類中心。如此可將所有樣本分類一次；②如果分類后，沒有任何一類包含5個以上的樣本，則將閾值放大一倍，重復步驟①，重新進行分類。如果閾值放大到大于50ms，仍然沒有任何一類包含5個以上的樣本，則跳到下一段信號按照步驟1)中所述重新開始尋找12個以上的穩(wěn)定周期脈搏波并重復上述聚類過程；③得到其中至少包含5個以上波形樣本的聚類后，將其中包含樣本數最多的一類的聚類中心Umax定為標準脈搏周期，其倒數即為脈率。則此類樣本即為所需最優(yōu)波形。在本實例中含最多樣本的聚類中樣本個數為5個。
3.脈搏波形特征的提取的目的是為了獲取脈搏波形中隱含著豐富的生理病理信息的特征參數。本發(fā)明算法以提升小波來提取脈搏波形中的奇異點等信息作為特征向量。其要點如下1)提升算法①使用Donoho小波取其合成尺度函數和分解尺度函數分別有N和M階消失矩，取N＝M＝4，進行提升；②其提升格式為分解Sl0=χ21,dl0=χ2l+1;]]>預測dl=dl0-(-Sl-10+9Sl0+9Sl+10-Sl+20)/16;]]>更新Sl=Sl0+(-dl+1+9d1+9dl-1-dl-2)/32.]]>其中sl，dl為分解小波的逼近系數與細節(jié)系數。
③為將上述提升格式進行分解為只需加法與移位運算，定義下面的運算格式設P，U為兩個位移加法處理單元P(a，b，c，d)＝(-a+b+c-d+b<<3+c<<3+8)>>4U(a，b，c，d，)＝(-a+b+c-d+b<<3+c<<3+16)>>5
其中，<<是左位移符號，>>是右位移符號。則sl＝x2l，dl，＝x2l+1；dl＝dl-p(sl-1，sl，sl+1，sl+2)；sl＝sl+(dl-2，dl-1，dl，dl+1).
經過上述處理，小波提升運算過程就完全能由加法及移位實現。
2)對2中所得5個周期的優(yōu)選波形按照1)中所述算法進行提升小波分解，并作如下處理①對所得脈搏波形做6層小波分解；②小波分解的高頻系數的閾值量化。對深層的高頻系數，選擇閾值進行軟閾值量化處理。表達式如下Wσ={sgn(W)·(|W|-σ),|w|≥σ0,|W|<σ]]>式中w是高頻小波系數，sgn是符號函數，σ是一個由經驗所得閾值，一般在0.5到1之間。由此得到多個一維向量A，B，C，D，E。對這些一維向量對應元素a0，b0，c0，d0，e0排序，取中值做為最終的小波系數w′0，同理，依次對a1，b1，c1，d1，e1，直至an，bn，cn，dn，en作相同處理，可得w′1……w′n。如此可得一個小波高頻系數一維向量w′。
③小波分解的低頻系數的閾值量化。對第1層的低頻系數，選擇閾值進行軟閾值量化處理。處理方法同②，得到另一個一維向量w″。
④記W＝[w′，w″]，最終獲得脈搏波形的特征向量W。
權利要求
1.一種基于提升小波的脈搏信號處理方法，其特征在于，該方法是按以下步驟實現的1)由脈搏傳感器攝取人體的脈搏波形，脈搏波形經調理電路、AD轉換器變成數字信號后輸入微處理器中的數據存儲器RAM，微處理器調用其程序存儲器ROM中的各處理模塊進行如下處理首先調用波形預處理模塊進行運算處理，該模塊采用自適應相干模板法進行濾波，其算法如下取采樣頻率為工頻的整數倍即k×50HZ，設X(n)為原始信號，S(n)為其中的有用信號，N(n)為工頻干擾信號，則X(n)＝S(n)+N(n)定義模板信號為M(n)=1MΣi=1MS(n-k·i)+1MΣi=1MN(n-k·i)]]>k為采樣頻率與工頻之比，取為自然數；由于N(n)為周期信號，若S(n)為零均值信號，要進行處理的脈搏波信號可看成是零均值信號，當M足夠大即M≥100時，有1MΣi=1MS(n-k·i)=0]]>1MΣi=1MN(n-k·i)=N(n)]]>從原始輸入信號中減去模板信號就能達到濾除工頻干擾的目的，即S(n)=X(n)-1MΣi=1MX(n-k·i)...(i=1,2......M)...(1)]]>經過上述程序模塊處理后將數據保存RAM中，微處理器再調用波形優(yōu)選模塊進行處理，該模塊算法實現如下2)多個完整的典型脈搏波形的優(yōu)選，①采用閾值搜索法獲取連續(xù)穩(wěn)定波形i)先把前L秒的脈搏波形平均分成N段，其中，15≤L≤60，2≤N≤10，再用差分法分別搜索出每段中的極小值點，并將N段中的極小值點的幅值與對應的采樣點數，即時間點分別保存在N個二維數組中；ii)在N個數組中比較各自數組中首個幅值與第二個幅值的大小，找出值較小的點，以此點為起點，做隔點差分計算，并把差分值的絕對值與一設定閾值比較，該閾值具體與硬件電路的放大倍數有關，可根據實驗經驗獲得，一般至少小于0.01，找到差分絕對值小于閾值的連續(xù)5個以上的點，其對應原波形中的4個以上連續(xù)穩(wěn)定波形；將從這N個數組中搜索出的符合條件的連續(xù)點的幅值及其對應的采樣時間點分別保存在另外N個數組中；如果有數組中不包含差分絕對值小于閾值的連續(xù)5個以上的點，則繼續(xù)按步驟2)-①-i)中方法搜索接下來L/N秒中的點，直到搜索出N段均含有4個以上穩(wěn)定波形為止；②用時域聚類法剔除在周期上不合格者i)由步驟2)-①-ii)中得到的信息，回到原波形，就得到多于4×N個準周期的樣本波形，對這些準周期樣本進行分類；首先設第一個脈搏波的準周期，稱之為樣本1，為第一聚類中心U1；如果第二個準周期脈搏波即樣本U2與U1的距離小于閾值，則將樣本2歸入第一聚類，U1修正為兩個樣本的平均值，否則設樣本2為第二聚類中心U2；樣本U2與U1的距離采用q＝1時的閔可夫斯基距離，即周期長度之差，閾值可根據實驗經驗具體設定，一般至少小于50ms；如果已經產生U2，再計算樣本U3與U1、U2的距離，如果沒有產生U2，就計算樣本U3與U1的距離，如其中之一小于閾值則可將其歸類，并依照上述方法修正聚類中心；否則設樣本U3為新的聚類中心，如此可將所有樣本分類一次；ii)如果分類后，沒有任何一類包含5個以上的樣本，則將閾值放大一倍，重復步驟2)-②-i重新進行分類，如果閾值放大到大于50ms，仍然沒有任何一類包含5個以上的樣本，則跳到脈搏波形的第二個L秒的信號，按照步驟1)、2)中所述步驟重新開始尋找4×N個以上的穩(wěn)定周期脈搏波并重復上述聚類過程；iii)得到其中至少包含5個以上波形樣本的聚類后，則此類樣本即為所需最優(yōu)波形；將其中包含樣本數最多的一類的聚類中心Umax定為標準脈搏周期，其倒數即為脈率。3)脈搏波形特征的提取得到優(yōu)選波形后，可以只保存下該波形數據在RAM或者外部存儲器中，同時微處理器調用最后一個模塊即特征提取模塊，該程序模塊算法采用如下提升小波算法①提升算法i)使用Donoho小波取其合成尺度函數和分解尺度函數分別有N和M階消失矩，進行提升；ii)其提升格式為分解Sl0=x2l,dl0=x2l+1;]]>預測dl=dl0-(-sl-10+9sl0+9sl+10-sl+20)/16;]]>更新sl=sl0+(-dl+1+9dl+9dl-1-dl-2)/32;]]>其中Sl，dl為分解小波的逼近系數與細節(jié)系數；iii)為將上述提升格式進行分解為只需加法與移位運算，定義下面的運算格式設P，U為兩個位移加法處理單元P(a，b，c，d)＝(-a+b+c-d+b＜＜3+c＜＜3+8)＞＞4U(a，b，c，d)＝(-a+b+c-d+b＜＜3+c＜＜3+16)＞＞5其中，＜＜是左位移符號，＞＞是右位移符號，則Sl＝x2l，dl＝x2l+1；dl＝dl-p(Sl-1，Sl，Sl+1，Sl+2)；Sl＝Sl+(dl-2，dl-1，dl，dl+1)。②對步驟2)中得到的5個以上周期的優(yōu)選波形按照3)-①中所述的提升算法進行提升小波分解，并作如下處理i、對所得脈搏波形做多層小波分解；ii、小波分解的高頻系數的閾值量化，對深層的高頻系數，選擇閾值進行軟閾值量化處理，表達式如下wσ={0,|w|<σsgn(w).(|w|-σ),|w|≥σ]]>式中w是高頻小波系數，sgn是符號函數，σ是一個由經驗所得閾值，一般在0.5到1之間；由此得到多個一維向量A，B，C，D，E，……對這些一維向量對應元素a0，b0，c0，d0，e0，……排序，取中值做為最終的小波系數w′0，同理，依次對a1，b1，c1，d1，e1，……直至an，bn，cn，dn，en，……作相同處理，可得w′1……w′n，如此可得一個小波高頻系數一維向量w′；iii、小波分解的低頻系數的閾值量化，對第1層的低頻系數，選擇閾值進行軟閾值量化處理，處理方法同3)-②-ii，得到另一個一維向量w″；iv、記W＝[w′，w″]，最終獲得脈搏波形的特征向量W。
全文摘要
本發(fā)明涉及信息處理以及醫(yī)學信號處理，特別是一種基于提升小波的脈搏信號處理方法。本方法實現步驟脈搏傳感器攝取人體的脈搏波形，脈搏波形經調理電路、AD轉換器變成數字信號后輸入微處理器，在微處理器中首先進行波形預處理，即采用自適應相干模板法進行濾波。濾波后的脈搏信號采用閾值搜索法獲取連續(xù)穩(wěn)定波形，再用時域聚類法剔除穩(wěn)定波形中在周期上不合格者，得到其中至少包含5個以上波形樣本的最優(yōu)波形。對最優(yōu)波形做多層小波分解，再對小波分解的高頻、低頻系數的閾值量化處理，最終得到脈搏波形的特征向量W。本發(fā)明通過上述處理方法能夠獲得脈搏波形的過零點、極值點、突變點等信息組成的特征向量，為進一步的分析診斷打下良好基礎。
文檔編號G06Q50/00GK1935084SQ20061011329
公開日2007年3月28日 申請日期2006年9月22日 優(yōu)先權日2006年9月22日
發(fā)明者喬俊飛, 劉洪根 申請人:北京工業(yè)大學