信號(hào)過(guò)濾方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種信號(hào)過(guò)濾方法和系統(tǒng)，其中方法包括以下步驟：根據(jù)干擾源產(chǎn)生的第一干擾信號(hào)構(gòu)造第一干擾信號(hào)的輸出向量，將所述輸出向量輸入到自適應(yīng)神經(jīng)模糊推理系統(tǒng)；設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊規(guī)則，計(jì)算所述輸出向量在各個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，根據(jù)所述隸屬度計(jì)算所述第一模糊規(guī)則的激勵(lì)強(qiáng)度；根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的第二模糊規(guī)則，根據(jù)所述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，根據(jù)所述第二干擾信號(hào)對(duì)信號(hào)源產(chǎn)生的有用信號(hào)進(jìn)行過(guò)濾；其中，所述第二干擾信號(hào)是第一干擾信號(hào)經(jīng)傳輸?shù)竭_(dá)有用信號(hào)的信號(hào)源處時(shí)的干擾信號(hào)。
【專利說(shuō)明】
信號(hào)過(guò)濾方法和系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及信號(hào)處理技術(shù)領(lǐng)域，特別是涉及一種信號(hào)過(guò)濾方法和系統(tǒng)。
【背景技術(shù)】
[0002] 信號(hào)在傳輸過(guò)程中，由于種種原因，會(huì)產(chǎn)生干擾信號(hào)。干擾信號(hào)會(huì)對(duì)有用信號(hào)產(chǎn)生 一定影響，嚴(yán)重時(shí)，甚至使信號(hào)無(wú)法解調(diào)。因此，在接收到信號(hào)之后，往往需要對(duì)接收信號(hào)進(jìn) 行過(guò)濾，去除干擾，得到有用信號(hào)。但是，在某些場(chǎng)景下，往往難以徹底將干擾濾除。
[0003] 以心電信號(hào)為例，心電信號(hào)(Electrocardiograph，ECG)包含大量的生理甚至疾病 信息，是臨床診斷心血管疾病的重要工具。病人監(jiān)護(hù)儀及多體征采集設(shè)備實(shí)際采集到的心 電信號(hào)較弱，易被多種干擾成分污染，如工頻干擾，肌電(E1 ectromy〇graphy，EMG)干擾和漂 移干擾等。其中，工頻干擾相對(duì)固定，較易去除，但是容易帶來(lái)ST段抬高等問(wèn)題，影響最終的 判斷；而肌電干擾則因人而異，且成分復(fù)雜，難以去除。通常干擾信號(hào)的幅值較高，而且兩者 的頻域混疊。因此，尋找魯棒性能好，分離效率高的濾波方法對(duì)提取純凈的心電信號(hào)意義重 大。
[0004] 肌電干擾的成分復(fù)雜，主要來(lái)自人體肌肉群的運(yùn)動(dòng)，尤其是手臂、腿和胸腔的肌肉 運(yùn)動(dòng)產(chǎn)生的干擾，如揮手、咀嚼、移動(dòng)、顫動(dòng)和肌肉緊張等動(dòng)作。肌肉運(yùn)動(dòng)的部位不同，對(duì)心 電信號(hào)的影響也不同。目前對(duì)心電信號(hào)中肌電干擾的研究方法包括數(shù)字濾波法，盲源分離 法(獨(dú)立變量分析、典型相關(guān)分析），自適應(yīng)濾波法，自適應(yīng)神經(jīng)模糊系統(tǒng)法。
[0005] 由于ECG的頻段為0~50Hz，EMG的頻段為1~2000Hz，ECG和EMG的頻譜交叉混疊，難 以用常規(guī)的數(shù)字濾波方法將EMG干擾濾除干凈。肌電干擾去除方法濾波的同時(shí)某些有效心 電信號(hào)也會(huì)被去除；且需要人工干預(yù)來(lái)識(shí)別干擾成分，因而具有一定的主觀性而且非常耗 時(shí)。盲源分離法很難將肌電干擾去除干凈，若是去除過(guò)多的肌電分量，則會(huì)導(dǎo)致有用心電信 號(hào)丟失。自適應(yīng)濾波方法需要相應(yīng)的參考導(dǎo)聯(lián)，因而也存在交叉干擾問(wèn)題。自適應(yīng)模糊推 理系統(tǒng)(Adaptive Neuro-Fuzzy Inference System，ANFIS)的濾波效果還有待提高。
[0006] 綜上所述，通過(guò)上述以心電信號(hào)為例所做的分析，可以發(fā)現(xiàn)現(xiàn)有的信號(hào)過(guò)濾技術(shù) 存在交叉干擾問(wèn)題，干擾濾除的效果較差。

【發(fā)明內(nèi)容】

[0007] 基于此，有必要針對(duì)現(xiàn)有技術(shù)干擾濾除的效果較差的問(wèn)題，提供一種信號(hào)過(guò)濾方 法和系統(tǒng)。
[0008] -種信號(hào)過(guò)濾方法，包括以下步驟：
[0009] 根據(jù)干擾源產(chǎn)生的第一干擾信號(hào)構(gòu)造第一干擾信號(hào)的輸出向量，將所述輸出向量 輸入到自適應(yīng)神經(jīng)模糊推理系統(tǒng)；
[0010]設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊規(guī)則，計(jì)算所述輸 出向量在各個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，根據(jù)所述隸屬度計(jì)算所述第一模糊規(guī)則的激勵(lì)強(qiáng)度； [0011]根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的第二模糊規(guī)則，根 據(jù)所述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，根據(jù)所述第二干擾信號(hào)對(duì)信號(hào)源 產(chǎn)生的有用信號(hào)進(jìn)行過(guò)濾;其中，所述第二干擾信號(hào)是第一干擾信號(hào)經(jīng)傳輸?shù)竭_(dá)有用信號(hào) 的信號(hào)源處時(shí)的干擾信號(hào)。
[0012] 一種信號(hào)過(guò)濾系統(tǒng)，包括：
[0013] 輸入模塊，用于根據(jù)干擾源產(chǎn)生的第一干擾信號(hào)構(gòu)造第一干擾信號(hào)的輸出向量， 將所述輸出向量輸入到自適應(yīng)神經(jīng)模糊推理系統(tǒng)；
[0014] 計(jì)算模塊，用于設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊規(guī) 貝1J，計(jì)算所述輸出向量在各個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，根據(jù)所述隸屬度計(jì)算所述第一模糊規(guī) 則的激勵(lì)強(qiáng)度；
[0015] 過(guò)濾模塊，用于根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的第 二模糊規(guī)則，根據(jù)所述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，根據(jù)所述第二干 擾信號(hào)對(duì)信號(hào)源產(chǎn)生的有用信號(hào)進(jìn)行過(guò)濾;其中，所述第二干擾信號(hào)是第一干擾信號(hào)經(jīng)傳 輸?shù)竭_(dá)有用信號(hào)的信號(hào)源處時(shí)的干擾信號(hào)。
[0016] 上述信號(hào)過(guò)濾方法和系統(tǒng)，通過(guò)將干擾信號(hào)的輸出向量輸入到自適應(yīng)神經(jīng)模糊推 理系統(tǒng)，設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊規(guī)則，計(jì)算所述第 一模糊規(guī)則的激勵(lì)強(qiáng)度，根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的第 二模糊規(guī)則，根據(jù)所述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，并根據(jù)所述第二 干擾信號(hào)對(duì)信號(hào)源產(chǎn)生的有用信號(hào)進(jìn)行過(guò)濾，能夠有效獲取干擾信號(hào)，從而能夠從混有干 擾信號(hào)的有用信號(hào)中提取較為純凈的有用信號(hào)。
【附圖說(shuō)明】
[0017] 圖1為本發(fā)明的信號(hào)過(guò)濾方法流程圖；
[0018] 圖2為正常心電信號(hào)示意圖；
[0019] 圖3為混有肌電信號(hào)的心電信號(hào)示意圖；
[0020] 圖4為自適應(yīng)模糊推理系統(tǒng)的結(jié)構(gòu)示意圖；
[0021] 圖5為本發(fā)明的信號(hào)過(guò)濾系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0022] 下面結(jié)合附圖對(duì)本發(fā)明的信號(hào)過(guò)濾方法的實(shí)施例進(jìn)行描述。
[0023] 圖1為本發(fā)明的信號(hào)過(guò)濾方法流程圖。如圖1所示，所述信號(hào)過(guò)濾方法可包括以下 步驟：
[0024] S1，根據(jù)干擾源產(chǎn)生的第一干擾信號(hào)構(gòu)造第一干擾信號(hào)的輸出向量，將所述輸出 向量輸入到自適應(yīng)神經(jīng)模糊推理系統(tǒng)；
[0025] 下面以心電信號(hào)和肌電信號(hào)為例進(jìn)行說(shuō)明。當(dāng)需要從混有肌電信號(hào)的心電信號(hào)中 提取純凈的心電信號(hào)時(shí)，所述第一干擾信號(hào)為肌電信號(hào)；相應(yīng)地，心電信號(hào)為有用信號(hào)。在 實(shí)際情況下，第一干擾信號(hào)和有用信號(hào)也可以是其他信號(hào)。具體的信號(hào)類型將不會(huì)影響本 申請(qǐng)技術(shù)方案的實(shí)施。
[0026]正常心電信號(hào)其最主要特點(diǎn)為，有窄而高的QRS波，QRS波以外的數(shù)據(jù)基本處于一 個(gè)相對(duì)穩(wěn)定的區(qū)域，如圖2所示。混有肌電干擾的心電信號(hào)其特點(diǎn)波形粗糙，不光滑，導(dǎo)致 QRS中蘊(yùn)含的有用信息難以提取，如圖3所示。
[0027]自適應(yīng)模糊推理系統(tǒng)(ANFIS)原理框圖如圖4所示。其中，s(k)為不含有任何干擾 或干擾的理想ECG信號(hào)；q(k)為主輸入源，是混入了EMG等干擾的ECG信號(hào)，即電極直接采集 得到的ECG信號(hào);f為非線性動(dòng)態(tài)函數(shù)，反映了人體從肌電干擾產(chǎn)生到心電電極的路徑;n(k) 為噪聲參考輸入源，即第一干擾信號(hào);d(k)為EMG干擾信號(hào)，即第一干擾信號(hào)經(jīng)傳輸?shù)竭_(dá)有 用信號(hào)的信號(hào)源處時(shí)的第二干擾信號(hào);抽)為d(k)的估計(jì)值，通過(guò)⑷操作，得到理想 ECG信號(hào)s (k)的估計(jì)值
[0028] 可對(duì)干擾源產(chǎn)生的第一干擾信號(hào)進(jìn)行若干次延遲，以每次延遲得到的干擾信號(hào)為 元素，構(gòu)造第一干擾信號(hào)的輸出向量。例如，可將所述第一干擾信號(hào)經(jīng)過(guò)抽頭延遲線D，進(jìn)行 r-l次延遲，得至Ijr維的輸出向量X(k) = [xi(k)，X2(k)，…，xr(k)]T。
[0029] S2，設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊規(guī)則，計(jì)算所 述輸出向量在各個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，根據(jù)所述隸屬度計(jì)算所述第一模糊規(guī)則的激勵(lì)強(qiáng) 度；
[0030] 輸出向量父(1〇 =[幻(1002(10，~，心(10]7進(jìn)入濾波器的第1層，該層的每個(gè)節(jié)點(diǎn) 都相當(dāng)于一個(gè)一維隸屬度函數(shù)，可選取高斯函數(shù)作為隸屬度函數(shù)，具體如下：
⑴
[0031]
[0032] 其中，所述濾波器可以是自適應(yīng)濾波器、切比雪夫?yàn)V波器等。根據(jù)上述隸屬度函數(shù) 可得每個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度為：
? 1 )
[0033] ν ^ 7
[0034] 式中，Of1為所述輸出向量在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，μ^(Χ1)為所述輸出向量 中第1個(gè)元素 XI在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)，r為所述輸出向量的維度，j = l，2,...，η 為隸屬度函數(shù)的編號(hào)，其中，η為隸屬度函數(shù)的個(gè)數(shù)，Clj為所述輸出向量中第1個(gè)元素在第j 個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的中心，A為第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的寬度。在實(shí)際情 況下，也可選取其他函數(shù)作為隸屬度函數(shù)，比如三角函數(shù)，切比雪夫函數(shù)等。經(jīng)過(guò)實(shí)際測(cè)試， 采用高斯函數(shù)作為隸屬度函數(shù)能夠獲得比其他函數(shù)更好的濾波效果，臨床數(shù)據(jù)上表現(xiàn)最 好。
[0035] 可作為第2層的輸入，可根據(jù)所述隸屬度可計(jì)算每條模糊規(guī)則的激勵(lì)強(qiáng)度，當(dāng) 隸屬度函數(shù)為高斯函數(shù)時(shí)，所述激勵(lì)強(qiáng)度可為：
(3)
[0036]
[0037] 式中，Of為第j條模糊規(guī)則的激勵(lì)強(qiáng)度，叫(X1)為所述輸出向量中第1個(gè)元素 χΛ 第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)，r為所述輸出向量的維度，η為隸屬度函數(shù)的個(gè)數(shù)，Clj為所 述輸出向量中第1個(gè)元素在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的中心，A為第j個(gè)神經(jīng)元節(jié)點(diǎn) 的隸屬度函數(shù)的寬度。在實(shí)際情況下，還可采用其他隸屬度函數(shù)，例如，切比雪夫函數(shù)等。
[0038] S3,根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的第二模糊規(guī)則， 根據(jù)所述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，根據(jù)所述第二干擾信號(hào)對(duì)信號(hào) 源產(chǎn)生的有用信號(hào)進(jìn)行過(guò)濾;其中，所述第二干擾信號(hào)是第一干擾信號(hào)經(jīng)傳輸?shù)竭_(dá)有用信 號(hào)的信號(hào)源處時(shí)的干擾信號(hào)。
[0039] 在現(xiàn)有技術(shù)中，一般將〇丨2)作為第3層的輸入，通過(guò)如下公式計(jì)算每一條規(guī)則的比 例系數(shù)，其輸出為第j條規(guī)則的激勵(lì)強(qiáng)度與所有規(guī)則的激勵(lì)強(qiáng)度之和的比值：
(4)
[0040]
[0041] 式中，為第j條模糊規(guī)則的激勵(lì)強(qiáng)度，Cf >和￡?f分別為第i條模糊規(guī)則和第j條 模糊規(guī)則，η為模糊規(guī)則的數(shù)量。
[0042] 最后，在第4層，通過(guò)如下公式對(duì)所有規(guī)則的輸出求和，計(jì)算總輸出y:
[0043]
(5.)
[0044] 為了提高信號(hào)過(guò)濾性能，本步驟通過(guò)自適應(yīng)濾波在線學(xué)習(xí)算法的設(shè)計(jì)，實(shí)現(xiàn)實(shí)時(shí) 快速準(zhǔn)確地自適應(yīng)濾波，用于自適應(yīng)調(diào)節(jié)步驟2所示的自適應(yīng)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)，實(shí)現(xiàn) 濾波器結(jié)構(gòu)的在線調(diào)整和算法的在線學(xué)習(xí)。
[0045] 具體地，可以將各個(gè)模糊規(guī)則的激勵(lì)強(qiáng)度與預(yù)設(shè)的第一閾值進(jìn)行比較，若所有模 糊規(guī)則的激勵(lì)強(qiáng)度均未超過(guò)所述第一閾值，在所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)中構(gòu)建新的 神經(jīng)元節(jié)點(diǎn)。在構(gòu)建新的神經(jīng)元節(jié)點(diǎn)后，可利用最小二乘估計(jì)(Least Squares Estimate， LSE)調(diào)整模糊規(guī)則后件參數(shù)(即公式3所述的(?和(^)。由于新增了神經(jīng)元，更需要精準(zhǔn)的參 數(shù)估計(jì)法來(lái)調(diào)整參數(shù)，LSE算法提高了參數(shù)估計(jì)的精確度。還可自適應(yīng)地刪除神經(jīng)元節(jié)點(diǎn)， 例如，可根據(jù)ERR(Error Reduction Ratio,誤差衰減率)準(zhǔn)則自適應(yīng)地刪除神經(jīng)元節(jié)點(diǎn)，具 體地，可以計(jì)算每個(gè)神經(jīng)元的誤差下降速率和權(quán)重，將所述誤差下降速率與預(yù)設(shè)的第二閾 值進(jìn)行比較，將所述權(quán)重與預(yù)設(shè)的第三閾值進(jìn)行比較，將誤差下降速率超過(guò)所述第二閾值， 或者權(quán)重超過(guò)所述第三閾值的神經(jīng)元?jiǎng)h除。在刪除神經(jīng)元節(jié)點(diǎn)后，可利用遞推最小二乘 (Recursive Least Squares，RLS)調(diào)整模糊規(guī)則后件參數(shù)（即公式3所述的cij和〇j) JLS無(wú) 需儲(chǔ)存所有數(shù)據(jù)，算法計(jì)算量小，實(shí)時(shí)性高。在其他實(shí)施例中，還可根據(jù)其他方式調(diào)整模糊 規(guī)則后件參數(shù)，例如，可采用最速梯度下降算法。
[0046] 其中，所述第一閾值可根據(jù)如下公式設(shè)置：
[0047] Fgen = min[Fmin5_1,Fmin] (6)
[0048] 式中，F(xiàn)gen為所述第一閾值，F(xiàn)_為預(yù)設(shè)的激勵(lì)強(qiáng)度閾值，δε (〇，1)為衰減常數(shù)，i表 示當(dāng)前神經(jīng)元的個(gè)數(shù)。
[0049] 具體地，可計(jì)算所述第二干擾信號(hào)與所述有用信號(hào)的相關(guān)系數(shù)，根據(jù)所述相關(guān)系 數(shù)校驗(yàn)信號(hào)過(guò)濾的程度系數(shù);其中，所述程度系數(shù)用于表征信號(hào)過(guò)濾的程度。該相關(guān)系數(shù)體 現(xiàn)了濾波前后ECG信號(hào)與肌電的相關(guān)性程度，從而可定量分析肌電干擾濾波程度。在一個(gè)實(shí) 施例中，可根據(jù)如下公式計(jì)算所述第二干擾信號(hào)與濾波前的有用信號(hào)或?yàn)V波后的有用信號(hào) 的相關(guān)系數(shù)： (7)
[0050]
[0051] 式中，pxy為所述相關(guān)系數(shù)，η為樣本數(shù)，Xn(t)為所述第二干擾信號(hào)，yn(t)為濾除第 二干擾信號(hào)前的有用信號(hào)或?yàn)V除第二干擾后的有用信號(hào)。
[0052]為了驗(yàn)證本發(fā)明所設(shè)計(jì)自適應(yīng)濾波算法的性能，將濾波前后肌電干擾和ECG信號(hào) 的相關(guān)性做了比較，結(jié)果如下表：
[0053] 表1 ECG信號(hào)和EMG干擾的相關(guān)性
[0054]
[0055]
[0056] 經(jīng)上述濾波器濾波得到的較為的純凈心電信號(hào)，一方面可在包含心電模塊的多體 征設(shè)備、監(jiān)護(hù)儀設(shè)備上顯示出來(lái)，作為個(gè)人或者醫(yī)生檢測(cè)、診斷的基礎(chǔ);另一方面，為接下來(lái) 的心率計(jì)算、心律失常分析提供準(zhǔn)確可靠的數(shù)據(jù)基礎(chǔ)。
[0057]跟現(xiàn)有的方法相比，本發(fā)明具有以下優(yōu)點(diǎn)：
[0058] (1)在線自適應(yīng)調(diào)整濾波器網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)崟r(shí)快速響應(yīng)變化，并針對(duì)變化做出相 應(yīng)的應(yīng)對(duì)。
[0059] (2)相對(duì)于固定網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的濾波器，能夠針對(duì)每一時(shí)刻的信息做出相應(yīng)的 濾波，能夠最大程度地保留有效信息，濾除干擾，保證了濾波后數(shù)據(jù)的可靠性和準(zhǔn)確性。
[0060] (3)在線學(xué)習(xí)算法更適用于實(shí)際需要，更能夠滿足工程應(yīng)用的要求。
[0061] (4)提供了對(duì)信號(hào)過(guò)濾效果定量的評(píng)價(jià)標(biāo)準(zhǔn)。
[0062] 上述心電信號(hào)與肌電信號(hào)只是本發(fā)明的一個(gè)實(shí)施例，本發(fā)明的信號(hào)過(guò)濾方法并不 限于上述將心電信號(hào)從肌電信號(hào)中過(guò)濾出來(lái)的實(shí)施例，特此說(shuō)明。
[0063] 下面結(jié)合附圖對(duì)本發(fā)明的信號(hào)過(guò)濾系統(tǒng)的實(shí)施例進(jìn)行描述。
[0064] 圖5為本發(fā)明的信號(hào)過(guò)濾系統(tǒng)的結(jié)構(gòu)示意圖。如圖5所示，所述信號(hào)過(guò)濾系統(tǒng)可包 括：
[0065] 輸入模塊10,用于根據(jù)干擾源產(chǎn)生的第一干擾信號(hào)構(gòu)造第一干擾信號(hào)的輸出向 量，將所述輸出向量輸入到自適應(yīng)神經(jīng)模糊推理系統(tǒng)；
[0066] 下面以心電信號(hào)和肌電信號(hào)為例進(jìn)行說(shuō)明。當(dāng)需要從混有肌電信號(hào)的心電信號(hào)中 提取純凈的心電信號(hào)時(shí)，所述第一干擾信號(hào)為肌電信號(hào)；相應(yīng)地，心電信號(hào)為有用信號(hào)。在 實(shí)際情況下，第一干擾信號(hào)和有用信號(hào)也可以是其他信號(hào)。具體的信號(hào)類型將不會(huì)影響本 申請(qǐng)技術(shù)方案的實(shí)施。
[0067]正常心電信號(hào)如圖2所示，其最主要特點(diǎn)為，有窄而高的QRS波，QRS波以外的數(shù)據(jù) 基本處于一個(gè)相對(duì)穩(wěn)定的區(qū)域。混有肌電干擾的心電信號(hào)如圖3所示，其特點(diǎn)波形粗糙，不 光滑，導(dǎo)致QRS中蘊(yùn)含的有用信息難以提取。
[0068]自適應(yīng)模糊推理系統(tǒng)(ANFIS)原理框圖如圖4所示。其中，s(k)為不含有任何干擾 或干擾的理想ECG信號(hào)；q(k)為主輸入源，是混入了EMG等干擾的ECG信號(hào)，即電極直接采集 得到的ECG信號(hào);f為非線性動(dòng)態(tài)函數(shù)，反映了人體從肌電干擾產(chǎn)生到心電電極的路徑;n(k) 為噪聲參考輸入源，即第一干擾信號(hào);d(k)為EMG干擾信號(hào)，即第一干擾信號(hào)經(jīng)傳輸?shù)竭_(dá)有 用信號(hào)的信號(hào)源處時(shí)的第二干擾信號(hào);義幻為d(k)的估計(jì)值，通過(guò)g(kW(幻操作，得到理想 ECG信號(hào)s(k)的估計(jì)值v(/:)。
[0069] 可對(duì)干擾源產(chǎn)生的第一干擾信號(hào)進(jìn)行若干次延遲，以每次延遲得到的干擾信號(hào)為 元素，構(gòu)造第一干擾信號(hào)的輸出向量。例如，可將所述第一干擾信號(hào)經(jīng)過(guò)抽頭延遲線D，進(jìn)行 r-l次延遲，得至Ijr維的輸出向量X(k) = [xi(k)，X2(k)，…，xr(k)]T。
[0070] 計(jì)算模塊20,用于設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊 規(guī)則，計(jì)算所述輸出向量在各個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，根據(jù)所述隸屬度計(jì)算所述第一模糊 規(guī)則的激勵(lì)強(qiáng)度；
[0071] 輸出向量父(1〇 = [^(1002(10，一，&(10]7進(jìn)入濾波器的第1層，該層的每個(gè)節(jié)點(diǎn) 都相當(dāng)于一個(gè)一維隸屬度函數(shù)，可選取高斯函數(shù)作為隸屬度函數(shù)，具體如下：
「1 ⑴
[0072]
[0073] 其中，所述濾波器可以是自適應(yīng)濾波器等。根據(jù)上述隸屬度函數(shù)可得每個(gè)神經(jīng)元 節(jié)點(diǎn)的隸屬度為：
(2 )
[0074] 1=1
[0075] 式中，〇廣為所述輸出向量在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，叫（X1)為所述輸出向量 中第1個(gè)元素 XI在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)，r為所述輸出向量的維度，j = l，2,...，n 為隸屬度函數(shù)的編號(hào)，其中，η為隸屬度函數(shù)的個(gè)數(shù)，Clj為所述輸出向量中第1個(gè)元素在第j 個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的中心，A為第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的寬度。在實(shí)際情 況下，也可選取其他函數(shù)作為隸屬度函數(shù)，比如三角函數(shù)，切比雪夫函數(shù)等。經(jīng)過(guò)實(shí)際測(cè)試， 采用高斯函數(shù)作為隸屬度函數(shù)能夠獲得比其他函數(shù)更好的濾波效果，臨床數(shù)據(jù)上表現(xiàn)最 好。
[0076] ef可作為第2層的輸入，可根據(jù)所述隸屬度可計(jì)算每條模糊規(guī)則的激勵(lì)強(qiáng)度，當(dāng) 隸屬度函數(shù)為高斯函數(shù)時(shí)，所述激勵(lì)強(qiáng)度可為：
π )
[0077]
[0078] 式中，f為第j條模糊規(guī)則的激勵(lì)強(qiáng)度，叫(X1)為所述輸出向量中第1個(gè)元素 χΛ 第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)，r為所述輸出向量的維度，η為隸屬度函數(shù)的個(gè)數(shù)，Clj為所 述輸出向量中第1個(gè)元素在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的中心，A為第j個(gè)神經(jīng)元節(jié)點(diǎn) 的隸屬度函數(shù)的寬度。在實(shí)際情況下，可采用其他隸屬度函數(shù)，例如，切比雪夫函數(shù)等，采用 何種隸屬度函數(shù)并不會(huì)影響本申請(qǐng)后續(xù)步驟的實(shí)施。
[0079] 過(guò)濾模塊30,用于根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的 第二模糊規(guī)則，根據(jù)所述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，根據(jù)所述第二 干擾信號(hào)對(duì)信號(hào)源產(chǎn)生的有用信號(hào)進(jìn)行過(guò)濾;其中，所述第二干擾信號(hào)是第一干擾信號(hào)經(jīng) 傳輸?shù)竭_(dá)有用信號(hào)的信號(hào)源處時(shí)的干擾信號(hào)。
[0080] 在現(xiàn)有技術(shù)中，一般將〇)2)作為第3層的輸入，通過(guò)如下公式計(jì)算每一條規(guī)則的比 例系數(shù)，其輸出為第j條規(guī)則的激勵(lì)強(qiáng)度與所有規(guī)則的激勵(lì)強(qiáng)度之和的比值：
(4)
[0081]
[0082] 式中，為第j條模糊規(guī)則的激勵(lì)強(qiáng)度，和Cf分別為第i條模糊規(guī)則和第j條 模糊規(guī)則，η為模糊規(guī)則的數(shù)量。
[0083] 最后，在第4層，通過(guò)如下公式對(duì)所有規(guī)則的輸出求和，計(jì)算總輸出y:
[0084]
( 5 )
[0085] 為了提高信號(hào)過(guò)濾性能，過(guò)濾模塊30通過(guò)自適應(yīng)濾波在線學(xué)習(xí)算法的設(shè)計(jì)，實(shí)現(xiàn) 實(shí)時(shí)快速準(zhǔn)確地自適應(yīng)濾波。在線學(xué)習(xí)算法流程圖如圖5所示，用于自適應(yīng)調(diào)節(jié)計(jì)算模塊20 所示的自適應(yīng)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)，實(shí)現(xiàn)濾波器結(jié)構(gòu)的在線調(diào)整和算法的在線學(xué)習(xí)。
[0086] 具體地，可以將各個(gè)模糊規(guī)則的激勵(lì)強(qiáng)度與預(yù)設(shè)的第一閾值進(jìn)行比較，若所有模 糊規(guī)則的激勵(lì)強(qiáng)度均未超過(guò)所述第一閾值，在所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)中構(gòu)建新的 神經(jīng)元節(jié)點(diǎn)。在構(gòu)建新的神經(jīng)元節(jié)點(diǎn)后，可利用最小二乘估計(jì)(Least Squares Estimate， LSE)調(diào)整模糊規(guī)則后件參數(shù)（即公式3所述的(^和^)。還可自適應(yīng)地刪除神經(jīng)元節(jié)點(diǎn)，例 如，可根據(jù)ERR準(zhǔn)則自適應(yīng)地刪除神經(jīng)元節(jié)點(diǎn)，具體地，可以計(jì)算每個(gè)神經(jīng)元的誤差下降速 率和權(quán)重，將所述誤差下降速率與預(yù)設(shè)的第二閾值進(jìn)行比較，將所述權(quán)重與預(yù)設(shè)的第三閾 值進(jìn)行比較，將誤差下降速率超過(guò)所述第二閾值，或者權(quán)重超過(guò)所述第三閾值的神經(jīng)元?jiǎng)h 除。在刪除神經(jīng)元節(jié)點(diǎn)后，可利用遞推最小二乘(Recursive Least Squares，RLS)調(diào)整模糊 規(guī)則后件參數(shù)(即公式3所述的(?和^)。在其他實(shí)施例中，還可根據(jù)其他方式調(diào)整模糊規(guī)則 后件參數(shù)，例如，可采用最速梯度下降算法。
[0087] 其中，所述第一閾值可根據(jù)如下公式設(shè)置：
[0088] Fgen = min[Fmin5_1,Fmin] (6)
[0089] 式中，F(xiàn)gen為所述第一閾值，F(xiàn)min為預(yù)設(shè)的激勵(lì)強(qiáng)度閾值，δε(〇，1)為衰減常數(shù)，i表 示當(dāng)前神經(jīng)元的個(gè)數(shù)。
[0090] 具體地，可計(jì)算所述第二干擾信號(hào)與所述有用信號(hào)的相關(guān)系數(shù)，根據(jù)所述相關(guān)系 數(shù)校驗(yàn)信號(hào)過(guò)濾的程度系數(shù);其中，所述程度系數(shù)用于表征信號(hào)過(guò)濾的程度。該相關(guān)系數(shù)體 現(xiàn)了濾波前后ECG信號(hào)與肌電的相關(guān)性程度，從而可定量分析肌電干擾濾波程度。在一個(gè)實(shí) 施例中，可根據(jù)如下公式計(jì)算所述第二干擾信號(hào)與所述有用信號(hào)的相關(guān)系數(shù)：
(7)
[0091]
[0092] 式中，pxy為所述相關(guān)系數(shù)，η為樣本數(shù)，Xn(t)為所述第二干擾信號(hào)，yn(t)為濾除第 二干擾信號(hào)前的有用信號(hào)或?yàn)V除第二干擾后的有用信號(hào)。
[0093]為了驗(yàn)證本發(fā)明所設(shè)計(jì)自適應(yīng)濾波算法的性能，將濾波前后肌電干擾和ECG信號(hào) 的相關(guān)性做了比較，結(jié)果如下表：
[0094] 表1 ECG信號(hào)和EMG干擾的相關(guān)性
[0095]
[0096] 經(jīng)上述濾波器濾波得到的較為的純凈心電信號(hào)，一方面可在包含心電模塊的多 體征設(shè)備、監(jiān)護(hù)儀設(shè)備上顯示出來(lái)，作為個(gè)人或者醫(yī)生檢測(cè)、診斷的基礎(chǔ);另一方面，為接下 來(lái)的心率計(jì)算、心律失常分析提供準(zhǔn)確可靠的數(shù)據(jù)基礎(chǔ)。
[0097] 跟現(xiàn)有的方法相比，本發(fā)明具有以下優(yōu)點(diǎn)：
[0098] (1)在線自適應(yīng)調(diào)整濾波器網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)崟r(shí)快速響應(yīng)變化，并針對(duì)變化做出相 應(yīng)的應(yīng)對(duì)。
[0099] (2)相對(duì)于固定網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的濾波器，能夠針對(duì)每一時(shí)刻的信息做出相應(yīng)的 濾波，能夠最大程度地保留有效信息，濾除干擾，保證了濾波后數(shù)據(jù)的可靠性和準(zhǔn)確性。 [0100] (3)在線學(xué)習(xí)算法更適用于實(shí)際需要，更能夠滿足工程應(yīng)用的要求。
[0101] (4)提供了對(duì)信號(hào)過(guò)濾效果定量的評(píng)價(jià)標(biāo)準(zhǔn)。
[0102]上述心電信號(hào)與肌電信號(hào)只是本發(fā)明的一個(gè)實(shí)施例，本發(fā)明的信號(hào)過(guò)濾系統(tǒng)并不 限于上述將心電信號(hào)從肌電信號(hào)中過(guò)濾出來(lái)的實(shí)施例，特此說(shuō)明。
[0103] 本發(fā)明的信號(hào)過(guò)濾系統(tǒng)與本發(fā)明的信號(hào)過(guò)濾方法一一對(duì)應(yīng)，在上述信號(hào)過(guò)濾方法 的實(shí)施例闡述的技術(shù)特征及其有益效果均適用于信號(hào)過(guò)濾系統(tǒng)的實(shí)施例中，特此聲明。
[0104] 以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡(jiǎn)潔，未對(duì)上述實(shí) 施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存 在矛盾，都應(yīng)當(dāng)認(rèn)為是本說(shuō)明書記載的范圍。
[0105] 以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并 不能因此而理解為對(duì)發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái) 說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù) 范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種信號(hào)過(guò)濾方法，其特征在于，包括以下步驟： 根據(jù)干擾源產(chǎn)生的第一干擾信號(hào)構(gòu)造第一干擾信號(hào)的輸出向量，將所述輸出向量輸入 到自適應(yīng)神經(jīng)模糊推理系統(tǒng)； 設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊規(guī)則，計(jì)算所述輸出向 量在各個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，根據(jù)所述隸屬度計(jì)算所述第一模糊規(guī)則的激勵(lì)強(qiáng)度； 根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的第二模糊規(guī)則，根據(jù)所 述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，根據(jù)所述第二干擾信號(hào)對(duì)信號(hào)源產(chǎn)生 的有用信號(hào)進(jìn)行過(guò)濾;其中，所述第二干擾信號(hào)是第一干擾信號(hào)經(jīng)傳輸?shù)竭_(dá)有用信號(hào)的信 號(hào)源處時(shí)的干擾信號(hào)。2. 根據(jù)權(quán)利要求1所述的信號(hào)過(guò)濾方法，其特征在于，根據(jù)干擾源產(chǎn)生的第一干擾信號(hào) 構(gòu)造第一干擾信號(hào)的輸出向量的步驟包括： 對(duì)干擾源產(chǎn)生的第一干擾信號(hào)進(jìn)行若干次延遲； 以每次延遲得到的干擾信號(hào)為元素，構(gòu)造第一干擾信號(hào)的輸出向量。3. 根據(jù)權(quán)利要求1所述的信號(hào)過(guò)濾方法，其特征在于，計(jì)算所述輸出向量在自適應(yīng)神經(jīng) 模糊推理系統(tǒng)第一層的每個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度的步驟包括： 根據(jù)如下公式計(jì)算所述隸屬度：式中，為所述輸出向量在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，μυ(χι)為所述輸出向量中第1 個(gè)元素 Xi在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)，1 = 1，2,...，r為所述輸出向量的維度，j = l， 2,...，n為隸屬度函數(shù)的個(gè)數(shù)，Clj為所述輸出向量中第1個(gè)元素在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬 度函數(shù)的中心，(^為第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的寬度。4. 根據(jù)權(quán)利要求3所述的信號(hào)過(guò)濾方法，其特征在于，所述激勵(lì)強(qiáng)度為：式中，Of為第j條模糊規(guī)則的激勵(lì)強(qiáng)度，μυ(χι)為所述輸出向量中第1個(gè)元素 Xi在第j個(gè) 神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)，r為所述輸出向量的維度，η為隸屬度函數(shù)的個(gè)數(shù)，(?為所述輸出 向量中第1個(gè)元素在第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度函數(shù)的中心，^為第j個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬 度函數(shù)的寬度。5. 根據(jù)權(quán)利要求1所述的信號(hào)過(guò)濾方法，其特征在于，根據(jù)所述激勵(lì)強(qiáng)度調(diào)整所述自適 應(yīng)神經(jīng)模糊推理系統(tǒng)的神經(jīng)元節(jié)點(diǎn)的數(shù)量的步驟包括： 將各個(gè)模糊規(guī)則的激勵(lì)強(qiáng)度與預(yù)設(shè)的第一閾值進(jìn)行比較； 若所有模糊規(guī)則的激勵(lì)強(qiáng)度均未超過(guò)所述第一閾值，在所述自適應(yīng)神經(jīng)模糊推理系統(tǒng) 中構(gòu)建新的神經(jīng)元節(jié)點(diǎn)。6. 根據(jù)權(quán)利要求5所述的信號(hào)過(guò)濾方法，其特征在于，在將各個(gè)模糊規(guī)則的激勵(lì)強(qiáng)度與 預(yù)設(shè)的第一閾值進(jìn)行比較之前，還包括以下步驟： 根據(jù)如下公式設(shè)置第一閾值： Fgen = min[Fmin5_1,Fmin]； 式中，F(xiàn)ge3n為所述第一閾值，F(xiàn)_為預(yù)設(shè)的激勵(lì)強(qiáng)度閾值，δε (〇，1)為衰減常數(shù)，i表示當(dāng) 前神經(jīng)元的個(gè)數(shù)。7. 根據(jù)權(quán)利要求1所述的信號(hào)過(guò)濾方法，其特征在于，根據(jù)所述激勵(lì)強(qiáng)度調(diào)整所述自適 應(yīng)神經(jīng)模糊推理系統(tǒng)的神經(jīng)元節(jié)點(diǎn)的數(shù)量的步驟還包括： 計(jì)算每個(gè)神經(jīng)元的誤差下降速率和權(quán)重； 將所述誤差下降速率與預(yù)設(shè)的第二閾值進(jìn)行比較，將所述權(quán)重與預(yù)設(shè)的第三閾值進(jìn)行 比較； 將誤差下降速率超過(guò)所述第二閾值，或者權(quán)重超過(guò)所述第三閾值的神經(jīng)元?jiǎng)h除。8. 根據(jù)權(quán)利要求1所述的信號(hào)過(guò)濾方法，其特征在于，還包括以下步驟： 計(jì)算所述第二干擾信號(hào)與所述有用信號(hào)的相關(guān)系數(shù)； 根據(jù)所述相關(guān)系數(shù)校驗(yàn)信號(hào)過(guò)濾的程度系數(shù);其中，所述程度系數(shù)用于表征信號(hào)過(guò)濾 的程度。9. 根據(jù)權(quán)利要求8所述的信號(hào)過(guò)濾方法，其特征在于，計(jì)算所述第二干擾信號(hào)與所述有 用信號(hào)的相關(guān)系數(shù)的步驟包括： 根據(jù)如下公式計(jì)算所述第二干擾信號(hào)與所述有用信號(hào)的相關(guān)系數(shù)：式中，Pxy為所述相關(guān)系數(shù)，η為樣本數(shù)，Xn(t)為所述第二干擾信號(hào)，yn(t)為濾除第二干 擾信號(hào)前的有用信號(hào)或?yàn)V除第二干擾后的有用信號(hào)。10. -種信號(hào)過(guò)濾系統(tǒng)，其特征在于，包括： 輸入模塊，用于根據(jù)干擾源產(chǎn)生的第一干擾信號(hào)構(gòu)造第一干擾信號(hào)的輸出向量，將所 述輸出向量輸入到自適應(yīng)神經(jīng)模糊推理系統(tǒng)； 計(jì)算模塊，用于設(shè)置所述自適應(yīng)神經(jīng)模糊推理系統(tǒng)各個(gè)神經(jīng)元節(jié)點(diǎn)的第一模糊規(guī)則， 計(jì)算所述輸出向量在各個(gè)神經(jīng)元節(jié)點(diǎn)的隸屬度，根據(jù)所述隸屬度計(jì)算所述第一模糊規(guī)則的 激勵(lì)強(qiáng)度； 過(guò)濾模塊，用于根據(jù)所述激勵(lì)強(qiáng)度設(shè)置神經(jīng)元節(jié)點(diǎn)的數(shù)量，設(shè)置神經(jīng)元節(jié)點(diǎn)的第二模 糊規(guī)則，根據(jù)所述輸出向量與所述第二模糊規(guī)則確定第二干擾信號(hào)，根據(jù)所述第二干擾信 號(hào)對(duì)信號(hào)源產(chǎn)生的有用信號(hào)進(jìn)行過(guò)濾;其中，所述第二干擾信號(hào)是第一干擾信號(hào)經(jīng)傳輸?shù)?達(dá)有用信號(hào)的信號(hào)源處時(shí)的干擾信號(hào)。
【文檔編號(hào)】H04L25/03GK105933256SQ201610251597
【公開(kāi)日】2016年9月7日
【申請(qǐng)日】2016年4月20日
【發(fā)明人】胡靜, 鄭曉波, 趙巍
【申請(qǐng)人】廣州視源電子科技股份有限公司