一种同时消除脉搏波信号中呼吸基线漂移和高频噪声的方法

目的：基于光电容积脉搏波可以实现血氧饱和度等人体生理参数的无创检测。基于光电容积脉搏波测量时,由于信号采集过程中存在人体呼吸和仪器本身热噪声等干扰,脉搏波信号中存在着呼吸基线漂移和高频噪声,影响最终的人体生理参数测量精度。方法：因此提出一种在经验模式分解的过程中结合小波变换的方法,来同时消除呼吸基线漂移和高频噪声的影响。首先通过经验模态分解将脉搏波信号分解为若干内在模式分量,并分别判断出含有呼吸基线漂移和代表高频噪声的分量,对于代表高频噪声的分量采用类似小波变换的方法进行滤波,利用小波变换将含有呼吸基线漂移的分量分解,将代表呼吸基线漂移的小波细节置零,信号重构后就达到了同时消除呼吸基线和高频噪声的目的。利用自行研制的测量装置采集的脉搏波信号进行实验验证,并采用信号交直流比R和信号的频谱进行效果评价。结果：有效地同时消除了呼吸基线漂移和高频噪声。结论：该方法将有利于血氧饱和度等人体生理参数无创检测精度的提高。     

基于平滑先验法去除脉搏波基线漂移

脉搏波信号中含有丰富的人体生理病理信息,然而基于光电容积描记法采集到的脉搏波基线漂移非常严重,直接影响到人体生理参数的准确提取。针对目前生物信号处理领域中去除基线漂移所用的方法计算复杂,处理信号时间过长,无法满足对脉搏波进行实时处理等问题,首次提出基于正则化最小二乘法的平滑先验法去除脉搏波的基线漂移。该方法通过分析不同正则化参数下平滑先验法的截止频率,结合脉搏波信号中基线漂移信号的频率范围,选取合适的正则化参数,实现脉搏波基线漂移的去除。实验结果表明,与小波变换法、经验模态分解法相比,该方法去除脉搏波基线漂移效果明显,提高了计算速度,同时也提高了信噪比,有利于下一步对脉搏波特征点的精确提取。     

基于小波分解的颈动脉波特征提取算法

目的:利用小波变换的时频局域化性质,检测出存在于颈动脉波信号(CAP)中的奇异点和奇异角,并且精确检测奇异角出现的位置。方法:小波变换具有多分辨率等特点,能够通过放大信号的任意细节部分进行时域分析。采用离散小波变换法结合db1小波能够检出脉搏信号中的奇异U角。利用计算CAP时域特征点的小波变换极大值坐标来精确定位脉搏时域特征点,通过检测脉搏的特征参数以及脉搏的突变特征参数,可以客观判定人体脉搏变化规律。结果:CAP信号WT分解很好地抑制了各种病理性、基线漂移等干扰,为进一步进行特征提取创造了条件,基于第一细节信号d1的特征点定位几乎不受各种病理性、基线漂移等干扰的影响,定位比其他传统处理技术更为准确。结论:本文提出了基于小波分解的颈动脉波特征点提取算法,取得高达100%的检测率。在含有大量噪声和伪差的脉搏信号中,仍具有较高正确检出率和良好的抗噪性。根据计算得到CAP信号时域特征点的小波变换极大值的坐标,再利用极大值表征准确测定脉象时域特征点的坐标,能够克服脉搏时域特征点定位不准的问题。     

基于小波阈值法的脉搏波去噪算法

目的消除可穿戴式脉搏波监测设备在连续测量中由于运动造成的运动伪差,保证设备准确性和稳定性。方法通过选取合适的小波基、小波最大分解层数、阈值函数和阈值方法,对脉搏波信号进行小波阈值处理,提出了一种基于小波阈值法去除脉搏波噪声的算法。并针对在脉搏波信号采集过程中出现的基线漂移、工频干扰和运动伪差,与加窗傅里叶变换去噪后的结果进行对比。结果在信噪比、均方差和平滑度等关键指标上,小波阈值法的效果更优。利用db9小波基对脉搏波信号进行6层小波分解,设置启发式阈值所得到的处理效果最好。结论该算法能够有效抑制工频干扰和运动干扰,使信噪比提高22 dB,均方差接近于0,且平滑度降为原来的11%,实现脉搏波信号采集中干扰的有效去除。     

基于小波变换的心电信号基线矫正方法

本文介绍一种基于小波变换的心电信号基线漂移去除方法。该方法利用小波变换多分辨分析的特性,将含噪声及基线漂移心电信号进行多尺度分解,结果表明,某尺度下的分解信号较好地反映了心电信号基线漂移,在重构过程中可直接将其去除。     

一种脉搏波和心电信号时域基线漂移消除方法

目的:脉搏波和心电信号都是临床诊断的重要依据,但是基线漂移的存在影响了诊断的准确性,因此信号处理中首先要对信号去除基线漂移。方法:检测脉搏波和心电信号的时域特征点,将检测得到的特征点作为插值节点做插值得到时域的基线信号,原信号减去基线信号即得去除基线漂移的信号。为比较不同算法的差异,实验分别采用高斯滤波、中值滤波、形态学滤波和本文算法(插值拟合法)对同一信号进行基线漂移消除实验。结果:实验表明高斯滤波的结果最差,中值滤波和形态学滤波都能有效地去除基线漂移,但是失真却比较严重,而插值拟合法不仅能有效的去除基线漂移,同时也最大程度地保留了原信号的成分。结论:插值拟合法与其他3种方法相比,具有更好的鲁棒性和适应性,对于消除基线漂移有着良好的效果。     

一种基于数学形态学的脉搏波信号预处理方法研究

针对脉搏波信号处理的难点,提出了一种基于数学形态学的脉搏波信号预处理方法,并分析了脉搏波信号特征及数学形态原理.据此设计了基于脉搏波信号特征的非线性形态学滤波器,用于脉搏波信号预处理.通过实验验证,此预处理方法在高频噪声去除和基线漂移抑制方面获得了满意的效果.相比其他滤波器,形态学滤波器抑制能力很强,且原理简单,计算量小,十分适合在微处理器中应用.     

利用三次样条差值法抑制脉搏波基线漂移

目的脉搏波检测过程中,必须克服由于呼吸运动和身体移位会导致脉搏信号的基线漂移。本文提出一种基于三次样条差值的脉搏波基线漂移抑制方法。方法选择脉搏波的各个起始点为给定点,根据各个给定点的数值利用三次样条插值拟合出基线。然后用脉搏波在各个采样时间点上的采样值减去对应时间点上的基线函数数值,得到去基线的脉搏波波形。结果通过实际测量实验表明,脉搏波去基线后,基线比较平稳,波形比较稳定。结论三次样条差值法能有效抑制脉搏波的基线漂移,并且能够很好地应用在脉搏波实时检测中。     

一种基于提升小波和中值滤波的心电去噪方法

小波变换在心电去噪中有非常好的效果,但传统的小波变换计算量大,不利于实时处理和嵌入式系统的实现,提升小波是一种快速有效的小波变换的实现方法,本文提出了一种运用提升小波和中值滤波去除心电信号工频干扰、肌电干扰和基线漂移三种噪声的方法。该方法运用提升小波对含噪声的心电信号做三层分解,并根据小波基的特性在不同层次采用不同的小波基,去除心电信号的工频干扰和肌电干扰;对第三层分解后得到的数据做中值滤波,去除心电信号的基线漂移。将以上方法与传统的小波方法相比,去噪结果表明两者去噪效果相当,但提升方法运算速度有很大的提升。结果证实将提升小波与中值滤波方法结合可以有效地去除心电信号的工频干扰、肌电干扰和基线漂移,而且可以较大地提高运算速度,便于进行实时处理和嵌入式系统的实现。     

脉搏波信号特征点识别与预处理方法研究

脉搏波信号特征包含人体心血管的生理病理信息,准确识别其特征点对分析人体心血管的健康状况有重要意义。脉搏波特征点因人而异,且易受干扰,因而获取高信噪比的完整信号是准确识别特征点的前提。本文基于数学形态学,设计了一种组合滤波器对信号作预处理,可有效抑制基线漂移并去除高频噪声。利用特征点与小波变换过零点的位置对应关系,识别预处理后信号的特征点,并提出用微分法来校正特征点的位置偏移。采用三个参数可调的高斯函数重构出四种典型的脉搏波进行对照实验,证明了本文方法识别脉搏波特征点的准确性。     

Baseline wander correction in pulse waveforms using wavelet-based cascaded adaptive filter

Pulse diagnosis is a convenient, inexpensive, painless, and non-invasive diagnosis method. Quantifying pulse diagnosis is to acquire and record pulse waveforms by a set of sensor firstly, and then analyze these pulse waveforms. However, respiration and artifact motion during pulse waveform acquisition can introduce baseline wander. It is necessary, therefore, to remove the pulse waveform's baseline wander in order to perform accurate pulse waveform analysis. This paper presents a wavelet-based cascaded adaptive filter (CAF) to remove the baseline wander of pulse waveform. To evaluate the level of baseline wander, we introduce a criterion: energy ratio (ER) of pulse waveform to its baseline wander. If the ER is more than a given threshold, the baseline wander can be removed only by cubic spline estimation; otherwise it must be filtered by, in sequence, discrete Meyer wavelet filter and the cubic spline estimation. Compared with traditional methods such as cubic spline estimation, morphology filter and Linear-phase finite impulse response (FIR) least-squares-error digital filter, the experimental results on 50 simulated and 500 real pulse signals demonstrate the power of CAF filter both in removing baseline wander and in preserving the diagnostic information of pulse waveforms. This CAF filter also can be used to remove the baseline wander of other physiological signals, such as ECG and so on.     

Application of a wavelet adaptive filter to minimise distortion of the ST-segment

A wavelet adaptive filter (WAF) for the removal of baseline wandering in ECG signals is described. The WAF consists of two parts. The first part is a wavelet transform that decomposes the ECG signal into seven frequency bands using Vaidyanathan-Hoang wavelets. The second part is an adaptive filter that uses the signal of the seventh lowest-frequency band among the wavelet transformed signals as primary input and a constant as reference input. To evaluate the performance of the WAF, two baseline wandering elimination filters are used, a commercial standard filter with a cutoff frequency of 0.5 Hz and a general adaptive filter. The MIT/BIH database and the European ST-T database are used for the evaluation. The WAF performs better in the average power of eliminated noise than the standard filter and adaptive filter. Furthermore, it shows a lower ST-segment distortion than the standard filter and the adaptive filter.     

自适应算法与小波变换在心电信号滤波中的应用

心电信号是一种基本的人体生理信号,具有重要的临床诊断价值。然而,体表检测人体心电信号中常带有工频干扰、基线漂移、肌电干扰等各种噪声,给临床对心血管疾病的诊断带来了障碍。为了消除心电信号检测过程中带有的上述三种噪声,采用LM S自适应算法及小波变换理论,有针对性的设计了自适应滤波器、小波变换滤波器和自适应信号分离器等三种数字滤波器来滤除相应干扰。结果表明,对心电信号中存在的这三种噪声具有很好的滤波效果。     

基于多分辨分析与连续小波变换提取和分析兔体感诱发电位

研究单次提取兔体感诱发电位,并定位和分析诱发电位波形成分。麻醉兔,以0.5Hz频率电脉冲刺激兔下肢隐神经,3764Hz采样率收集兔头皮电位。采用一维多分辨分析提取兔体感诱发电位,并用连续小波变换定位和分析诱发电位波形成分。单次诱发电位的小波变换与叠加平均诱发电位比较,表明Daubechies小波多分辨分析可以单次提取诱发电位。连续小波变换能够精确定位诱发电位中波形成分,并可采用连续小波变换分析诱发成分的频域特性。连续小波变换技术把一维时域信号投影到二维时频空间研究将成为医学信号处理的一个有用方法。     

脉搏波自动采集系统关键技术的研究

目前的脉搏波波形采集分析系统需要人为干预,其自动化程度低,且受人为因素影响比较大。本文结合心血管血流动力学参数的无创检测理论,利用光调制技术、单波提取以及基线漂移实时滤除等信号处理技术,设计了自动化程度较高的脉搏波自动采集分析系统,实现了脉搏波信号的增益自动调节、波形自动识别、基线漂移的实时滤除及波形的有效性自动判定。此脉搏波自动采集分析系统实现了脉搏波波形的自动采集,且无需人为干预,适宜在社区和家庭中应用。     

基于混合小波变换的瞬态信号检测方法

探讨了信号的小波变换与匹配滤波的关系,指出小波变换（WT）实际上就是可变检测模板的匹配滤液过程。根据这一思想,提出了基于混合小波的信号检测方法。本文中,“混合小波变换”是指在小波分解和重构中分别使用不同的基本小波。其中分解小波用于实现可变模板的信号检测,重构小波则用以增强被检测信号的特征。我们用该方法对实测脑电信号（EEG）中瞬态脉冲干扰进行检测。实验结果表明该方法能有效地检测出EEG中的瞬态脉冲。     

Blood pressure waveform analysis by means of wavelet transform

The assessment of cardiovascular function by means of arterial pulse wave analysis (PWA) is well established in clinical practice. PWA is applied to study risk stratification in hypertension, with emphasis on the measurement of the augmentation index as a measure of aortic pressure wave reflections. Despite the fact that the prognostic power of PWA, in its current form, still remains to be demonstrated in the general population, there is general agreement that analysis and interpretation of the waveform might provide a deeper insight in cardiovascular pathophysiology. We propose here the use of wavelet analysis (WA) as a tool to quantify arterial pressure waveform features, with a twofold aim. First, we discuss a specific use of wavelet transform in the study of pressure waveform morphology, and its potential role in ascertaining the dynamics of temporal properties of arterial pressure waveforms. Second, we apply WA to evaluate a database of carotid artery pressure waveforms of healthy middle-aged women and men. Wavelet analysis has the potential to extract specific features (wavelet details), related to wave reflection and aortic valve closure, from a measured waveform. Analysis showed that the fifth detail, one of the waveform features extracted applying the wavelet decomposition, appeared to be the most appropriate for the analysis of carotid artery pressure waveforms. What remains to be assessed is how the information embedded in this detail can be further processed and transformed into quantitative data, and how it can be rendered useful for automated waveform classification and arterial function parameters with potential clinical applications.