一種基于AR模型譜估計的脈搏信號隨機噪聲去噪方法技術

本發明專利技術涉及一種基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，屬信息科學與醫學融合領域。本發明專利技術首先將采集到的脈搏信號分為長度相同的兩段，計算信號的功率信噪比，建立隨機噪聲信號的模型，設計隨機噪聲信號；分別給兩段信號補零使其長度為N，對補零后信號進行傅里葉變換保留其相位譜；對補零后信號，建立AR模型，估計其功率譜；對噪聲信號補零，使其長度亦為N，再估計其功率譜；用混合信號的功率譜減去噪聲信號的功率譜，得到有效信號的功率譜，結合去噪前混合信號的相位譜，通過變換得到時域脈搏有效信號。本發明專利技術在明顯去除了隨機噪聲的基礎上又沒有降低信號分辨率及保真度，去噪效果很好。

【技術實現步驟摘要】

本專利技術涉及一種基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，屬于信息科學與醫學融合

技術介紹
人體內部各個生理系統之間是相互耦合的。反映人身體健康狀態相對最重要、最全面的是心臟血液循環系統，因此通過采集脈搏波進而分析心臟循環系統功能，能較全面地反映人體的健康情況。但從人體采集到的脈搏波信號，由于脈搏波信號信噪比比較低，給后續參數的準確測量帶來了困難，所以對于噪聲干擾的去除是非常重要而必須的。常用的脈搏信號去噪方法主要包括僅在時域內進行簡單降噪處理的方法或傳統的建立在傅立葉變換基礎上的去噪方法。僅在時域內進行簡單降噪處理，即采用低通、帶通、高通等常規的濾波方法對脈搏波信號進行濾波去噪，然而常用的濾波器截止頻率固定，在噪聲頻率超過其截止頻率時，無法消除噪聲，截止頻率過高會濾除有用信息。當噪聲與信號的頻譜相近或重疊時，傳統的單純時域濾波或頻域濾波往往無法達到很好的效果。傳統的建立在傅立葉變換基礎上的去噪方法，在提高信噪比和提高空間分辨率兩項指標上存在矛盾。低通濾波能通過平滑抑制噪聲，但同時會使信號的邊沿變模糊。高通濾波可以使信號邊沿更加的陡峭，但背景噪聲也同時被加強了。小波變換作為一種新型的時域分析法，由于其具有良好的時頻局部性，并且有快速算法(Mallat算法)加以實現，因而在去噪領域受到了越來越多的這類方法處理比較簡單，運算量較小，基于小波變換的信號去噪方法，一般有閾值法、空域相關濾波法和模極大值法。但采用閾值法對脈搏波信號進行去噪，當信號具有突變的不連續點或信噪比較低時，閾值法去噪會出現偽吉布斯現象，即在不連續點附近的信號會在原有信號電平上上下跳變。空域相關濾波它能夠保留信號突變點位置攜帶的重要信息，從而對噪聲有很好的濾波效果，但是傳統的空域相關濾波算法很容易引入隨機噪聲。基于模極大值的小波去噪算法，小波分解尺度的選擇非常重要，尺度過小，小波系數受噪聲影響非常大，產生許多偽極值點，尺度過大又會使信號丟失某些重要的局部奇異性，因此需要選擇合適的尺度。
技術實現思路
本專利技術提供了一種基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，通過估計脈搏信號功率信噪比，進而建立隨機噪聲信號模型，提出了利用AR模型譜估計，在頻域內去除隨機噪聲的方法，用于解決有用信號和噪聲信號在頻域寬度內重合時，用傳統時域濾波和頻域濾波方法無法較好分離有用信號和噪聲信號的問題；也用于解決基于小波變換的去噪方法會產生偽吉布斯現象或引入隨機噪聲的問題；且本專利技術中，確定AR參數模型的階數為未補零前的信號長度，參數的選擇簡單且固定，但去噪效果依然很好，解決了參數選擇困難及因參數選擇不當而影響到去噪效果的問題。本專利技術的技術方案是：一種基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，所述基于AR模型譜估計的脈搏信號隨機噪聲去噪方法的具體步驟如下：Step1、將采集到的脈搏信號分為長度相同的兩段來計算信號的功率信噪比，通過計算得到的信號功率信噪比估計噪聲方差，進而建立隨機噪聲信號的模型，設計隨機噪聲信號；Step2、分別給兩段信號補零使兩段信號的大小均為最接近原信號長度的2的整數次方，對補零后的混合信號進行傅里葉變換保留其相位譜；Step3、對補零后的兩段混合信號建立AR模型，確定AR模型及模型階數，根據模型求出模型的參數，代入功率譜密度估計公式估計出補零后的混合信號的功率譜；其中模型階數選擇未補零前的每段信號的長度；Step4、對所設計的隨機噪聲信號補零，使噪聲信號的長度與補零后的混合信號的長度相同，用與步驟Step3相同的方法估計出補零后隨機噪聲信號的功率譜，模型階數也與步驟Step3中相同；Step5、用補零后的混合信號的功率譜減去補零后隨機噪聲信號的功率譜，得到有效信號的功率譜，結合去噪前混合信號的相位譜，通過變換得到時域脈搏有效信號。所述步驟Step1的具體步驟如下：Step1.1、將脈搏信號x(m)(m＝1,2,3,…,M)分為長度相同的兩段信號x1(i)和x2(i)，i=1,2,3,...,[M2],]]>使得x1(i)＝x(m)，m=1,2,3,...,[M2],]]>x2(i)＝x(m)，m=1+[M2],]]>2+[M2],3+[M2],...,2*[M2],]]>且記I=[M2];]]>Step1.2、采集到的脈搏信號x(m)(m＝1,2,3,…,M)是由脈搏有效信號s(m)和噪聲信號n(m)組成的，即x(m)＝s(m)+n(m)，則x1(i)＝s1(i)+n1(i)，x2(i)＝s2(i)+n2(i)，取x1(i)、x2(i)的傅里葉變換，得到X1(k)和X2(k)(k＝0,1,…,I)，然后分別取它們幅值的平方，并除以信號的長度I，作為對x1(i)和x2(i)真實功率譜的估計，即則信號x1(i)、x2(i)的功率分別為Gx1=1IΣk=0I-1|X1(k)|2,Gx2=1IΣk=0I-1|X2(k)|2,]]>則每段混合信號的平均功率為Gx‾=12(Gx1+Gx2),]]>通過公式P^x1x2(k)=12I(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>估計出信號x1(i)、x2(i)的互功率譜，因為x1(i)和x2(i)的互功率譜就是有效信號的功率譜，則脈搏有效信號的平均功率G‾s=12IΣk=0I-1(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>因為x1(i)、x2(i)這兩段信號分別的總功率譜就是有效信號與隨機噪聲信號功率譜之和，故可得噪聲功率為G_n=G_x-G_s,]]>可求出信號的功率信噪比為SNR=G_s/G_n;]]>其中，由于x1(i)、x2(i)之間有效信號相關性強、有效信號與隨機噪聲信號不相關、隨機噪聲信號之間也不相關，故每段信號的自相關函數(i＝1,2)為脈搏有效信號的自相關函數rs(τ)與噪聲自相關函數rn(τ)之和，而兩段信號的互相關函數等于脈搏有效信號的自相關函數rs(τ)，即rxi(τ)=rs(τ)+rn(τ),rx1x2(τ)=rs(τ),i=1,2,]]>因此，x1(i)、x2(i)這兩段信號分別的總功率譜Px(k)就是有效信號Ps(k)與噪聲功率譜Pn(k)之和，而它們之間的互功率譜就是有效信號的功率譜Ps(k)，即Px(k)＝P本文檔來自技高網...

【技術保護點】
一種基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，其特征在于：所述基于AR模型譜估計的脈搏信號隨機噪聲去噪方法的具體步驟如下：Step1、將采集到的脈搏信號分為長度相同的兩段來計算信號的功率信噪比，通過計算得到的信號功率信噪比估計噪聲方差，進而建立隨機噪聲信號的模型，設計隨機噪聲信號；Step2、分別給兩段信號補零使兩段信號的大小均為最接近原信號長度的2的整數次方，對補零后的混合信號進行傅里葉變換保留其相位譜；Step3、對補零后的兩段混合信號建立AR模型，確定AR模型及模型階數，根據模型求出模型的參數，代入功率譜密度估計公式估計出補零后的混合信號的功率譜；其中模型階數選擇未補零前的每段信號的長度；Step4、對所設計的隨機噪聲信號補零，使噪聲信號的長度與補零后的混合信號的長度相同，用與步驟Step3相同的方法估計出補零后隨機噪聲信號的功率譜，模型階數也與步驟Step3中相同；Step5、用補零后的混合信號的功率譜減去補零后隨機噪聲信號的功率譜，得到有效信號的功率譜，結合去噪前混合信號的相位譜，通過變換得到時域脈搏有效信號。

【技術特征摘要】
1.一種基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，其特征在于：所述基于AR模
型譜估計的脈搏信號隨機噪聲去噪方法的具體步驟如下：
Step1、將采集到的脈搏信號分為長度相同的兩段來計算信號的功率信噪比，通過計算
得到的信號功率信噪比估計噪聲方差，進而建立隨機噪聲信號的模型，設計隨機噪聲信號；
Step2、分別給兩段信號補零使兩段信號的大小均為最接近原信號長度的2的整數次
方，對補零后的混合信號進行傅里葉變換保留其相位譜；
Step3、對補零后的兩段混合信號建立AR模型，確定AR模型及模型階數，根據模型求出
模型的參數，代入功率譜密度估計公式估計出補零后的混合信號的功率譜；其中模型階數
選擇未補零前的每段信號的長度；
Step4、對所設計的隨機噪聲信號補零，使噪聲信號的長度與補零后的混合信號的長度
相同，用與步驟Step3相同的方法估計出補零后隨機噪聲信號的功率譜，模型階數也與步驟
Step3中相同；
Step5、用補零后的混合信號的功率譜減去補零后隨機噪聲信號的功率譜，得到有效信
號的功率譜，結合去噪前混合信號的相位譜，通過變換得到時域脈搏有效信號。
2.根據權利要求1所述的基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，其特征在
于：所述步驟Step1的具體步驟如下：
Step1.1、將脈搏信號x(m)(m＝1,2,3,…,M)分為長度相同的兩段信號x1(i)和x2(i)，
i=1,2,3,...,[M2],]]>使得x1(i)＝x(m)，m=1,2,3,...,[M2],]]>x2(i)＝x(m)，m=1+[M2],]]>2+[M2],3+[M2],...,2*[M2],]]>且記I=[M2];]]>Step1.2、采集到的脈搏信號x(m)(m＝1,2,3,…,M)是由脈搏有效信號s(m)和噪聲信號n
(m)組成的，即x(m)＝s(m)+n(m)，則x1(i)＝s1(i)+n1(i)，x2(i)＝s2(i)+n2(i)，取x1(i)、x2(i)
的傅里葉變換，得到X1(k)和X2(k)(k＝0,1,…,I)，然后分別取它們幅值的平方，并除以信號
的長度I，作為對x1(i)和x2(i)真實功率譜的估計，即則
信號x1(i)、x2(i)的功率分別為Gx1=1IΣk=0I-1|X1(k)|2,Gx2=1IΣk=0I-1|X2(k)|2,]]>則每段混合信號
的平均功率為G‾x=12(Gx1+Gx2),]]>通過公式P^x1x2(k)=12I(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>估
計出信號x1(i)、x2(i)的互功率譜，因為x1(i)和x2(i)的互功率譜就是有效信號的功率譜，
則脈搏有效信號的平均功率G‾s=12IΣk=0I-1(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>因為x1(i)、x2(i)
這兩段信號分別的總功率譜就是有效信號與隨機噪聲信號功率譜之和，故可得噪聲功率為
G‾n=G‾x-G‾s,]]>可求出信號的功率信噪比為SNR=G‾s/G‾n;]]>其中，由于x1(i)、x2(i)之間有效信號相關性強、有效信號與隨機噪聲信號不相關、隨機
噪聲信號之間也不相關，故每段信號的自相關函數為脈搏有效信號的自相關
函數rs(τ)與噪聲自相關函數rn(τ)之和，而兩段信號的互相關函數等于脈搏有效信
號的自相關函數rs(τ)，即i＝1,2，因此，x1(i)、x2(i)這
兩段信號分別的總功率譜Px(k)就是有效信號Ps(k)與噪聲功率譜Pn(k)之和，而它們之間的
互功率譜就是有效信號的功率譜Ps(k)，即Px(k)＝Ps(k)+Pn(k)，Step1.3、在時域中，脈搏信號x1(i)、x2(i)的功率為Gs_x2=]]>1IΣi=0I-1|x2(i)|2,]]>故每段信號的平均功率為G‾s_x=12(Gs_x1+Gs_x2);]]>Step1.4、選擇均值為0、方差為σ2、長度為I的服從高斯分布的偽白噪聲序列作為隨機噪
聲信號的模型；由于白噪聲的功率是用其方差來定義的，即Gu＝σ2，Gu表示白噪聲的功率，故
采集到的脈搏信號中所含的隨機噪聲的功率為Gs_n＝Gu＝σ2，因此，SNR＝Gs_s/Gs_n＝(Gs_x-
Gs_n)/Gs_n＝(Gs_x-Gu)/Gu，故這樣就可以求得白噪聲模型的方差σ2，進而
建立出均值為0、方差為σ2、長度為I的偽高斯白噪聲模型n(i)了。
3.根據權利要求1所述的基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，其特征在
于：所述步驟Step2的具體步驟如下：
分別對脈搏信號x(m)(m＝1,2,3,…,M)分成的兩段長度相同的信號x1(i)、x2(i)補零得
到新的信號x1(n)、x2(n)進行傅里葉變換，得到X1(k)和X2(k)(k＝0,1,…,N-1)，保留其相位
譜其相位譜為傅里葉變換結果的虛部與實部之商，即為
其中，n＝1,2,3,…,N，N為最接近原信號x(m)長度M的2的整數次方，且N滿足N≥M。
4.根據權利要求1所述的基于AR模型譜估計的脈搏信號隨機噪聲去噪方法，其特征在
于：所述步驟Step3的具體步驟如下：
Step3.1、對脈搏信號x(m)(m＝1,2,3,…,M)分成的兩段長度相同信號的其中一段信號
x1(i)補零后得到的信號x1(n)(n＝1,2,3,…,N)，建立AR模型，N為最接近原信號x(m)長度M
的2的整數次方，且N滿足N≥M，建立的AR模型可由公式表
達，確定AR參數模型的階數p為未補零前信號x1(i)的長度，即p＝I；
Step3.2、估計出信號x1(n)的前p+1個自相關函...

【專利技術屬性】
技術研發人員：楊承志，何慧敏，劉賀，張興超，楊彪，
申請(專利權)人：昆明理工大學，
類型：發明
國別省市：云南;53