一种PPG信号伪差校正方法与流程

本发明属于医学信号处理领域，尤其是ppg信号中的伪差校正方法。

背景技术：

ppg信号的全称是光电容积脉搏波，它可以用来计算多项人体参数，因此从上个世纪末，国内外医学工作者就已经开始借助ppg信号来进行心血管疾病与临床检测的研究。不过，国内外学者对ppg信号的研究重点有所不同，国外医学工作者注重ppg信号的理论分析与建模，而国内医学工作者更加注重ppg的信号获取与特征提取。ppg信号是利用光电原理在人体组织中检测血液容积的变化从而得到脉搏信号，于1938年由herizman首次提出。特定波长的光投射到被测组织时，光束经由反射或者透射的方式穿过组织后被光敏器件接收到。由于人体组织会对经过的光束进行吸收，所以接收到的光强必定会衰减，其中皮肤、骨骼、肌肉等对光束的衰减作用是始终相同的，但是动脉血管中的血液容积会跟着心室的收缩和舒张呈现周期性的改变，从而引起出射光强相应周期性的改变，将此光强变化转化为电信号也就是ppg信号。运用光学原理对人体组织实施检测拥有操作方便、安全可信、成本低廉、连续实时、没有伤口等特点，这使其成为当今最广泛使用的血氧测量技术，在临床监护以及日常监测等领域得到了广泛的应用。然而，用于计算血氧饱和度的光电容积脉搏波在采集过程中很容易受到干扰，尤其是因为人自觉或者不自觉的运动而产生的运动伪差，极大地影响了血氧提取的精度。由于运动伪差与ppg信号的频谱可能存在重叠所以传统滤波器不能很好地去除运动伪差，为了能够不断的提高人体生理参数计算的精确性，对人体运动伪差干扰的消除一直以来都是ppg信号处理中需要解决的重点问题。目前，运动伪差消除的主要方法有：移动平均法，移动平均法是较常用的一种方法，该方法只能消除特定干扰，当ppg信号和伪差干扰的频谱重叠时效果不理想；独立成分分析法(ica)，在较短的时间内，我们可以认为有效ppg成分和运动伪影是相互独立的，ica正是基于这个假设从被干扰ppg信号中提取有效地脉动成分。在进行ica算法之前，对ppg信号进行预处理可以取得更好地分解效果。缺点是分离得到的独立分量顺序不确定也不再保留原来信号的幅值信息；小波去噪法，小波变换很适合用在分析非平稳信号，如何选择合适的阈值是该方法的难点。因为重组信号的质量依赖于阈值，而阈值对不同的对象不一定是最优的；可适应滤波法，可适应滤波在处理带内噪声时是非常有效的，它需要一个参考信号，该参考信号要么与有效ppg信号相关同时与伪差干扰不相关，要么与伪差干扰相关同时与有效ppg信号不相关，多数情况下，会采用额外的硬件电路比如加速度计来获得与伪差干扰相关的参考信号。总体来说现有的ppg信号伪差消除算法存在运算量大和处理效果不理理想的缺点，大大制约了以ppg信号为基础的医疗监测系统的发展。

技术实现要素：

本发明所解决的技术问题在于提供一种采用高斯函数分解和贝叶斯估计理论的ppg信号伪差校正方法。

第一步，提取ppg信号，用带通滤波器和陷波器对采集到的原始ppg信号进行滤波处理，滤除各种噪声信号，得到只含有伪差信号和有用ppg的新信号；

带通滤波器最小下边频为0.3hz，最大上边频为9hz，陷波器工频信号为50hz和60hz，可以根据不同情况，进行选择。

第二步，运用统计学方法，计算信号中是否有伪差信号存在，同时确定伪差信号的位置；

采用峰度和偏度计算伪差信号的位置；设置ppg信号的允许误差阈值，根据设置的阈值，判断ppg信号是否存在伪差干扰。

第三步，若信号中不存在伪差信号，则提取有用ppg信号中的波峰、波谷、重搏波，计算他们的幅度大小作为特征值，并且进行归类；

特征值分别是主波波峰值、重搏波波峰值、重搏波前波波峰值。

第四步，若信号中存在伪差信号，用前面所有有用ppg信号的特征值为先验知识，采用贝叶斯估计理论计算伪差位置ppg信号的特征；

含有伪差ppg信号的估计方法为：当遇到伪差干扰时，使用优质ppg信号的主波波峰值、重搏波波峰值、重搏波前波波峰值的平均值作为先验知识，通过贝叶斯估计理论，计算伪差干扰位置的ppg信号的特征值。

第五步，采用高斯函数对第四步估计出的特征值进行合成，得到新的有用ppg信号，采用最小二乘法将合成的ppg信号与有用ppg信号进行连接，代替原来信号中的伪差干扰，完成ppg信号的校正工作；当遇到连续伪差干扰时，将前一个校正之后的ppg信号的特征值作为特征值，采用上述五步，对连续的伪差进行剔除和校正。

对贝叶斯估计理论得到的ppg信号特征值，使用高斯函数合成法得到优质的ppg信号，之后用合成的信号代替伪差干扰，将原有信号和估计得到的信号头尾相连，从而得到一个完整的ppg信号序列。

本发明采用以上步骤进行ppg信号中伪差的校正，与现有技术相比具有以下优势：

本发明采用运用统计学方法，可以有效、准确、可靠地确定伪差干扰的位置；

本发明以优质ppg信号的特征值为先验知识，采用贝叶斯估计理论，对伪差干扰部分进行特征值估计，减小了运算量，提高了处理速度；

本发明采用高斯函数合成的方法合成新的优质ppg信号，对伪差信号进行替换，可以很大程度上的提升新ppg信号序列的准确性。

附图说明

图1是本发明ppg信号伪差校正方法的流程图；

图2是不受伪差干扰的ppg信号的峰度值和偏度值曲线图；

其中：2(a)是不受伪差干扰的ppg信号；2(b)是不受伪差干扰时的ppg信号峰度曲线图；图2(c)是不受伪差干扰时的ppg信号偏度曲线图；

图3是受伪差干扰的ppg信号的峰度值和偏度值曲线图；

其中：3(a)是受伪差干扰的ppg信号；3(b)是受伪差干扰的ppg信号的峰度曲线图；3(c)为受伪差干扰的ppg信号的偏度曲线图；

图4显示了ppg信号波形图；

图5显示了滑窗法提取ppg信号的特征值；

图6显示了ppg信号的特征提取图；

其中：6(a)是ppg信号的波形图；6(b)是aa段的特征；6(c)是bb段的特征；6(d)是cc段的特征；

图7显示了ppg信号的校正图；

图8显示了被干扰的ppg信号和校正结果；

其中：8(a)为原始ppg信号；8(b)是经带通滤波器和陷波器过滤后的ppg信号；8(c)为经本方法特征值估计和信号替换后得到的ppg信号。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，以反射式ppg信号的波形进行方法说明，透射式的处理方法和反射式的完全一样。参考附图的描述是示例性的，仅用于解释本发明，而不能解释为本发明的限制。

本发明提出一种采用估计理论和高斯函数合成的ppg伪差干扰校正方法，流程图如图1所示，包括步骤：

第一步，提取ppg信号，用带通滤波器和陷波器对采集到的原始ppg信号进行滤波处理，滤除各种噪声信号，得到过滤后的ppg信号，该ppg信号只含有伪差信号和有用ppg信号；

将采集到的原始ppg信号输入带通滤波器和陷波器偏滤除系统、杂散光、传输线等引入的噪声和工频信号。

采用反射式结构或透射式结构采集的带有伪差干扰和噪声的ppg信号首先经过带通滤波器和陷波器。对于人体心率而言，带通滤波器的截止频率的最低值为0.5hz，最高值为9hz，完全适用于人体ppg信号的提取，使用本发明时，可以根据实际情况和系统技术指标选择带通滤波器的截止频率，其选择范围为0.5hz～9hz。陷波器可以虑除50hz和60hz的工频信号，当ppg信号由工频为50hz系统采集时，选择50hz陷波器；当ppg信号由60hz系统采集时，选择60hz陷波器。

第二步，运用统计学方法，计算过滤后的ppg信号中是否有伪差信号存在，同时确定伪差信号的位置；

计算经过滤得到的ppg信号的峰度和偏度，通过峰度和偏度值判断该ppg信号中是否有伪差干扰存在。

ppg信号的峰度和偏度计算，用于计算ppg序列中是否存在伪差干扰，如图2、图3所示，利用峰度和偏度计算ppg信号的轮廓，峰度计算公式：

其中为均值，std为标准差,偏度计算公式：

其中为均值，std为标准差。

第三步，若信号中不存在伪差信号，则提取有用ppg信号中的波峰、波谷、重搏波，计算他们的幅度大小作为特征值，并且进行归类；

如果不存在伪差干扰，提取有用ppg信号的特征值，继续进行伪差干扰是否存在的判断。

没有干扰的情况下，ppg信号每一个周期段内的波形形态相似，所以相对应的统计量是大致相等的，图2(b)、图2(c)分别是ppg信号不受伪差干扰时的峰度和偏度曲线，它们近似为一条直线，几乎不存在任何起伏，此时，认为ppg信号质量较好，不受伪差干扰，如图2(a)所示。

第四步，若信号中存在伪差信号，用前面所有有用ppg信号的特征值为先验知识，采用贝叶斯估计理论计算伪差位置ppg信号的特征；

如果存在伪差干扰，以提取到的有用ppg信号的特征值作为先验知识，对伪差部分的ppg信号进行特征值估计。

图3(a)是受伪差干扰的ppg信号，可以看到在信号中出现了幅值的不规则跳跃，整体性被破坏，图3(b)和图3(c)为被伪差干扰的ppg信号的峰度和偏度，在ppg的干扰部分，峰度曲线和偏度曲线也相应的出现了大幅度的跳跃，表明ppg信号中存在伪差干扰，只要标记峰度和偏度曲线跳跃的位置，就可以实现ppg信号中的伪差定位。由于实际信号会受到高斯噪声的影响，虽然这些噪声对ppg信号有一定的影响，但是在合理的范围内可以接受，所以可以根据实际需要，设置阈值使ppg信号即能够寻找到伪差干扰，又可以在一定的范围内允许微小噪声的存在，阈值公式写作：

其中tk、ts分别表示峰度、偏度、标准差的阈值，a1、a2为常数，它们的绝对值越小，对波段检测时越敏感，其值可以根据指标选取，为了保证干扰能有效的消除，阈值中只要有一个不符合阈值范围就认为ppg信号被伪差干扰。

第五步，采用高斯函数对第四步估计出的特征值进行合成，得到新的有用ppg信号，采用最小二乘法将合成的ppg信号与有用ppg信号进行连接，代替原来信号中的伪差干扰，将原有的ppg信号和合成替代的信号进行首尾连接，完成ppg信号的校正工作；当遇到连续伪差干扰时，将前一个校正之后的ppg信号的特征值作为特征值，采用上述五步，对连续的伪差进行剔除和校正。

当遇到连续伪差干扰存在时，将前一个校正好的ppg信号的特征值作为已知数据，对接下来的伪差干扰进行ppg信号特征估计、合成ppg信号、伪差干扰替代，直到连续的伪差干扰被校正完毕。

ppg信号的波形示意图如图4所示，aa为ppg信号的主波幅值、bb为ppg信号的重搏波前波幅值，cc为ppg信号的重搏波幅值，将这些值作为信号的特征值，利用这些值可以合成ppg信号。本方法采用滑窗法对ppg信号的特征值进行提取，提取方法如下：

根据采样频率的大小设定初始滑窗的宽度，初始滑窗的宽度可以取约3/4频率(人体脉搏每搏在0.75秒左右，3/4采样频率覆盖约一周期)。设初始滑窗宽度为l，即滑动窗口横向覆盖l个离散波形点。设获取的一段有用脉搏波信号为s＝[s1,s2,…,sn]，si为ppg信号段，则初始滑窗覆盖的离散信号点子区间为[s1,s2,…,sl]，选取滑窗的中心点sl/2为起始基准点。如果满足：

sl/2>[s1,s2,…,sl/2-1](5)

sl/2>[sl/2+1,sl/2+2,…,sl](6)

则认为sl/2为该区域的主波波峰，同理，如果满足：

sl/2<[s1,s2,…,sl/2-1](7)

sl/2<[sl/2+1,sl/2+2,…,sl](8)

则认为sl/2为该区域波谷，如果以上均不满足，则向右移动滑动窗口，形成新的子区间[s2,s3,…,sl+1]，此时中心基准点变为sl/2+1，继续进行以上判断。

整体检测方案如图5所示，窗口从起始位置窗口1开始滑动，滑动到图5所示的窗口2区域时，中心基准点所指向的点，大于左右两个子区间的所有值，则该点即为该区域的波峰位置点。同理，窗口3的基准点指向该区域的波谷位置点。当窗口滑动经过一个完整的波段后便可以通过上述方法找到该波段的所有的波峰波谷。因为滑动窗口属于横向区域移动，波形纵向漂移对检测结果无影响。将得到的波峰位置序列记为p＝[p1,p2,…,pn]，pi表示任意一个ppg信号的波峰，波谷位置序列记为t＝[t1,t2,…,tn]，ti表示任意ppg信号的波谷(其中p1<t1，即先检测到波峰)。重搏波波峰的位置处于pi和ti之间，如果滑窗宽度仍然设置为脉搏周期宽度，显然会受到主波波峰的影响，而无法检测到重搏波波峰。因此，需要缩小滑动窗口大小，来找到主波波峰间第二级的重搏波波峰。先根据主波波峰位置p＝[p1,p2,…,pn]计算出该波段的峰峰值：

取峰值的一半h/2作为新的滑动窗口的宽度，同样进行上一段的波峰判断，滑窗从左向右移动检测出所有的波峰值位置序列记为c＝[c1,c2,…,cn]，由于窗口缩小检测出的波峰会包括主波波峰位置和重搏波波峰位置，所以需要进行去重处理：

c'＝c-p(10)

p为先前得到的主波波峰序列，将序列c中已有的主波波峰剔除，得到新的序列c'，则c'就是重搏波波峰位置序列。

ppg信号的特征提取如图6所示，aa段、bb段、cc段的特征分别为图6(b)、图6(c)、图6(d)所示。在图6(b)、图6(c)、图6(d)中，峰值大小差不多的部分为优质ppg信号的幅值，它们不受伪影干扰，而峰值突变的部分是伪差干扰后引起的幅值变化，它们与优质ppg信号的幅值相比，有较大幅度的偏移。将采集到的优质ppg信号特征值幅值的平均值作为先验知识，采用贝叶斯估计理论，计算被干扰部分的幅值，用计算结果代替伪差干扰ppg信号的特征值。设gij为观测到的信号，θij为真实信号，nij为噪声，其中，ij的取值分别为aa、bb、cc，表示相对应的特征值。对于采集到的原始ppg信号，观测方程为：

gij＝θij+nkij(11)

其中，nkij是均值为零，方差为的独立同分布的高斯随机噪声，为了表达简单，式中用g和θ分别表示gij和θij。以θij为条件的观测量gij的条件概率密度为：

随机变量θ的概率密度函数为：

为了求θij的最小均方误差估计，首先要求后验概率密度函数：

对于p(θ/g)给定g时，对于p(θ/g)而言，p(g)相当于使：

经过计算可得到：

其中k为经过推导得到的关于nkij、gij、n的函数，它们是与θij的无关项，而

其中σn表示环境中高斯随机噪声的方差，σθ表示ppg信号特征值的方差，由于也受环境因素的影响，ppg信号的特征值也服从高斯分布，所以，后验密度函数是高斯型的，得到θij的最小均方误差估计为：

根据以上描述可知，当时，估计量可以近似的表示为：

实际使用时，可以根据优质ppg信号的方差和噪声的方差，和经验值设定上式中的值，对信号进行估计。

ppg信号的特征值估计好后，采用高斯函数对估计得到的特征值进行信号合成，得到完整的ppg信号，合成公式如下：

x(t)为合成的ppg信号，vi为高斯函数的幅度也是图6(a)中的aa段、bb段和cc段，ui为高斯函数的宽度，ti是一个周期的传输时间，其目标泛函由下式表示：

u＝∫[xn(t)-x(t)]²dt(21)

其中，u表示合成信号的目标泛函，也可以作为合成信号的方差，xn(t)表示理想ppg信号。将合成好的ppg信号代替原ppg信号中的干扰部分，之后用最小二乘法将信号头尾相连就完成了ppg信号的伪差校正，其过程如图7所示。图8是本发明的效果图，图8(a)为原始ppg信号，包含噪声干扰和伪差干扰，波形会产生跳变；图8(b)是经过带通滤波器和陷波器处理的结果，从图中可以看出噪声信号被全部消除，信号中仅含有伪差干扰和ppg信号；图8(c)为经过特征值估计和信号替换的结果。其中，从图8(a)～图8(c)分别是被检测出的伪差干扰、经过带通滤波和陷波器的干扰信号、经过替换和校正的ppg信号，从结果可以看出被伪差干扰的信号全部消除，ppg信号稳定、可靠、高效，可以用它准确计算人体多项参数，为可穿戴设备的发展提供了很好的数据基础。