一种脉搏波信号运动噪声消除的方法与流程

本发明涉及数字信号处理领域，尤其涉及生物医学工程中的数字信号处理领域。

背景技术

光电容积脉搏波信号(ppg)是光波照射皮肤后得到的反射光或者折射光的光强信号，该信号的波动是建立在动脉搏动的基础上的，动脉血管搏动时，动脉血管中血液容积的变化使得光吸收量发生变化，而皮肤、肌肉、静脉血等组织的光吸收量恒定不变。依据朗伯-比尔定律，通过监测反射或折射光强变化来推测动脉血液容积的变化，得到脉搏波信号，进而通过脉搏波信号获得心率、血压、血糖等生理特征。

目前市面上脉搏波采集的主流设备是腕带式手环。这种采集装置使用轻便，佩带具有时尚感。但是由于腕部的灵活性，以及佩带的脉搏波采集设备与腕部皮肤之间存在接触空隙，在运动过程中使得测量光路发生变化，导致脉搏波的波形被叠加以运动干扰噪声，这就对后面的利用脉搏波计算生理特征带来了很大的困难，使后续计算产生偏差。而且运动幅度越大，产生的干扰越严重，给后续工作带来的困难也就越大。

目前使用的运动干扰消除技术主要有：

1)独立成分分析(ica)和块交织(blockinterleaving)，独立成分分析是盲源分离的一个经典算法，它的应用前提是ppg信号和运动噪声信号之间是具有统计独立性且不相关的。但是运动噪声信号与ppg信号不完全独立，且具有一定的关联性，因为人在运动状态下会心跳加快，心脏的泵浦运动会影响腕部动脉血的容积变化，从而影响脉搏波信号。

2)卡尔曼滤波(kalmanfilter)，该技术的局限性与独立成分分析类似，主要适用于含有噪声干扰的脉搏波信号和运动加速度信号区别很大的情况。

3)小波分解重构，小波变换可弥补傅里叶变换在不同尺度下分解能力单一的缺陷，且小波分析具有时频性，能对具体某一小段的时域信号进行频域分析。小波变换采用不同基函数和可伸缩变换，在时域和频域内自由地将信号分解到不同层次、不同频率成分为主的子信号。且要事先对噪声所可能分布的层数进行预估判断，对于实际过程中运动的不确定性无法自适应地处理，而且无法处理真实的脉搏波信号与运动噪声频率相似，处于同一层的情况。因此小波变换去噪仅适用于幅度较小的运动，如手臂摆动等运动形式，不适用于跑步等运动场景。

4)经验模态分解(emd)，该方法与小波分析类似，是依据信号的本身性质自动分解为若干频段的imf，也存在小波变换去噪的问题。

5)信号分解(signaldecomposition)，这种方法一般是要构造二维矩阵，然后与奇异值分解结合使用的。这样带来的运算时间复杂度比较高，较难做到实时处理。

6)自适应滤波(adaptivenoisecancellation)的时间复杂度一般情况下比较低。但该方法十分依赖于参考信号，对参考信号的选择十分敏感。一般情况下，常常和其他算法一起综合使用，如信号分解、傅里叶变换(fft)或其他信号表示域转换的方法。

现有的脉搏波运动噪声消除技术大多只能消除幅度较小的运动，但对于剧烈运动所造成的噪声却没有较好的处理方式。且大多运动噪声消除技术的运算复杂度比较高，不能做到实时处理，这样在很多场景下都失去了使用意义。本专利技术旨在能实时地消除较大的运动干扰，给出较为纯净的脉搏波信号，为后续计算得出精确的心率、血压、血糖等生理特征提供支持。

技术实现要素：

针对上述运动变化对脉搏波的影响难于被消除的问题，本发明提出一种脉搏波信号运动噪声消除的方法，能够用于可穿戴式生理指标监测设备中，能有效消除脉搏波信号中由于运动引起的噪声干扰，获得较为纯净的脉搏波信号。

一种脉搏波信号运动噪声消除的方法，包括如下步骤：

1)同时获取含噪声的ppg信号和加速度信号；

2)采用并联自适应滤波器，基于所述加速度信号对所述含噪声的ppg信号进行滤波，得到较为纯净的ppg信号ppg1；

3)对所述加速度信号和所述较为纯净的ppg信号ppg1进行傅里叶变换，得到加速度频谱和脉搏波频谱ppg2；

4)基于所述加速度频谱对所述脉搏波频谱ppg2进行谱减，得到稀疏的ppg谱ppg3；

5)对所述稀疏的ppg谱ppg3进行稀疏信号重构，得到纯净的ppg信号ppg4。

其中，所述步骤2)中并联自适应滤波器包括线性滤波器f1和非线性滤波器f2，二者分别基于所述步骤1)获取的加速度信号对所述ppg信号进行线性滤波和非线性滤波，然后将两个滤波器的结果以一定权重相加，得到较为纯净的ppg信号ppg1。

优选地，所述权重记为λ，λ的取值范围为0-1，其中所述线性滤波器的权重为λ，所述非线性滤波器的权重为1-λ。

优选地，所述线性滤波器f1和非线性滤波器f2均采用自适应滤波的方式，其中将加速度信号经过自适应调整，形成与噪声近似的信号，ppg信号减去该经自适应调整的加速度信号，得到较为纯净的ppg信号ppg1。

其中，所述步骤4)中的谱减，包括如下步骤：

4.1)谱峰搜索：将脉搏波频谱ppg2中的谱峰值fppg和其对应的频率值cppg记为谱峰对(fppg,cppg)，并依据谱峰值fppg的大小排序，选取前n大的谱峰对记为{(fppg1,cppg1),(fppg2,cppg2),(fppg3,cppg3),…(fppgn,cppgn)}，其中n为正整数；

将加速度频谱中的谱峰值facc和其对应的频率值cacc记为谱峰对(facc,cacc)，并依据facc的大小排序，取前m大的谱峰对记为{(facc1,cacc1),(facc2,cacc2),(facc3,cacc3),…(faccm,caccm)}，其中m为正整数；

4.2)谱峰扩展：设置参数ε，取集合a＝[cacc1-ε,cacc1+ε]∪[cacc2-ε,cacc2+ε]∪…∪[caccm-ε,caccm+ε]，其中ε为正整数；设置参数μ，取集合b＝[cppg1-μ,cppg1+μ]∪[cppg2-μ,cppg2+μ]∪…∪[cppgn-μ,cppgn+μ]，其中μ为正整数；

4.3)谱减置零：判断所述脉搏波频谱ppg2的各频率值是否属于集合a且不属于集合b，若是，则将该频率值对应的幅值置为0；若不是，则不做任何操作；遍历脉搏波频谱ppg2的所有频率值后，得到稀疏的ppg谱ppg3。

优选地，所述步骤4.1)中n的取值范围为2～6，所述步骤4.1)中m的取值范围为2～6。

优选地，所述步骤4.2)中ε的取值需保证对应的频率变化范围在0.01hz～0.1hz之间，所述步骤4.2)中μ的取值需保证对应的频率变化范围在0.01hz～0.1hz之间。

优选地，所述步骤5)中的稀疏信号重构，是针对所述步骤4.3)中置0的值进行补全。

优选地，所述稀疏信号重构选自最小l1范数法、匹配追踪算法、最小全变分法或迭代阈值法。

例如，所述步骤5)采用迭代阈值法中的自适应阈值迭代(imat)法，其步骤包括：

5.1)初始化：将得到的稀疏的ppg谱进行dt变换，其中dt变换指信号从稀疏域变换到信息域，信息域为时域，稀疏域为频域，获得的信息域谱记为y，i为迭代次数，i＝1,2…b，b为规定的迭代次数，令i＝1；

5.2)迭代：计算si＝si-1+a×(y-si-1)，其中a为替换参数，是一个固定值，s0＝0；

5.3)idt变换：将si从信息域变换到稀疏域；其中idt变换指信号从信息域变换到稀疏域；

5.4)滤波：将步骤5.3)获得的稀疏域信号逐频率点与阈值th比较，若该点的幅值小于th则该频率值对应的幅值被置零，若该点的幅值不小于th则该频率值对应的幅值保留，上述比较遍历所有频率值后，形成幅值重置后的稀疏域信号xout_i；其中th＝β×e^-α×(i-1)，β和α都是一个固定值；

5.5)dt变换：将xout_i由稀疏域变换到信息域；

5.6)判断：判断i是否达到次数b，若达到，则输出该xout_i，即为纯净的脉搏波信号(ppg4)；若未达到，则令i＝i+1，重复步骤5.2)-5.6)。

优选地，a的取值范围为0.1-0.3；b的取值范围为15-40，优选为20；α的取值范围为0.1-0.3，优选为0.1；β取所述稀疏的ppg谱(ppg3)中最大幅值的0.1-0.3倍。

本发明采用自适应滤波、谱减与信号重构结合的方式处理含有噪声的脉搏波信号，最终得到了纯净的脉搏波信号。该方法不仅能消除小幅度的运动噪声，而且在运动幅度比较大的场景下仍能获得纯净的脉搏波信号，且具有一定的鲁棒性。本发明的方法特别适合于可穿戴式生理指标监测设备，具有较强的实用价值，为后续依据脉搏波进行其他生理特征的计算提供切实可靠的依据。

附图说明

图1是脉搏波信号运动噪声消除方法的整体流程图。

图2是并联自适应滤波器的结构图。

图3是自适应滤波的运行结构图。

图4是滤波前后的脉搏波时域变化图。

图5是谱减和稀疏信号重构流程框图。

图6是基于imat法的稀疏信号重构流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

光电容积脉搏波信号(ppg)的波动是建立在动脉搏动的基础上，通过光波照射皮肤后得到的反射光或者折射光的光强信号得到的。目前主流的ppg采集设备是腕带式手环，但是由于腕部的灵活性，以及佩带的采集设备与腕部皮肤之间存在接触空隙，在运动过程中使得测量光路发生变化，ppg的波形被叠加了运动干扰噪声。这些运动干扰噪声可以通过获取采集设备的加速度信号来间接获得。但加速度信号对脉搏波信号的影响既有线性的部分，又有非线性的部分。理论上，运动的幅度越大，即加速度信号越大，人的心跳也会相应的加快，包含心率值在内的某些生理指标也会增大，这是加速度信号与脉搏波线性相关的部分；而运动过程中的晃动也带来一定波长的光反射强度的改变，这种加速度信号变化对脉搏波的影响是非线性的。本方法针对于这种情况，提出了一种脉搏波信号运动噪声消除的方法，如图1所示，包括：

1)同时获取含噪声的ppg信号和加速度信号；

2)采用并联自适应滤波器，基于所述加速度信号对所述ppg信号进行滤波，得到较为纯净的ppg信号ppg1；

3)对所述加速度信号和所述较为纯净的ppg信号ppg1进行傅里叶变换，得到加速度频谱和脉搏波频谱ppg2；

4)基于所述加速度频谱对所述脉搏波频谱ppg2进行谱减，得到稀疏的ppg谱ppg3；

5)对所述稀疏的ppg谱ppg3进行稀疏信号重构，得到纯净的ppg信号ppg4。

其中，步骤2)的并联自适应滤波器的结构如图2所示，包括线性滤波器f1和非线性滤波器f2两部分，获得的含噪声的ppg信号和加速度信号分别输入f1和f2，并将得到的结果以一定权重相加，即为较为纯净的ppg信号。设权重为λ，λ的取值范围为0-1，两个滤波器的结果相加时需乘以各自的权重，其中所述线性滤波器的结果权重为λ，所述非线性滤波器的结果权重为1-λ。λ的取值可根据实际经验设定，通常取λ为0.5。

滤波器f1和f2均可以为常见的滤波器模型，例如lms、rls等，滤波参数通过自适应方法获得，如图3所示，信号源指含噪声的ppg信号，即x(n)，x(n)＝s(n)+v(n)，其中s(n)为脉搏波信号，v(n)为运动伪差；而噪声源即加速度信号r(n)，在最理想的情况下，加速度信号经一定处理后得到且与噪声完全一致，那么经过滤波器后得到的e(n)即为较为纯净的ppg信号，但在对加速度信号r(n)进行处理时，通常不能直接获知准确的调整参数，需要通过自适应方法不断迭代，最终获得较为准确的调整参数，得到这个自适应调整参数的方法有很多种，例如，假设其中w(n)为滤波器的调整参数，通过迭代调整w(n)的取值，当趋近于0时，认为已经找到e(n)的极值点了，结束迭代。其中，n指时间点。

通过并联自适应滤波器前后脉搏波的时域信号图如图4所示，图4(a)为滤波前的脉搏波时域信号，图4(b)为采用并联自适应滤波器滤波之后的脉搏波时域信号。从图中可以看出，经过并联自适应滤波器后，脉搏波的时域信号得到明显的净化，即获得了较为纯净的ppg信号。

经自适应滤波后得到的是较为纯净的脉搏波信号，但为了针对有可能出现的运动幅度变化比较大的情况，本发明还使用谱减和稀疏信号重构来进一步处理。

在谱减前，需先将加速度信号和步骤2)获得的较为纯净的脉搏波信号变换到频域上，以便于在频域上进行谱减。

在步骤4)中的谱减和稀疏信号重构流程如图5所示，

4.1)谱峰搜索：将脉搏波频谱ppg2中的谱峰值fppg和其对应的频率值cppg记为谱峰对(fppg,cppg)，并依据谱峰值fppg的大小排序，选取前n大的谱峰对记为{(fppg1,cppg1),(fppg2,cppg2),(fppg3,cppg3),…(fppgn,cppgn)}，其中n为正整数；在实际操作中可根据谱峰值较大的数量取值，本实施例中n取值为2～6。

将加速度频谱中的谱峰值facc和其对应的频率值cacc记为谱峰对(facc,cacc)，并依据facc的大小排序，取前m大的谱峰对记为{(facc1,cacc1),(facc2,cacc2),(facc3,cacc3),…(faccm,caccm)}，其中m为正整数；在实际操作中可根据谱峰值较大的数量取值，本实施例中m取值为2～6。

4.2)谱峰扩展：设置参数ε，取集合a＝[cacc1-ε,cacc1+ε]∪[cacc2-ε,cacc2+ε]∪…∪[caccm-ε,caccm+ε]，其中ε为正整数；设置参数μ，取集合b＝[cppg1-μ,cppg1+μ]∪[cppg2-μ,cppg2+μ]∪…∪[cppgn-μ,cppgn+μ]，其中μ为正整数；其中ε和μ均可根据情况取值，取值需保证对应的频率变化范围在0.01hz～0.1hz之间，本实施例中选择为5或10。

4.3)谱减置零：判断所述脉搏波频谱ppg2的各频率值是否属于集合a且不属于集合b，若是，则将该频率值对应的幅值置为0；若不是，则不做任何操作；遍历脉搏波频谱ppg2的所有频率值后，得到稀疏的ppg谱ppg3。

然后进行步骤5)，对所述稀疏的ppg谱ppg3进行稀疏信号重构，得到纯净的ppg信号ppg4。

稀疏信号重构的目的在于合理重构稀疏的ppg谱中的被置零的信号。稀疏信号重构的算法可分为四类：最小l1范数法、匹配追踪算法、最小全变分法和迭代阈值法。可以根据信号的情况选择合适的方法进行稀疏信号重构。

本实施例中采用迭代阈值法中的自适应阈值迭代(imat)法进行稀疏信号重构，其流程如图6所示。其中dt变换指信号从稀疏域变换到信息域，idt变换指信号从信息域变换到稀疏域，在本实施例中，dt为傅里叶变换，信息域为时域，稀疏域为频域。

5.1)初始化：将得到的稀疏的ppg谱进行dt变换，其中dt变换指信号从稀疏域变换到信息域，获得的信息域谱记为y，i为迭代次数，i＝1,2…b，b为规定的迭代次数，其取值范围为15-40，本实施例中b＝20，令i＝1；

5.2)迭代：计算si＝si-1+a×(y-si-1)，其中a为替换参数，是一个固定值，取值范围为0.1-0.3，s0＝0；

5.3)idt变换：将si从信息域变换到稀疏域；其中idt变换指信号从信息域变换到稀疏域；

5.4)滤波：将步骤5.3)获得的稀疏域信号逐频率点与阈值th比较，若该点的幅值小于th则该频率值对应的幅值被置零，若该点的幅值不小于th则该频率值对应的幅值保留，上述比较遍历所有频率值后，形成幅值重置后的稀疏域信号xout_i；其中th＝β×e^-α×(i-1)，β为所述稀疏的ppg谱(ppg3)中最大幅值的0.1-0.3倍，α是一个固定值，本实施例中α＝0.1-0.3；

5.5)dt变换：将xout_i由稀疏域变换到信息域；

5.6)判断：判断i是否达到次数b，若达到，则输出该xout_i，即为纯净的脉搏波信号(ppg4)；若未达到，则令i＝i+1，重复步骤5.2)-5.6)。

经过稀疏信号重构后，对脉搏波的频谱进行了补全。这样既提高了频谱分辨率，又进一步实现噪声滤除，最终得到纯净的脉搏波信号。

脉搏波信号经过本发明上述的并联自适应滤波器、谱减法和稀疏信号重构等步骤，可以实现对脉搏波信号运动噪声的去除，为后续基于脉搏波信号的生理特征计算做准备。本发明提出的方案能有效滤除线性和非线性两种噪声，且具有普适性，算法鲁棒性强，特别适合于可穿戴式生理指标监测设备，具有较强的实用价值。

所属领域的普通技术人员应当理解，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。