一种基于改进CEEMD的人体脉搏波信号分解系统及方法

一种基于改进ceemd的人体脉搏波信号分解系统及方法
技术领域
1.本发明涉及数据处理技术领域，具体而言，涉及一种基于改进ceemd 的人体脉搏波信号分解系统及方法。


背景技术：

2.ecmo技术中的体外循环机以人工血泵及氧合器作为主要部分组成。其中，大多数人工血泵都需要人为调节血泵转速，灌注师需要连续监测人工血泵中的整体情况以调整灌注率，既影响了灌注过程的实时性又使灌注过程机器依赖灌注师的经验。
3.脉搏压力及脉搏特征变化是评价人体心血管系统生理病理状态的重要依据，无论是中医切脉或是西医心血管病检查，都试图从脉搏波特征中提取各种生理病理信息。脉搏波信号中携带的各种信息，通过对脉搏波信号进行分析可以获取心脏泵血特征及各种信息。
4.因此，有必要研发一种可以根据病人心脏泵血特征而输出不同的人工血泵控制信号，以实现人工血泵的自适应控制的技术方案，以解决现阶段人工血泵所存在的需要灌注师实时监视灌注过程来调整灌注率，进而既影响了灌注过程的实时性又使灌注过程机器依赖灌注师的经验的问题。


技术实现要素：

5.基于此，为了解决现阶段人工血泵所存在的需要灌注师实时监视灌注过程来调整灌注率，既影响了灌注过程的实时性又使灌注过程机器依赖灌注师的经验的的问题，本发明提供了一种基于改进ceemd的人体脉搏波信号分解系统及方法，其具体技术方案如下：
6.一种基于改进ceemd的人体脉搏波信号分解系统，其包括脉搏信号采集模块、人体脉搏波信号分解模块以及人工血泵控制模块。
7.脉搏信号采集模块用于采集人体脉搏信号，并对采集到的人体脉搏信号进行预处理以获取脉搏波形信号。
8.人体脉搏波信号分解模块用于通过二阶差分波峰波谷算法对脉搏波形信号进行处理，并利用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解。
9.人工血泵控制模块用于接收并根据分解后的脉搏波形信号对人工血泵进行控制。
10.所述基于改进ceemd的人体脉搏波信号分解系统使用ceemd (complementary ensemble empirical mode decomposition，集合经验模态分解)对脉搏波信号进行分解，可以输出稳定可靠的血泵控制信号，其无需灌注师实时监视灌注过程来调整灌注率，可以根据病人心脏泵血特征而输出不同的人工血泵控制信号，以实现人工血泵的自适应控制。
11.即是说，所述基于改进ceemd的人体脉搏波信号分解系统解决了现阶段人工血泵所存在的需要灌注师实时监视灌注过程来调整灌注率，既影响了灌注过程的实时性又使灌注过程机器依赖灌注师的经验的的问题，能够减少灌注过程中灌注师需要持续监视的时间，提高人工血泵的智能程度，实现人工血泵的自适应控制。
12.进一步地，所述脉搏信号采集模块包括脉搏传感器以及脉搏曲线构建单元。
13.脉搏传感器用于采集人体脉搏信号。
14.脉搏曲线构建单元用于对滤波后的人体脉搏信号进行预处理以获取脉搏波形信号。
15.进一步地，所述人体脉搏波信号分解模块包括二阶差分波峰波谷算法处理单元以及ceemd算法分解单元。
16.二阶差分波峰波谷算法处理单元用于通过二阶差分波峰波谷算法对脉搏波形信号进行处理。
17.ceemd算法分解单元用于对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解。
18.一种基于改进ceemd的人体脉搏波信号分解方法，其包括如下步骤：
19.s1，采集人体脉搏信号，并对采集到的人体脉搏信号进行预处理以获取脉搏波形信号。
20.s2，通过二阶差分波峰波谷算法对脉搏波形信号进行处理。
21.s3，利用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解。
22.s4，根据分解后的脉搏波形信号对人工血泵进行控制。
23.进一步地，在步骤s2中，通过二阶差分波峰波谷算法对脉搏波形信号进行处理的具体方法包括如下步骤：
24.s21，将脉搏波形信号表示为v＝[v1,v2,
…
,vn]。
[0025]
s22,计算v的一阶差分向量diffv(i)＝v(i+1)-v(i)，其中， i∈1,2,.....,n-1。
[0026]
s23，对v的一阶差分向量进行取符号函数运算并使 trend＝sign(diffv)。
[0027]
s24，从尾部遍历trend向量,进行如下操作：
[0028]
s25，对trend向量进行一阶差分运算，得到r＝diff(trend)。
[0029]
s26，遍历得到的差分向量r，如果r(i)＝-2，则i+1为投影向量v的一个峰值位，对应的峰值为v(i+1)；如果r(i)＝2，则i+1为投影向量v 的一个波谷位，对应的波谷为v(i+1)。
[0030]
进一步地，在步骤s3中，利用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解的具体方法包括如下步骤：
[0031]
s30，令n为添加的白噪声总数，即是待分解原始信号的总体处理次数。
[0032]
s31，分别设定一组正值的白噪声信号序列{ni}以及一组与之对应的负值的白噪声信号序列{-ni}，并将{ni}以及{-ni}分别添加到待分解原始信号s(t)中，组成两组新的信号以及其中，i＝1,2,
…
,n。即是说，正值的白噪声信号序列与负值的白噪声信号序列相对应。
[0033]
s32，使用emd算法对以及进行分解，得到一系列的内在模态函数，分别
记以及为为以及的第j个内在模态函数。
[0034]
s33，令ij(t)作为重构信号(即待分解原始信号)的第j个内在模态函数，其中，
[0035]
s34，令p为重构信号中的所有内在模态函数的总数，令r(t)为重构信号的残差，则
[0036]
通过用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解后，可以得到有限数量的imf(intrinsic mode function，固有模态函数)。
[0037]
进一步地，所述人体脉搏波信号分解方法还包括如下步骤：通过游程检测法剔除分解后的脉搏波形信号中的高频噪声imf。
[0038]
进一步地，所述人体脉搏波信号分解方法还包括如下步骤：通过主成分分析法对分解后的脉搏波形信号进行噪声滤除处理。
[0039]
进一步地，一种计算机可读存储介质，其存储有计算机程序，当所述计算机程序被处理器执行时实现上述的一种基于改进ceemd的人体脉搏波信号分解方法。
附图说明
[0040]
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
[0041]
图1是本发明一实施例中一种基于改进ceemd的人体脉搏波信号分解系统的整体结构示意图一；
[0042]
图2是本发明一实施例中一种基于改进ceemd的人体脉搏波信号分解系统的整体结构示意图二；
[0043]
图3是本发明一实施例中一种基于改进ceemd的人体脉搏波信号分解方法的整体流程示意图一；
[0044]
图4是本发明一实施例中一种基于改进ceemd的人体脉搏波信号分解方法中ceemd算法的步骤示意图；
[0045]
图5是本发明一实施例中一种基于改进ceemd的人体脉搏波信号分解方法的整体流程示意图二。
具体实施方式
[0046]
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
[0047]
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
[0048]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的
技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0049]
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
[0050]
如图1以及图2所示，本发明一实施例中的一种基于改进ceemd的人体脉搏波信号分解系统，其包括脉搏信号采集模块、人体脉搏波信号分解模块以及人工血泵控制模块。
[0051]
脉搏信号采集模块用于采集人体脉搏信号，并对采集到的人体脉搏信号进行预处理以获取脉搏波形信号。
[0052]
人体脉搏波信号分解模块用于通过二阶差分波峰波谷算法对脉搏波形信号进行处理，并利用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解。
[0053]
人工血泵控制模块用于接收并根据分解后的脉搏波形信号对人工血泵进行控制。
[0054]
具体而言，所述脉搏信号采集模块包括脉搏传感器以及脉搏曲线构建单元。脉搏曲线构建单元设置在控制芯片中。
[0055]
利用脉搏传感器且通过光电容积描记法采集人体脉搏信号。脉搏曲线构建单元用于对滤波后的人体脉搏信号进行预处理以获取脉搏波形信号。所述预处理包括但不限于滤波降噪。
[0056]
脉搏曲线构建单元获取脉搏波形信号后，通过串口传输至人体脉搏波信号分解模块。人体脉搏波信号分解模块通过串口将分解后的脉搏波形信号输出至人工血泵控制模块，人工血泵控制模块根据分解后的脉搏波形信号对人工血泵进行控制。
[0057]
人工血泵控制模块包括控制器。人工血泵包括多个，每一个人工血泵包括电机以及伺服泵。所述系统还包括用来检测人工血泵流量值以及压力值的流量传感器以及压力传感器。检测到的人工血泵流量值以及压力值，可以输出值显示模块比如显示屏，进行显示。
[0058]
所述基于改进ceemd的人体脉搏波信号分解系统使用ceemd (complementary ensemble empirical mode decomposition，集合经验模态分解)对脉搏波信号进行分解，可以输出稳定可靠的血泵控制信号，其无需灌注师实时监视灌注过程来调整灌注率，可以根据病人心脏泵血特征而输出不同的人工血泵控制信号，以实现人工血泵的自适应控制。
[0059]
即是说，所述基于改进ceemd的人体脉搏波信号分解系统解决了现阶段人工血泵所存在的需要灌注师实时监视灌注过程来调整灌注率，既影响了灌注过程的实时性又使灌注过程机器依赖灌注师的经验的的问题，能够减少灌注过程中灌注师需要持续监视的时间，提高人工血泵的智能程度，实现人工血泵的自适应控制。
[0060]
在其中一个实施例中，所述人体脉搏波信号分解模块包括二阶差分波峰波谷算法处理单元以及ceemd算法分解单元。
[0061]
二阶差分波峰波谷算法处理单元用于通过二阶差分波峰波谷算法对脉搏波形信号进行处理。
[0062]
ceemd算法分解单元用于对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解。
[0063]
在这里，通过二阶差分波峰波谷算法处理的脉搏波形信号受端点效应影响较小。
[0064]
在其中一个实施例中，如图3、图4以及图5所示，一种基于改进ceemd 的人体脉搏波信号分解方法，其包括如下步骤：
[0065]
s1，采集人体脉搏信号，并对采集到的人体脉搏信号进行预处理以获取脉搏波形信号。
[0066]
s2，通过二阶差分波峰波谷算法对脉搏波形信号进行处理。
[0067]
s3，利用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解。
[0068]
s4，根据分解后的脉搏波形信号对人工血泵进行控制。
[0069]
具体而言，在步骤s2中，通过二阶差分波峰波谷算法对脉搏波形信号进行处理的具体方法包括如下步骤：
[0070]
s21，将脉搏波形信号表示为v＝[v1,v2,
…
,vn]。对脉搏信号进行预处理后获取的脉搏波形信号，实际上是一个一维的数组向量。
[0071]
s22,计算v的一阶差分向量diffv(i)＝v(i+1)-v(i)，其中， i∈1,2,.....,n-1。
[0072]
s23，对v的一阶差分向量进行取符号函数运算并使 trend＝sign(diffv)。
[0073]
s24，从尾部遍历trend向量,进行如下操作：
[0074]
s25，对trend向量进行一阶差分运算，得到r＝diff(trend)。
[0075]
s26，遍历得到的差分向量r，如果r(i)＝-2，则i+1为投影向量v的一个峰值位，对应的峰值为v(i+1)；如果r(i)＝2，则i+1为投影向量v 的一个波谷位，对应的波谷为v(i+1)。
[0076]
通过二阶差分波峰波谷算法对脉搏波形信号进行处理，识别出脉搏波形信号的波峰波谷后，对脉搏波形信号的周期进行识别，将平缓处作为起始点，并将起始点向后延伸1225个数据点作为待分解脉搏波形信号。
[0077]
在步骤s3中，利用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解的具体方法包括如下步骤：
[0078]
s30，令n为添加的白噪声总数，即是待分解原始信号的总体处理次数。
[0079]
s31，分别设定一组正值的白噪声信号序列{ni}以及一组与之对应的负值的白噪声信号序列{-ni}，并将{ni}以及{-ni}分别添加到待分解原始信号s(t)中，组成两组新的信号以及其中，i＝1,2,
…
,n。即是说，正值的白噪声信号序列与负值的白噪声信号序列相对应。
[0080]
s32，使用emd算法对以及进行分解，得到一系列的内在模态函数，分别记以及为为以及的第j个内在模态函数。
[0081]
s33，令ij(t)作为重构信号(即待分解原始信号)的第j个内在模态函数，其中，
[0082]
s34，令p为重构信号中的所有内在模态函数的总数，令r(t)为重构信号的残差，则
[0083]
通过用ceemd算法对通过二阶差分波峰波谷算法处理后的脉搏波形信号进行分解后，可以得到有限数量的imf(intrinsic mode function，固有模态函数)。
[0084]
在其中一个实施例中，所述人体脉搏波信号分解方法还包括如下步骤：通过游程检测法剔除分解后的脉搏波形信号中的高频噪声imf。具体而言，通过游程检测法检测各个imf的频谱，根据其频谱的趋势be改变次数识别该imf是否可用，当be》50，则该imf为高频杂乱信号，当be《5，则说明该imf无有效信息，为不可用信号。
[0085]
通过游程检测法，可将高频噪声imf去除，保留相关度最高的四个imf。但由于ceemd算法分解时仍有端点效应及残余辅助噪声的影响，需要通过主成分分析法将imf中存在的噪声滤除(即对分解后的脉搏波形信号进行噪声滤除处理)。主成分分析是一种线性降维方法，它通过某种线性投影，将高维的数据映射到低维的空间中，在所投影的维度上数据的信息量最大 (方差最大)，以此使用较少的数据维度，同时保留住较多的原数据点的特性。主成分分析可以分为几步，如下所示：
[0086]
(1)令矩阵x为待处理样本，并对x的每一行进行去中心化处理，即：
[0087][0088]
(2)计算样本的协方差矩阵xx
t
。
[0089]
(3)求协方差矩阵xx
t
的n个特征值λ1,λ2,
…
,λn，及对应的n个特征向量y1,y2,
…
,yn。
[0090]
(4)将得到的n个特征值按降序进行排列，筛选出较大的特征值及其对应的特征向量。
[0091]
(5)使用步骤4中得到的特征值及特征向量，即可从信号中提取主分量，将噪声等无用信息去除。
[0092]
原始脉搏信号经过处理后，可以分解为多个不同的imf。通过imf生成对应的人工血泵控制信号并对人工血泵进行控制，可以得到周期搏动的流量变化及压力变化。
[0093]
综上所述，通过本发明所述基于改进ceemd的人体脉搏波信号分解方法，至少可以取得以下几点有益技术效果：
[0094]
1.提取周期人体脉搏信号并进行分解，可产生可靠控制信号。
[0095]
2.采用多种方法对ceemd算法的精确性进行增强，可以将噪声的影响降低到可以忽略的程度。把pca融入到ceemd中进行改进，能够解决原始 ceemd在非平稳信号处理上存在的不足。且该方法适用于无创式采集脉搏信息方式，能够解决无创采集过程中易受外界因素干扰的问题。
[0096]
3.所述方法用于人工血泵控制系统中，能够减少灌注过程中灌注师需要持续监视的时间，提高人工血泵的智能程度，实现人工血泵的自适应控制。
[0097]
在其中一个实施例中，一种计算机可读存储介质，其存储有计算机程序，当所述计算机程序被处理器执行时实现上述的一种基于改进ceemd的人体脉搏波信号分解方法。
[0098]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0099]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。