技术领域本发明涉及信号处理技术领域，特别是涉及一种信号过滤方法和系统。
背景技术：
信号在传输过程中，由于种种原因，会产生干扰信号。干扰信号会对有用信号产生一定影响，严重时，甚至使信号无法解调。因此，在接收到信号之后，往往需要对接收信号进行过滤，去除干扰，得到有用信号。但是，在某些场景下，往往难以彻底将干扰滤除。以心电信号为例。心电信号(Electrocardiograph，ECG)包含大量的生理甚至疾病信息，是临床诊断心血管疾病的重要工具。病人监护仪及多体征采集设备实际采集到的心电信号较弱，易被多种干扰成分污染，如工频干扰，肌电(Electromyography，EMG)干扰和漂移干扰等。其中，工频干扰相对固定，较易去除，但是容易带来ST段抬高等问题，影响最终的判断；而肌电干扰则因人而异，且成分复杂，难以去除。通常干扰信号的幅值较高，而且两者的频域混叠。因此，寻找鲁棒性能好，分离效率高的滤波方法对提取纯净的心电信号意义重大。肌电干扰的成分复杂，主要来自人体肌肉群的运动，尤其是手臂、腿和胸腔的肌肉运动产生的干扰，如挥手、咀嚼、移动、颤动和肌肉紧张等动作。肌肉运动的部位不同，对心电信号的影响也不同。目前对心电信号中肌电干扰的研究方法包括数字滤波法，盲源分离法(独立变量分析、典型相关分析)，自适应滤波法，自适应神经模糊系统法。由于ECG的频段为0～50Hz，EMG的频段为1～2000Hz，ECG和EMG的频谱交叉混叠，难以用常规的数字滤波方法将EMG干扰滤除干净。肌电干扰去除方法滤波的同时某些有效心电信号也会被去除；且需要人工干预来识别干扰成分，因而具有一定的主观性而且非常耗时。盲源分离法很难将肌电干扰去除干净，若是去除过多的肌电分量，则会导致有用心电信号丢失。自适应滤波方法需要相应的参考导联，因而也存在交叉干扰问题。自适应模糊推理系统(AdaptiveNeuro-FuzzyInferenceSystem，ANFIS)的滤波效果还有待提高。综上所述，现有技术干扰滤除的效果较差。
技术实现要素：
基于此，有必要针对现有技术干扰滤除的效果较差的问题，提供一种信号过滤方法和系统。一种信号过滤方法，包括以下步骤：对干扰源产生的第一干扰信号进行若干次延迟，将每次延迟信号作为一个元素，构造第一干扰信号的输出向量；根据所述输出向量确定模糊规则的前件，根据所述前件以及预设的模糊规则进行模糊推理，得到模糊规则的第一后件；对所述输出向量进行函数扩展，获取扩展后的输出向量的正交基函数，根据所述正交基函数确定模糊规则的第二后件，在第一干扰信号经传输到达有用信号的信号源处时，根据所述第一后件和第二后件获取对应的第二干扰信号，根据所述第二干扰信号过滤出信号源产生的有用信号。一种信号过滤系统，包括：延迟模块，用于对干扰源产生的第一干扰信号进行若干次延迟，将每次延迟信号作为一个元素，构造第一干扰信号的输出向量；模糊推理模块，用于根据所述输出向量确定模糊规则的前件，根据所述前件以及预设的模糊规则进行模糊推理，得到模糊规则的第一后件；过滤模块，用于对所述输出向量进行函数扩展，获取扩展后的输出向量的正交基函数，根据所述正交基函数确定模糊规则的第二后件，在第一干扰信号经传输到达有用信号的信号源处时，根据所述第一后件和第二后件获取对应的第二干扰信号，根据所述第二干扰信号过滤出信号源产生的有用信号。上述信号过滤方法和系统，通过对干扰源产生的干扰信号进行延迟，构造第一干扰信号的输出向量，根据所述输出向量确定模糊规则的前件进行模糊推理，对所述输出向量进行函数扩展，得到一组正交基函数，根据所述正交基函数确定模糊规则的第二后件，并在第一干扰信号经传输到达有用信号的信号源处时，根据所述第一后件和第二后件获取对应的第二干扰信号，能够有效获取干扰信号，从而能够从混有干扰信号的有用信号中提取较为纯净的有用信号。附图说明图1为本发明的信号过滤方法流程图；图2为正常心电信号示意图；图3为混有肌电信号的心电信号示意图；图4为自适应模糊推理系统的结构示意图；图5为本发明的基于函数链神经网络的自适应模糊推理系统的结构示意图；图6为本发明的信号过滤系统的结构示意图。具体实施方式下面结合附图对本发明的信号过滤方法的实施例进行描述。图1为本发明的信号过滤方法流程图。如图1所示，所述信号过滤方法可包括以下步骤：S1，对干扰源产生的第一干扰信号进行若干次延迟，将每次延迟信号作为一个元素，构造第一干扰信号的输出向量；下面以心电信号和肌电信号为例进行说明。当需要从混有肌电信号的心电信号中提取纯净的心电信号时，所述第一干扰信号为肌电信号；相应地，心电信号为有用信号。在实际情况下，第一干扰信号和有用信号也可以是其他信号。具体的信号类型将不会影响本申请技术方案的实施。正常心电信号如下图所示，其最主要特点为，有窄而高的QRS波，QRS波以外的数据基本处于一个相对稳定的区域，如图2所示。混有肌电干扰的心电信号如下图所示，其特点波形粗糙，不光滑，导致QRS中蕴含的有用信息难以提取，如图3所示。自适应模糊推理系统(ANFIS)原理框图如图4所示。其中，s(k)为不含有任何干扰或干扰的理想ECG信号；q(k)为主输入源，是混入了EMG等干扰的ECG信号，即电极直接采集得到的ECG信号；f为非线性动态函数，反映了人体从肌电干扰产生到心电电极的路径；n(k)为噪声参考输入源，即第一干扰信号；d(k)为EMG干扰信号，即第一干扰信号经传输到达有用信号的信号源处时的第二干扰信号；为d(k)的估计值，通过操作，得到理想ECG信号s(k)的估计值如图4所示，可通过一个IIR滤波器来模拟上述非线性动态函数。n(k)经过一个IIR滤波器，进行平滑滤波，滤波器结构如下：H(z)=AΠk=1M1+b1kz-1+b2kz-21+a1kz-1+a2kz-2;]]>式中，H(z)为IIR滤波器的系统函数，A为IIR滤波器的幅值，M为IIR滤波器的阶数，a1k、a2k、b1k和b2k为常数，z为拉普拉斯算子。平滑滤波后信号经过抽头延迟线D，进行r-1次延迟，得到r维的输出向量X(k)＝[x1(k),x2(k),…,xr(k)]T。S2，根据所述输出向量确定模糊规则的前件，根据所述前件以及预设的模糊规则进行模糊推理，得到模糊规则的第一后件；具体地，可根据预设的隶属度函数计算所述输出向量在自适应神经模糊推理系统的每个神经元节点的隶属度；然后，可为每个神经元节点设置一条模糊规则，根据所述隶属度计算每条模糊规则的激励强度；可将所述激励强度设为模糊规则的第一后件。输出向量X(k)＝[x1(k),x2(k),…,xr(k)]T进入自适应滤波器的第1层，该层的每个节点都相当于一个一维隶属度函数，可选取高斯函数作为隶属度函数，具体如下：μij(xl)=exp[-(xl-cij)2σj2];]]>根据上述隶属度函数可得每个神经元节点的隶属度为：Oj(1)=Σl=1rμlj(xl);]]>式中，为所述输出向量在第j个神经元节点的隶属度，μlj(xl)为所述输出向量中第l个元素xl在第j个神经元节点的隶属度函数，r为所述输出向量的维度，j＝1,2,…,n为隶属度函数的编号，其中，n为隶属度函数的个数，clj为所述输出向量中第l个元素在第j个神经元节点的隶属度函数的中心，σj为第j个神经元节点的隶属度函数的宽度。在实际情况下，也可选取其他函数作为隶属度函数，比如三角函数，切比雪夫函数等。经过实际测试，采用高斯函数作为隶属度函数能够获得比其他函数更好的滤波效果，临床数据上表现最好。根据所述隶属度可计算每条模糊规则的激励强度，当隶属度函数为高斯函数时，所述激励强度可为：Oj(2)=Πl=1rμlj(xl)=exp[-||(xl-clj)2||σj2];]]>式中，为第j条模糊规则，μlj(xl)为所述输出向量中第l个元素xl在第j个神经元节点的隶属度函数，r为所述输出向量的维度，n为隶属度函数的个数，clj为所述输出向量中第l个元素在第j个神经元节点的隶属度函数的中心，σj为第j个神经元节点的隶属度函数的宽度。相应地，可根据上述激励强度计算每条模糊规则的权重，所述权重可为：Oj(3)=Oj(2)Σi=1nOi(2);]]>式中，为第j条模糊规则的激励强度，和分别为第i条模糊规则和第j条模糊规则，n为模糊规则的数量。S3，对所述输出向量进行函数扩展，获取扩展后的输出向量的正交基函数，根据所述正交基函数确定模糊规则的第二后件，在第一干扰信号经传输到达有用信号的信号源处时，根据所述第一后件和第二后件获取对应的第二干扰信号，根据所述第二干扰信号过滤出信号源产生的有用信号。考虑到ECG是非线性的，而ANFIS的模糊规则后件是输入变量的线性组合，可将函数链神经网络(FLNN)应用于ANFIS的模糊规则后件部分，其原理框图如图5所示。图5中新加入的模块为FLNN，由函数扩展和单层感知器两部分组成，X(k)＝[x1(k),x2(k),…,xr(k)]T为抽头延迟线的输出，T1,T2,…,TM为FLNN的正交基函数。可采用切比雪夫正交多项式(ChebyshevOrthogonalPolynomials，COP)作为正交基函数，进行函数扩展。切比雪夫多项式如下：Ch0(x)=1Ch1(x)=1Ch2(x)=2x2-1...Chm+1(x)=2xChm(x)-Chm-1(x);]]>相应地，正交基函数为：[T1T2...TM]T=1Ch1(x1)Ch2(x1)...Ch1(xr)Ch2(xr)...;]]>式中，[T1T2…TM]T为所述正交基函数，Chm(xl)为输出向量中第l个元素的第m个切比雪夫正交多项式，T为转置操作，M为所述正交基函数的个数。在实际情况下，也可以采用其他方法进行函数扩展。经过函数扩展，可将低维扩展到高维空间，实现非线性。可根据如下公式计算所述第二后件：wj=Σi=1MαjiTi;]]>式中，wj为第j条模糊规则的第二后件，M为所述正交基函数的个数，Ti为所述正交基函数中的第i个正交基，αji为函数链神经网络神经元的权值。可根据如下公式计算所述第二干扰信号：y=Σj=1nOj(3)wjΣj=1nOj(3);]]>式中，y为所述第二干扰信号，即EMG信号，为第j条模糊规则的第一后件，wj为第j条模糊规则的第二后件。在一个实施例中，获取扩展后的输出向量的正交基函数之前，还可先对扩展后的输出向量进行标准化操作。在这种情况下，正交基函数为扩展后的输出向量的正交基函数。通过标准化处理，可使数据在归一化的维度内，便于评价和处理。根据上述第二干扰信号y和主输入源q(k)，可计算自适应滤波器的输出误差，具体如下：E=12Σe2(k)=12Σ[q(k)-y(k)]2;]]>式中，e2(k)为自适应滤波器的输出误差，E为输出误差的平均值，q(k)为k时刻的混有EMG干扰信号的EGC信号，y(k)为k时刻的EMG信号。y(k)等于于是，上述公式中的E可以表示为：E=12Σe2(k)=12Σ[q(k)-d^(k)]2;]]>从而可以得到，自适应滤波器的自适应噪声输出为：s^(k)=q(k)-d^(k)=s(k)+d(k)-d^(k);]]>根据上述等式两边平方可得：s^(k)2=s(k)2+[d(k)-d^(k)]2+2s(k)[d(k)-d^(k)];]]>根据上述对等式两边取期望，可得：E[s^(k)2]=E[s(k)2]+E[[d(k)-d^(k)]2];]]>当调整滤波器，使达到最小值时，也达到最小值。此时，滤波器输出为干扰d(k)的最小二乘估计值，则有：E[s^(k)2-s(k)2]=E[[d(k)-d^(k)]2];]]>从而，输出也为理想ECG信号s(k)的最小二乘估计值。调整滤波器，使得误差E达到要求，即可以保证自适应滤波器的输出为较为纯净的ECG信号。混有肌电干扰的心电信号X(k)＝[x1(k),x2(k),…,xr(k)]T经过上述自适应滤波器，即可有效滤除心电信号中的肌电干扰，获得纯净的心电信号本发明具有以下优点：(1)能实时滤除有用信号中的干扰信号，从混有干扰的信号中提取纯净的有用信号。(2)模糊非线性处理，能够解决信号滤波过程中的交叉干扰问题。下面结合附图对本发明的信号过滤方法的实施例进行描述。图6为本发明的信号过滤系统的结构示意图。如图6所示，所述信号过滤系统可包括：延迟模块10，用于对干扰源产生的第一干扰信号进行若干次延迟，将每次延迟信号作为一个元素，构造第一干扰信号的输出向量；下面以心电信号和肌电信号为例进行说明。当需要从混有肌电信号的心电信号中提取纯净的心电信号时，所述第一干扰信号为肌电信号；相应地，心电信号为有用信号。在实际情况下，第一干扰信号和有用信号也可以是其他信号。具体的信号类型将不会影响本申请技术方案的实施。正常心电信号如下图所示，其最主要特点为，有窄而高的QRS波，QRS波以外的数据基本处于一个相对稳定的区域，如图2所示。混有肌电干扰的心电信号如下图所示，其特点波形粗糙，不光滑，导致QRS中蕴含的有用信息难以提取，如图3所示。自适应模糊推理系统(ANFIS)原理框图如图4所示。其中，s(k)为不含有任何干扰或干扰的理想ECG信号；q(k)为主输入源，是混入了EMG等干扰的ECG信号，即电极直接采集得到的ECG信号；f为非线性动态函数，反映了人体从肌电干扰产生到心电电极的路径；n(k)为噪声参考输入源，即第一干扰信号；d(k)为EMG干扰信号，即第一干扰信号经传输到达有用信号的信号源处时的第二干扰信号；为d(k)的估计值，通过操作，得到理想ECG信号s(k)的估计值如图4所示，可通过一个IIR滤波器来模拟上述非线性动态函数。n(k)经过一个IIR滤波器，进行平滑滤波，滤波器结构如下：H(z)=AΠk=1M1+b1kz-1+b2kz-21+a1kz-1+a2kz-2;]]>式中，H(z)为IIR滤波器的系统函数，A为IIR滤波器的幅值，M为IIR滤波器的阶数，a1k、a2k、b1k和b2k为常数，z为拉普拉斯算子。平滑滤波后信号经过抽头延迟线D，进行r-1次延迟，得到r维的输出向量X(k)＝[x1(k),x2(k),…,xr(k)]T。模糊推理模块20，用于根据所述输出向量确定模糊规则的前件，根据所述前件以及预设的模糊规则进行模糊推理，得到模糊规则的第一后件；具体地，可根据预设的隶属度函数计算所述输出向量在自适应神经模糊系统的每个神经元节点的隶属度；然后，可为每个神经元节点设置一条模糊规则，根据所述隶属度计算每条模糊规则的激励强度；可将所述激励强度设为模糊规则的第一后件。输出向量X(k)＝[x1(k),x2(k),…,xr(k)]T进入自适应滤波器的第1层，该层的每个节点都相当于一个一维隶属度函数，可选取高斯函数作为隶属度函数，具体如下：μij(xl)=exp[-(xl-cij)2σj2];]]>根据上述隶属度函数可得每个神经元节点的隶属度为：Oj(1)=Σl=1rμlj(xl);]]>式中，为所述输出向量在第j个神经元节点的隶属度，μlj(xl)为所述输出向量中第l个元素xl在第j个神经元节点的隶属度函数，r为所述输出向量的维度，j＝1,2,…,n为隶属度函数的编号，其中，n为隶属度函数的个数，clj为所述输出向量中第l个元素在第j个神经元节点的隶属度函数的中心，σj为第j个神经元节点的隶属度函数的宽度。在实际情况下，也可选取其他函数作为隶属度函数，比如三角函数，切比雪夫函数等。经过实际测试，采用高斯函数作为隶属度函数能够获得比其他函数更好的滤波效果，临床数据上表现最好。根据所述隶属度可计算每条模糊规则的激励强度，当隶属度函数为高斯函数时，所述激励强度可为：Oj(2)=Πl=1rμlj(xl)=exp[-||(xl-clj)2||σj2];]]>式中，为第j条模糊规则，μlj(xl)为所述输出向量中第l个元素xl在第j个神经元节点的隶属度函数，r为所述输出向量的维度，n为隶属度函数的个数，clj为所述输出向量中第l个元素在第j个神经元节点的隶属度函数的中心，σj为第j个神经元节点的隶属度函数的宽度。相应地，可根据上述激励强度计算每条模糊规则的权重，所述权重可为：Oj(3)=Oj(2)Σi=1nOi(2);]]>式中，为第j条模糊规则的激励强度，和分别为第i条模糊规则和第j条模糊规则，n为模糊规则的数量。过滤模块30，用于对所述输出向量进行函数扩展，获取扩展后的输出向量的正交基函数，根据所述正交基函数确定模糊规则的第二后件，在第一干扰信号经传输到达有用信号的信号源处时，根据所述第一后件和第二后件获取对应的第二干扰信号，根据所述第二干扰信号过滤出信号源产生的有用信号。考虑到ECG是非线性的，而ANFIS的模糊规则后件是输入变量的线性组合，可将函数链神经网络(FLNN)应用于ANFIS的模糊规则后件部分，其原理框图如图5所示。图5中新加入的模块为FLNN，由函数扩展和单层感知器两部分组成，X(k)＝[x1(k),x2(k),…,xr(k)]T为抽头延迟线的输出，T1,T2,…,TM为FLNN的正交基函数。可采用切比雪夫正交多项式(ChebyshevOrthogonalPolynomials，COP)作为正交基函数，进行函数扩展。切比雪夫多项式如下：Ch0(x)=1Ch1(x)=1Ch2(x)=2x2-1...Chm+1(x)=2xChm(x)-Chm-1(x);]]>相应地，正交基函数为：[T1T2...TM]T=1Ch1(x1)Ch2(x1)...Ch1(xr)Ch2(xr)...;]]>式中，[T1T2…TM]T为所述正交基函数，Chm(xl)为输出向量中第l个元素的第m个切比雪夫正交多项式，T为转置操作，M为所述正交基函数的个数。在实际情况下，也可以采用其他方法进行函数扩展。经过函数扩展，可将低维扩展到高维空间，实现非线性。可根据如下公式计算所述第二后件：wj=Σi=1MαjiTi;]]>式中，wj为第j条模糊规则的第二后件，M为所述正交基函数的个数，Ti为所述正交基函数中的第i个正交基，αji为函数链神经网络神经元的权值。可根据如下公式计算所述第二干扰信号：y=Σj=1nOj(3)wjΣj=1nOj(3);]]>式中，y为所述第二干扰信号，即EMG信号，为第j条模糊规则的第一后件，wj为第j条模糊规则的第二后件。在一个实施例中，获取扩展后的输出向量的正交基函数之前，还可先对扩展后的输出向量进行标准化操作。在这种情况下，正交基函数为扩展后的输出向量的正交基函数。通过标准化处理，可使数据在归一化的维度内，便于评价和处理。根据上述第二干扰信号y和主输入源q(k)，可计算自适应滤波器的输出误差，具体如下：E=12Σe2(k)=12Σ[q(k)-y(k)]2;]]>式中，e2(k)为自适应滤波器的输出误差，E为输出误差的平均值，q(k)为k时刻的混有EMG干扰信号的EGC信号，y(k)为k时刻的EMG信号。y(k)等于于是，上述公式中的E可以表示为：E=12Σe2(k)=12Σ[q(k)-d^(k)]2;]]>从而可以得到，自适应滤波器的自适应噪声输出为：s^(k)=q(k)-d^(k)=s(k)+d(k)-d^(k);]]>根据上述等式两边平方可得：s^(k)2=s(k)2+[d(k)-d^(k)]2+2s(k)[d(k)-d^(k)];]]>根据上述对等式两边取期望，可得：E[s^(k)2]=E[s(k)2]+E[[d(k)-d^(k)]2];]]>当调整滤波器，使达到最小值时，也达到最小值。此时，滤波器输出为干扰d(k)的最小二乘估计值，则有：E[s^(k)2-s(k)2]=E[[d(k)-d^(k)]2];]]>从而，输出也为理想ECG信号s(k)的最小二乘估计值。调整滤波器，使得误差E达到要求，即可以保证自适应滤波器的输出为较为纯净的ECG信号。混有肌电干扰的心电信号X(k)＝[x1(k),x2(k),…,xr(k)]T经过上述自适应滤波器，即可有效滤除心电信号中的肌电干扰，获得纯净的心电信号本发明具有以下优点：(1)能实时滤除有用信号中的干扰信号，从混有干扰的信号中提取纯净的有用信号。(2)模糊非线性处理，能够解决信号滤波过程中的交叉干扰问题。本发明的信号过滤系统与本发明的信号过滤方法一一对应，在上述信号过滤方法的实施例阐述的技术特征及其有益效果均适用于信号过滤系统的实施例中，特此声明。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。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。