EEMD在同時消除脈搏血氧檢測中脈搏波信號高頻噪聲和基線漂移中的應(yīng)用

韓慶陽王曉東 李丙玉 周鵬驥

(中國科學(xué)院長春光學(xué)精密機械與物理研究所光電技術(shù)研發(fā)中心 長春 130033)

EEMD在同時消除脈搏血氧檢測中脈搏波信號高頻噪聲和基線漂移中的應(yīng)用

韓慶陽*王曉東 李丙玉 周鵬驥

(中國科學(xué)院長春光學(xué)精密機械與物理研究所光電技術(shù)研發(fā)中心 長春 130033)

人體血氧飽和度是基于脈搏波信號測量得到的，然而在脈搏波信號采集的過程中存在著由人體呼吸和儀器本身熱噪聲等帶來的基線漂移和高頻噪聲，影響人體血氧飽和度的測量精度。因此，該文提出一種總體平均經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)與基于排列熵(Permutation Entropy, PE)的信號隨機性檢測相結(jié)合的方法，同時消除基線漂移和高頻噪聲。對脈搏波信號進行EEMD分解，計算分解到得到的內(nèi)在模式分量的排列熵，選取閾值，分別判斷并剔除代表高頻噪聲和基線漂移的內(nèi)在模式分量。最后信號重構(gòu)就得到同時消除高頻噪聲和基線漂移的脈搏波信號。通過自行研制的測量裝置所采集的脈搏波信號進行實驗驗證，利用信號的頻譜和交直流比R評價效果。結(jié)果表明：該方法有效地同時消除了脈搏波信號中的高頻噪聲和基線漂移，這將有利于人體血氧飽和度測量精度的提高。

脈搏波信號；人體血氧飽和度；高頻噪聲；基線漂移；總體平均經(jīng)驗?zāi)B(tài)分解；排列熵

1 引言

人體血氧飽和度是衡量人體血液含氧量的重要參數(shù)，它是利用人體動脈的搏動引起血液的吸光度變化，結(jié)合朗伯-比爾定律計算得到的[1]。通過借助光電手段測量得到動脈血液的吸光度變化即為人體的脈搏波信號。

由于脈搏波信號十分微弱，因此，測量得到的脈搏波信號極容易受到干擾，這些干擾主要有3種，分別是：運動偽差、高頻噪聲和基線漂移[2?4]。其中，運動偽差是由測量部位和測量裝置之間的相對運動引起的；高頻噪聲則是信號采集過程中儀器的熱噪聲和電磁干擾等；基線漂移是被測對象的生理活動，如：呼吸和咳嗽等，是一種低頻噪聲[5,6]。這些干擾影響測量得到的脈搏波信號質(zhì)量，進而影響最終人體血氧飽和度的測量精度。本文主要討論高頻噪聲和基線漂移的消除方法。

對于脈搏波信號中的高頻噪聲和基線漂移的消除方法通常有：多項式插值、小波變換和經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)等[7?9]。多項式插值需要確定“基準點”；小波變換需要確定分解層數(shù)和小波基函數(shù)；經(jīng)驗?zāi)B(tài)分解存在模態(tài)有混疊。總體平均經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)是一種改進的EMD法[10?12]，通過向待處理信號中加入高斯白噪聲，多次EMD分解后得到IMF(Intrinsic Mode Function)平均分量，解決了EMD分解的模態(tài)混疊的問題，并且不需要確定分解層數(shù)和選擇基函數(shù)；排列熵(Permutation Entropy, PE)是一種檢測時間序列的隨機性和動力學(xué)突變的方法，具有概念簡單，運算速度快，抗干擾能力強等特點[13,14]。因此，本文提出將EEMD與基于排列熵的信號隨機性相結(jié)合的方法，同時消除脈搏波信號中的高頻噪聲和基線漂移。

2 算法原理與步驟

2.1 算法原理

首先對由人體血氧飽和度測量裝置采集的含有高頻噪聲和基線漂移的脈搏波信號進行EEMD分解；計算分解得到的IMF分量的排列熵，設(shè)置閾值判斷出代表高頻噪聲和基線漂移的IMF分量；將代表高頻噪聲的IMF分量置零，代表基線漂移的IMF分量取均值；然后信號重構(gòu)就得到消除高頻噪聲和基線漂移的脈搏波信號。該方法的優(yōu)點在于處理過程簡便，有可靠的判據(jù)作為依據(jù)，有用信號損失小。

算法的具體原理如下：

在原始信號中添加白噪聲，則信號變?yōu)?/p>

其中，ci白噪聲的幅值，白噪聲的標準差一般為原始信號的0.1～0.2倍，對信號進行EMD分解，然后重復(fù)添加幅值為ci的白噪聲再分解，如此重復(fù)d次，一般取d=100～200。則信號可以表示為

式中，i為整數(shù)，1≤i≤n,rn(t)為余項，IMF1～IMFn為分解得到的IMF分量，對每個長度為N的IMF分量進行空間重構(gòu)得到如下序列：

其中1≤h≤N?(α?1)λ, α是嵌入維數(shù)，λ是時間延遲，將IMFi(h)的α個向量IMFi(h)={IMFi(h), IMFi(h+λ),…,IMFi(h+(α?1)λ)}按照升序排列，即

若IMFi(h+(jh1?1)λ)=IMFi(h+(jh2?1)λ)，則按照j的大小進行排列，所以，任意IMF分量都可以得到一組符號序列S(g)={j1,j2,…,jm}，其中g(shù)=1, 2,…,h,h≤α!。α個不同的符號{j1,j2,…,jm}有α!種排列，S(g)是α!種符號的一種。計算每種符號出現(xiàn)的概率Pg，概率的和為1。

IMF分量的排列熵為

當Pg=1/α?xí)r，PEi(α)達到最大值ln(α!)，將PEi(α)通過ln(α!)標準化處理后得

所以信號分解后的IMF分量IMFi的排列熵為PEi(i為整數(shù)，1≤i≤n)，在計算排列熵時需要確定嵌入維數(shù)α和時間延遲λ，根據(jù)經(jīng)驗值一般取作α=6, λ=1;PEi值越大說明該IMF分量越隨機，反之說明越規(guī)則。確定排列熵的閾值，判斷出代表高頻噪聲的IMF分量為IMF1～IMFm(m為整數(shù)，1≤m≤n )，代表基線漂移的IMF分量為IMFp～IMFm(p為整數(shù)，1≤p≤n)；則基線為式中k為整數(shù)，p≤k≤n，將代表高頻噪聲的IMF置零，代表基線漂移的IMF分量取均值，信號重構(gòu)得到x(t)''： l≤m≤p, m≤l≤n。

2.2 算法步驟

首先，采集脈搏波信號，對含有高頻噪聲和基線漂移的數(shù)據(jù)添加白噪聲如式(1)；其次，對添加白噪聲的脈搏波信號進行EEMD分解得到式(2)；然后根據(jù)式(3)、式(4)、式(5)和式(6)計算每個IMF分量的PE值；再通過經(jīng)驗選取PE的閾值，判斷代表高頻噪聲和基線漂移的IMF分量，通過式(7)得到基線漂移；最后通過式(8)得到同時消除高頻噪聲和基線漂移的脈搏波信號。

式中，mean(B(r))為將B取平均即為消除干擾后的基線，r為采樣點，p,m和l為整數(shù)，且1≤p≤n,

3 實驗

利用自行研制人體血氧飽和度測量裝置采集脈搏波信號，驗證該方法對高頻噪聲和基線漂移的消除效果，圖1是該裝置的框圖。

圖1 人體血氧飽和度測量裝置框圖

以Xilinx公司生產(chǎn)的Spartan 6系列FPGA為核心，其工作時鐘為100 MHz，滿足脈搏波信號的采集速度要求：脈搏波信號的采樣率為200 Hz。首先，通過光源驅(qū)動器驅(qū)動LED光源發(fā)光，然后再由光電探測器將人體動脈搏動引起的光信號變化轉(zhuǎn)換成電信號，在進入微控制器前對信號進行IV變換、程控放大、濾波和AD轉(zhuǎn)換等一系列初步處理，再由FPGA將人體脈搏波信號通過基于CY7C68013的USB2.0接口傳到上位機，上位機完成人體脈搏波信號的分析處理等工作，將計算后的血氧飽和度再傳回FPGA, FPGA通過LCD將血氧飽和度實時地顯示出來；當然，也可以在FPGA完成相應(yīng)的數(shù)據(jù)處理，但是只靠FPGA計算得到的血氧飽和度相對由上位機計算得到的血氧飽和度精度要低很多；在此，是通過上位機對數(shù)據(jù)處理計算的。

圖2(a)是采集得到的脈搏波信號，脈搏波信號的采樣率為200 Hz，由圖可以看出：原始信號受到基線漂移和高頻噪聲的影響；其中，采樣點600附近的高頻噪聲幅值最高，而基線漂移近似正弦波。

圖2(b)是經(jīng)過EEMD分解得到的IMF分量及原始信號，從圖中可以初步看出：IMF1～IMF5可能是代表高頻噪聲的IMF分量，IMF6～IMF9可能代表有用信息，即：脈搏波信號的IMF分量，IMF10～IMF11則可能是代表基線漂移的IMF分量；將它們依次累加就是原始脈搏波信號。但是，只憑借主觀判斷是不準確的，會帶來誤差，需要一種數(shù)學(xué)判據(jù)，即：排列熵。

表1是各IMF分量的排列熵，從表1可以看出，排列熵是依次減小的，一般白噪聲的排列熵為0.9，屬于間歇性信號的噪聲，其排列熵大于0.6，正弦信號的排列熵0.2[15]。基線漂移屬于低頻信號，其隨機性相對脈搏波信號差，故其排列熵要小。本文分別測量了50次脈搏波信號進行試驗，每次選取排列熵的閾值，閾值的下限和上限的選取的概率分布；其中，閾值下限分布在0.110左右的次數(shù)33次，閾值上限分布在0.145～0.155的次數(shù)為43次。故本文選取排列熵的閾值范圍：0.110≤PE≤0.150;IMF1～IMF5是代表高頻噪聲的IMF分量，IMF6～IMF9代表有用信息，即：脈搏波信號的IMF分量，IMF10～IMF11則是代表基線漂移的IMF分量。

4 實驗結(jié)果及分析

4.1 實驗結(jié)果

圖3是原始信號與消除噪聲后的信號的對比圖，從圖中可以看出：消除噪聲后的信號比原始信號更光滑，并且原始信號中的基線漂移得到了消除，為了更客觀地對算法消除高頻和基線的效果進行評價，本文采用信號的頻譜和交直流比R分別評價高頻噪聲和基線漂移的消除效果。

圖2 原始信號(a)及EEMD分解得到的IMF分量(b)

4.2 實驗結(jié)果分析

圖4(a), 4(c)是濾波前和濾波后信號的頻譜對比圖，由圖中可以看出，在37 Hz附近的噪聲幅值較大；圖4(b), 4(d)是濾波前和濾波后信號的頻譜在20～100 Hz處的局部放大對比圖，由可見濾波后頻率在20～100 Hz的噪聲被濾除。

基線漂移影響脈搏波信號的穩(wěn)定性，而脈搏波信號的穩(wěn)定性則可用信號的交直流比R來衡量，人體在一段時間內(nèi)脈搏波變化接近恒定，所以R值應(yīng)趨于穩(wěn)定。分別計算原始信號和去噪后的信號的R值，如圖5所示。圖5中橫坐標為光電容積脈搏波PPG(PhotoPlethysmoGram)序號。從圖5可以明顯看出，信號處理后的R值更為穩(wěn)定，脈搏波信號的基線漂移得到了很好的抑制。

表1 各IMF分量的排列熵

圖3 原始與去噪后的脈搏波信號

圖4 濾波前后的信號頻譜及其局部放大圖

圖5 濾波前后信號的R值

5 結(jié)論

本文提出一種將EEMD與排列熵相結(jié)合的方法同時消除脈搏波信號中高頻噪聲和基線漂移。該方法是根據(jù)信號自身的特點，自適應(yīng)地將信號分解，無需參數(shù)設(shè)置，又克服了EMD分解的模態(tài)混疊問題；同時排列熵的使用為模態(tài)屬性判斷提供了判據(jù)，避免因主觀判斷造成的誤差。該方法在自行研制的人體血氧飽和度檢測裝置中得到驗證，實驗證明：該方法有效地同時消除了脈搏波信號中的高頻噪聲和基線漂移，對人體血氧飽和度檢測精度的提高起到了重要作用。

[1] 劉廣偉, 毛陸虹, 謝生, 等. 一種光電反射式脈搏血氧檢測方法[J]. 光電子?激光, 2014, 25(3): 620-624.

Liu Guang-wei, Mao Lu-hong, Xie Sheng, et al.. A monitoring method of blood-oxygen saturation using reflection type photoelectric sensor[J]. Journal of Optoelectronics?Laser, 2014, 25(3): 620-624.

[2] 韓慶陽, 李丙玉, 王曉東. 一種消除脈搏波信號中呼吸基線漂移的方法[J]. 中國醫(yī)療器械雜志, 2014, 38(1): 19-22.

Han Qing-yang, Li Bing-yu, and Wang Xiao-dong. The method of removing breathing baseline in pluse wave signal[J].Chinese Journal Medical Instrumentation, 2014, 38(1): 19-22.

[3] 韓慶陽, 李丙玉, 王曉東. 一種同時消除脈搏波信號中呼吸基線漂移和高頻噪聲的方法[J]. 中國醫(yī)學(xué)物理學(xué)雜志, 2014, 31(2): 4801-4805.

Han Qing-yang, Li Bing-yu, and Wang Xiao-dong. The method of simultaneously removing breathing baseline and high-frequency noise in pluse wave signal[J]. Chinese Journal of Medical Physics, 2014, 31(2): 4801-4805.

[4] 韓慶陽, 李丙玉, 王曉東. 基于小波變換的脈搏波信號高頻噪聲與呼吸基線的同時消除[J]. 北京生物醫(yī)學(xué)工程, 2014, 33(6): 247-252.

Han Qing-yang, Li Bing-yu, and Wang Xiao-dong. Synchronous removal of high-frequency noise and breathing baseline in pulse wave signal based on wavelet analysis[J]. Beijing Biomedical Engineering, 2014, 33(6): 247-252.

[5] 李慶波, 韓慶陽. 人體血氧飽和度檢測中消除脈搏波信號高頻噪聲的方法[J]. 光譜學(xué)與光譜分析, 2012, 32(9): 2523-2527.

Li Qing-bo and Han Qing-yang. The method of removing high-frequency noise in pulse wave signal in detecting oxygen saturation of human[J]. Spectroscopy and Spectral Analysis, 2012, 32(9): 2523-2527.

[6] 李慶波, 聶鑫, 張廣軍, 等. 分段濾波用于消除脈搏血氧檢測中多種運動干擾的研究[J]. 光譜學(xué)與光譜分析, 2009, 29(11): 2992-2997.

Li Qing-bo, Nie Xin, Zhang Guang-jun, et al.. Study on resistance to motion artifact in pulse oximetry measurement using segment filter method[J]. Spectroscopy and Spectral Analysis, 2009, 29(11): 2992-2997.

[7] 王曉飛, 趙文俊. 基于動態(tài)光譜法的多波長脈搏血氧飽和度測量[J]. 光譜學(xué)與光譜分析, 2014, 34(5): 1323-1326.

Wang Xiao-fei and Zhao Wen-jun. Measurement of multiwavelenth pluse oxygen saturation based on dynamic spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1323-1326.

[8] 張曉楓, 張香武, 趙春華, 等. 基于脈搏光譜分形算法的血氧測量研究[J]. 長春理工大學(xué)學(xué)報(自然科學(xué)版), 2014, 37(2): 95-97.

Zhang Xiao-feng, Zhang Xiang-wu, Zhao Chun-hua, et al.. Research on oximetry based on pulse sprectrum fractal algorithm[J]. Journal of Changchun University of Science and Technology (Natural Science Edition), 2014, 37(2): 95-97.

[9] 凌振寶, 張銘, 熊文激, 等. 基于脈搏波傳導(dǎo)時間的無袖帶血壓測量儀設(shè)計[J]. 電子測量與儀器學(xué)報, 2012, 26(12): 1080-1085.

Ling Zhen-bao, Zhang Ming, Xiong Wen-ji, et al.. Design of sleeveless blood pressure measuring instrument based on pulse wave transit time[J]. Journal of Electronic Measurement and Instrument, 2012, 26(12): 1080-1085.

[10] 王玉靜, 康守強, 張云, 等. 基于集合經(jīng)驗?zāi)B(tài)分解敏感固有模態(tài)函數(shù)選擇算法的滾動軸承識別方法[J]. 電子與信息學(xué)報, 2014, 36(3): 595-600.

Wang Yu-jing, Kang Shou-qiang, Zhang Yun, et al.. Condition recognition method of rolling bearing based on ensemble empirical mode decomposition sensitive intrinsic mode function selection algorithm[J]. Journal of Electronics & Information Technology, 2014, 36(3): 595-600.

[11] 何星, 王宏力, 姜偉, 等. 改進的自適應(yīng)EEMD方法及其應(yīng)用[J]. 系統(tǒng)仿真學(xué)報, 2014, 26(4): 869-873.

He Xing, Wang Hong-li, Jiang Wei, et al.. Improved adaptive EEMD method and its application[J]. Journal of System Simulation, 2014, 26(4): 869-873.

[12] 王姣, 李振春, 王德營. 基于CEEMD的地震數(shù)據(jù)小波閾值去噪方法研究[J]. 石油物探, 2014, 53(2): 164-172.

Wang Jiao, Li Zhen-chun, and Wang De-ying. A method for wavelet threshold denoising of seismic data based on CEEMD[J]. Geophysical Prospecting for Petroleum, 2014, 53(2): 164-172.

[13] 馮輔周, 饒國強, 司愛威, 等. 排列熵算法研究及其在振動信號突變檢測中的應(yīng)用[J]. 振動工程學(xué)報, 2012, 25(2): 221-224.

Feng Fu-zhou, Rao Guo-qiang, Si Ai-wei, et al .. Research and application of the arthimetic if PE in testing the sudden change of vibration signal[J]. Journal of Vibration Engineering, 2012, 25(2): 221-224.

[14] 馮輔周, 司愛威, 饒國強, 等. 基于小波相關(guān)排列熵的軸承早期故障診斷技術(shù)[J]. 機械工程學(xué)報, 2012, 48(13): 73-79.

Feng Fu-zhou, Si Ai-wei, Rao Guo-qiang, et al.. Early fault diagnosis technology for bearing based on wavelet correlation permutation entropy[J]. Journal of Machinery Engineering, 2012, 48(13): 73-79.

[15] 鄭德近, 程軍圣, 楊宇. 改進的EEMD算法及其應(yīng)用研究[J].振動與沖擊, 2013, 32(21): 22-46.

Zhen De-jin, Cheng Jun-sheng, and Yang Yu. Modified EEMD algorithm and its applications[J]. Journal of Vibration and Shock, 2013, 32(21): 22-46.

韓慶陽： 男，1988年生，研究實習(xí)員，研究方向為光電信號檢測及處理.

王曉東： 男，1970年生，研究員，研究方向為光電探測及檢測.

李丙玉： 男，1980年生，助理研究員，研究方向為光電探測及檢測.

周鵬驥： 男，1985年生，研究實習(xí)員，研究方向為光電探測及檢測.

Using EEMD to Eliminate High Frequency Noise and Baseline Drift in Pluse Blood-oximetry Measurement Simultaneously

Han Qing-yang Wang Xiao-dong Li Bing-yu Zhou Peng-ji
(Photoelectric Technology Research and Development Center, Changchun Optical Precision Machinery and Physics Institute, Chinese Academy of Sciences, Changchun 130033, China)

The measurement of blood-oxygen saturation is based on the pulse wave signal, but there are many factors impact the accuracy of measurement, such as high frequency noise caused by instrument thermal noise and baseline drift caused by the breath. A method which combines Ensemble Empirical Mode Decomposition (EEMD) and Permutation Entropy (PE) is proposed, it can decrease high frequency noise and baseline drift. The pulse wave signal is decomposed by EEMD, the PE of each Intrinsic Mode Function (IMF) is calculated and the threshold value of PE is chosen. Then the IMFs which present high frequency noise and baseline drift are judged and decreased. Finally, the signal without high frequency noise and baseline drift is achieved. A self-developed measurement device is used to obtain the pulse wave for testing validation, and the signal spectrum and AC-DC modulation ratio value are adopted to evaluate the effect. The result shows that this method could effectively remove high frequency noise and baseline drift, which is conducive to improve the accuracy of blood-oxygen saturation.

Pulse wave signal; Oxygen saturation; High frequency noise; Baseline drift; Ensemble Empirical Mode Decomposition (EEMD); Permutation Entropy (PE)

R318.04

： A

：1009-5896(2015)06-1384-05

10.11999/JEIT141390

2014-10-31收到，2015-02-06改回

*通信作者：韓慶陽 lanbohesky@126.com