基于局部均值分解的脈搏信號(hào)變異性分析

康素成

(鹽城師范學(xué)院，江蘇 鹽城 224007)

0 引言

對(duì)患者病理檢測(cè)的重要方式之一為對(duì)患者脈搏信號(hào)的檢測(cè)，可反映出檢測(cè)對(duì)象心臟波動(dòng)情況，以此可促進(jìn)患者疾病診斷，在臨床診治中具有重要意義。

脈搏PRV信號(hào)變異性分析是臨床檢測(cè)的重要手段，傳統(tǒng)采用的檢測(cè)方式有小波分解濾波法、心電瞬時(shí)頻率(Heart Instantaneous Frequency，HIF)法、采用脈搏信號(hào)頻率檢波法等，這些方法運(yùn)用具有一定的局限性，本文提出了局部均值分解方式，可有效表征PRV信號(hào)。局部均值分解(LMD)是一種新的自適應(yīng)時(shí)頻分析方法，在信號(hào)處理方面具有非線(xiàn)性、非平穩(wěn)信號(hào)的運(yùn)用優(yōu)勢(shì)，被廣泛運(yùn)用于機(jī)械振動(dòng)、生物醫(yī)學(xué)等領(lǐng)域。

1 HRV脈搏信號(hào)變異性

脈率變異性可表征人體心臟波動(dòng)周期變化，可反映 HRV 信號(hào)的變化，目前在臨床疾病檢測(cè)與診斷中應(yīng)用較為廣泛，能夠反映出人體體液調(diào)節(jié)系統(tǒng)運(yùn)行情況，在心血管疾病檢測(cè)方面運(yùn)用優(yōu)勢(shì)明顯。

脈沖信號(hào)的運(yùn)行機(jī)理與心電信號(hào)機(jī)理有一定的相似性，主要通過(guò)心臟的周期波動(dòng)而體現(xiàn)出機(jī)體病理變化，人體病理信息與生理信息可反映在脈搏周期波動(dòng)之中。心臟波動(dòng)周期變化為心率變異性(Heart Rate Variability，HRV)，脈搏周期變化率則為脈率變異性(PRV)信號(hào)，目前在臨床數(shù)據(jù)分析中越來(lái)越使用脈率變異性(PRV)信號(hào)進(jìn)行機(jī)體疾病診斷與分析。如何對(duì)脈率變異性(PRV)信號(hào)進(jìn)行采集與分析是當(dāng)前研究的重要課題，本文提出了局部均值分解(LMD)的數(shù)值分析方法，目前在生物醫(yī)學(xué)、機(jī)械振動(dòng)等領(lǐng)域中均運(yùn)用較為廣泛，可有效處理非平穩(wěn)信號(hào)與非理性信號(hào)，結(jié)合閾值法進(jìn)行脈搏數(shù)據(jù)分析[1]。

2 LMD局部均值分解方法

局部均值分解方法在脈搏信號(hào)變異性分析中運(yùn)用優(yōu)勢(shì)明顯，運(yùn)行中建立了反復(fù)迭代的方式，可從原始信號(hào)中將包絡(luò)信號(hào)、純調(diào)頻信號(hào)剝離，通過(guò)包絡(luò)信號(hào)、純調(diào)頻信號(hào)相乘而得到PF分量，由此而對(duì)多項(xiàng)數(shù)據(jù)進(jìn)行反復(fù)處理，直至最終滿(mǎn)足分解的約束條件。通過(guò)迭代反復(fù)處理之后進(jìn)行 Hilbert 譜分析得出各PF分量的瞬時(shí)頻率?？稍谌S平面中得出隨著時(shí)間的變化瞬時(shí)頻率在不同時(shí)間點(diǎn)的Hilbert 幅值譜。

運(yùn)用LMD法進(jìn)行脈搏PRV 信號(hào)分析，脈搏信號(hào)與周期信號(hào)較為類(lèi)似，運(yùn)用局部均值分解方法可有效分析脈搏信號(hào)，可將其分解為多個(gè)PF分量信號(hào)，并運(yùn)用 Hilbert對(duì)不同PF分量進(jìn)行變換處理，利用數(shù)據(jù)計(jì)算對(duì)應(yīng)的瞬時(shí)頻率信號(hào)。對(duì)不同PF分量進(jìn)行譜分析，得出不同PF分量信號(hào)頻率范圍。結(jié)合不同信號(hào)的頻率范圍而計(jì)算出PF分量0.5～2 HzPRV 信號(hào)頻率范圍下所對(duì)應(yīng)的瞬時(shí)頻率曲線(xiàn)[2]。

3 基于局部均值分解的脈率變異性估計(jì)

3.1 時(shí)域提取PRV信號(hào)

運(yùn)用局部均值分解進(jìn)行脈搏PRV 信號(hào)的時(shí)域提取，主要的項(xiàng)目包括特征值檢測(cè)、信號(hào)預(yù)處理以及 PRV 信號(hào)估計(jì)。人體脈搏信號(hào)采集過(guò)程中可能受到多種因素的影響，體電位變化會(huì)導(dǎo)致肌電干擾，由于皮膚接觸滑動(dòng)與受到呼吸因素的影響容易出現(xiàn)基線(xiàn)漂移現(xiàn)象，諧波與 50 Hz 交流電運(yùn)行中可能出現(xiàn)工頻干擾，通過(guò)硬件設(shè)備中的信號(hào)收集系統(tǒng)處理難以有效摒除以上干擾，由此需要對(duì)信號(hào)進(jìn)行預(yù)處理。信號(hào)濾波為本次研究中主要采用的預(yù)處理方式。結(jié)合脈搏信號(hào)噪音自身的特征，本次信號(hào)濾波運(yùn)用 50 Hz 整系數(shù)陷波器實(shí)現(xiàn)，以此摒除信號(hào)可能出現(xiàn)的基線(xiàn)漂移與工頻干擾現(xiàn)象。針對(duì)肌電干擾本次研究使用整系數(shù)低通濾波器[3]。

對(duì)信號(hào)進(jìn)行預(yù)處理之后，運(yùn)用閾值法檢測(cè)脈搏信號(hào)的大小峰值，及其對(duì)應(yīng)的時(shí)間點(diǎn)。并對(duì)得到的數(shù)值進(jìn)行人工檢測(cè)，由此提升數(shù)值檢測(cè)的準(zhǔn)確性與有效性。

3.2 運(yùn)用熵分析方法

運(yùn)用局部均值分解進(jìn)行脈搏PRV 信號(hào)提取，并運(yùn)用短時(shí)脈率變異符號(hào)序列熵對(duì)得到的數(shù)據(jù)建立 PRV分析方式，以此判斷實(shí)時(shí) PRV信號(hào)分析在脈搏分析中的實(shí)際應(yīng)用。

機(jī)體脈搏跳動(dòng)具有自身的表現(xiàn)特征，周期表現(xiàn)不是絕對(duì)均勻，常見(jiàn)的變化方式主要有3種，可分別使用3種不同的符號(hào)來(lái)表示，脈搏信號(hào)的一種變化特征是瞬時(shí)脈率突然增大，第二個(gè)特征是脈搏跳動(dòng)的間歇時(shí)間減少，同時(shí)瞬時(shí)脈率則隨之而增大，第三種表現(xiàn)特征是兩次不同脈搏跳動(dòng)之間具有一定的時(shí)間間隔。這3種方式僅僅表示3種不同的狀態(tài)，三者沒(méi)有數(shù)值大小意義?？蓪?duì)脈搏信號(hào)進(jìn)行符號(hào)化處理，構(gòu)建向量序列進(jìn)行分析，在不同的字長(zhǎng)寬度下，連續(xù)變化可出現(xiàn)不同的表現(xiàn)模式，此時(shí)計(jì)算不同模式出現(xiàn)的概率，以此得出信息熵[4]。

得出的脈搏信息熵?cái)?shù)值的大小體現(xiàn)了變化模式中出現(xiàn)的平均不規(guī)則現(xiàn)象與不規(guī)則的程度，對(duì)計(jì)算出的數(shù)值進(jìn)行分析。熵值大小能夠反映出不同的變化模式體現(xiàn)出的平均不規(guī)則現(xiàn)象及其程度。若只出現(xiàn)一種模式，則此時(shí)信息熵值為0，數(shù)值最小。如果各個(gè)模式出現(xiàn)概率一致，則此時(shí)具有最大的信息熵值。

4 基于局部均值分解的脈率變異性估計(jì)實(shí)驗(yàn)設(shè)計(jì)

本次實(shí)驗(yàn)數(shù)據(jù)選擇一般健康人員與不抽煙的健康人員兩個(gè)群體，一般健康人員數(shù)據(jù)選自MIT-BIH Fantasia數(shù)據(jù)庫(kù)，包括20名年輕人與20名老年人群體，以仰臥休息狀態(tài)進(jìn)行脈搏信號(hào)采樣，為了保證研究對(duì)象的清醒狀態(tài)，對(duì)研究對(duì)象播放影片。脈搏信號(hào)采樣時(shí)間120min，采樣頻率為250Hz。

不抽煙的健康群體選擇20—25歲的年輕人，脈搏數(shù)據(jù)采集時(shí)間4min，采樣頻率400Hz，運(yùn)用脈搏信號(hào)實(shí)時(shí)采集系統(tǒng)進(jìn)行數(shù)據(jù)采集與分析。脈搏信號(hào)采集系統(tǒng)的構(gòu)成部分包括硬件預(yù)處理電路、計(jì)算機(jī)及 LabVIEW 采集系統(tǒng)、光電脈搏傳感器、MP425采集卡等。

人體脈搏信號(hào)主要通過(guò)夾指式光電脈搏傳感器收集，可把生理信號(hào)轉(zhuǎn)變?yōu)殡娏餍盘?hào)，以此便于后續(xù)信號(hào)分析。運(yùn)用硬件預(yù)處理電路對(duì)收集到的信號(hào)進(jìn)行I/U信號(hào)進(jìn)行轉(zhuǎn)換，將上一個(gè)流程中得到的電流信號(hào)轉(zhuǎn)變?yōu)棣蘓-mV電壓信號(hào)，此時(shí)可對(duì)收集到的脈搏信號(hào)進(jìn)行高通濾波與低通濾波的放大處理，以0～5 V的形式輸出。脈搏信號(hào) A/D 轉(zhuǎn)換通過(guò) MP425數(shù)據(jù)采集卡實(shí)現(xiàn)，并利用 USB 接口將研究得到的結(jié)果輸送至數(shù)據(jù)庫(kù)中[5]。運(yùn)用LabVIEW 軟件進(jìn)行相關(guān)數(shù)據(jù)采集與分析，以此對(duì)樣品脈搏數(shù)據(jù)進(jìn)行實(shí)時(shí)采樣、預(yù)處理，并進(jìn)行診斷分析。

5 結(jié)果及分析

5.1 頻域提取PIF信號(hào)

利用局部均值分解方法研究從脈信號(hào)頻域中進(jìn)行IPR信號(hào)提取。針對(duì)得到的4 min 脈搏信號(hào)數(shù)據(jù)進(jìn)行局部均值分解，原始脈搏信號(hào)在圖上方，中間為PF分量，最下方為分解殘余量(見(jiàn)圖1)。

將脈搏信號(hào)分解為1個(gè)殘余量、4個(gè)PF，PF1 與PF2之間具有大量的脈搏信號(hào)能量集中。對(duì)各 PF實(shí)行Hilbert變換，得出邊際譜、瞬時(shí)頻率，同時(shí)結(jié)合邊際譜數(shù)值計(jì)算PF分量信號(hào)中出現(xiàn)的各個(gè)頻率數(shù)值范圍。脈搏PRV信號(hào)主要的范圍區(qū)間在0.5～2 Hz，屬于PF2 分量，因此本文研究中瞬時(shí)頻率信號(hào)選取PF2，放大 60 倍之后即得到 IPR 信號(hào)。結(jié)合時(shí)域 PRV 信號(hào)的長(zhǎng)度而對(duì)IPR 信號(hào)進(jìn)行采樣，并將其時(shí)域提取的 PRV 信號(hào)進(jìn)行同維度對(duì)比，根據(jù)研究結(jié)果可見(jiàn)，時(shí)域提取的 PRV 信號(hào)在對(duì)時(shí)域提取的 PRV 信號(hào)表征分析上能夠達(dá)到研究目的。

5.2 誤差數(shù)值計(jì)算

對(duì)脈搏I(xiàn)PR信號(hào)運(yùn)用局部均值分解進(jìn)行研究，研究得出的IPR 信號(hào)和時(shí)域提取 PRV 信號(hào)之間的數(shù)值差異，對(duì)兩組數(shù)據(jù)進(jìn)行誤差值分析，可見(jiàn)誤差數(shù)值較小，均小于0.06，如表1所示。

表1 局部均值分解提取的脈搏I(xiàn)PR信號(hào)誤差數(shù)值

5.3 LMD局部均值分解算法的應(yīng)用

運(yùn)用局部均值分解估計(jì)靜止?fàn)顟B(tài)下脈搏PRV 信號(hào)，在視覺(jué)疲勞、睡眠、運(yùn)動(dòng)等狀態(tài)中運(yùn)用LMD算法進(jìn)行脈搏信號(hào)分析。睡眠狀態(tài)與人體靜止?fàn)顟B(tài)下的脈搏信號(hào)類(lèi)似。視覺(jué)疲勞狀態(tài)中的脈搏信號(hào)表現(xiàn)中可見(jiàn)潮波略高于主波。采用 LMD 法進(jìn)行脈搏信號(hào)變異性分析，視覺(jué)疲勞、運(yùn)動(dòng)狀態(tài)下的脈搏信號(hào)PRV信號(hào)如圖2所示。

圖2 視覺(jué)疲勞、運(yùn)動(dòng)狀態(tài)下的脈搏信號(hào)PRV信號(hào)

可見(jiàn)運(yùn)用局部均值分解能夠有效估算視覺(jué)疲勞脈搏PRV 信號(hào)，在人體運(yùn)動(dòng)狀態(tài)下，機(jī)體容易受到高頻信號(hào)與基線(xiàn)漂移信號(hào)的干擾，在時(shí)域中難以有效估算出脈搏PRV 信號(hào)，但是整體運(yùn)用上能夠有效估算出運(yùn)動(dòng)狀態(tài)下脈搏 PRV 信號(hào)。選取 MIT-BIH Fantasia 數(shù)據(jù)庫(kù)中的年輕人與老年人進(jìn)行局部均值分解提取與分析，結(jié)果可見(jiàn)年輕人與老年人局部均值分解差異顯著 (P<0.005)，可將局部均值分解運(yùn)用于臨床分析中。

6 結(jié)語(yǔ)

本次研究基于局部均值分解的脈率變異性估計(jì)，通過(guò)研究可見(jiàn)，運(yùn)用局部均值分解分析方法進(jìn)行脈搏I(xiàn)PR信號(hào)分析能夠有效表征PRV信號(hào)，該種計(jì)算方法可有效計(jì)算不同狀態(tài)下的脈搏信號(hào)變異性，對(duì)研究樣本年齡、睡眠與疲勞狀態(tài)下的脈搏信號(hào)可以通過(guò)短時(shí)脈率變異符號(hào)序列熵進(jìn)行分析，可以此促進(jìn)臨床 PRV 信號(hào)檢測(cè)與分析，運(yùn)用價(jià)值較大。