将非平稳信号分解成函数分量制造技术

一种信号处理方法，具体地，一种将表示生理现象的非平稳信号分解成函数分量并且估计表征这些函数分量中的每个函数分量的参数的方法。该方法利用用于估计信号的时间过程中的动态和基线的趋势的部件、用于将非平稳信号划分成函数分量在其上形成的区间的部件以及用于补偿来自与先前函数分量匹配的QGK的交叠以形成ECK的部件。该补偿包括：用于将ECK变换至频域的部件；用于估计QGK的权重参数和离差参数并且验证参数可靠性的部件；用于估计QGK的开始时间的部件；用于在每个递归周期之后扩展非平稳信号的模型的部件；用于去除不利的QGK并且重新布置剩余QGK的部件；以及用于利用属于预定类的参数来创建非平稳信号的局部模型的部件。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术总体涉及信号处理，并且具体地，涉及将非平稳生物医学信号分解成函数分量，并且估计表征这些函数分量中的每个函数分量的参数。
技术介绍
非平稳信号是由具有随时间变化的属性的系统产生的。在几乎所有的生物医学研究领域中出现了从理论、研究和诊断角度理解和分析这样的非平稳信号的必要性。然而，非平稳信号不受一般信号理论支持，并且处理非平稳信号的适当数学方法相当有限。当前的信号处理方法通常根源于线性平稳系统的理论。因此，经常忽略真实数据的非平稳特征或假定影响是微不足道的。虽然对于一些应用而言时间不变性和线性的相应假设提供了可接受的结果，但是许多生理现象是高度可变的和非线性的，并且因此不认可相当准确的线性近似。同时，大量科学和临床证据表明，对大多非平稳生理信号的更全面的分析，如心电图(ECG)和脑电图(EEG)，预期将导致更深入理解各种生理系统在不同的正常和病理条件下的机制和状态。在该背景下，非平稳信号处理的先进算法的发展脱颖而出，成为能够处理大量越来越具有挑战性的应用如人脑和身体成像、计算机实现的健康监测和基于脑电图的脑计算机接口的手段。与此同时，计算机化生物医学系统在速度、规模和成本方面的持续进步使复杂算法的发展实用并且具有成本效益。非平稳信号分析不像在线性平稳系统理论的情况下那样由足够的理论和计算架构支持。在对特定类型的生理信号的分析中通常接受启发式方法而不是数学上严格的方法。例如，在分析EEG信号时，可以使用局部平稳性的概念来分析这种信号(参见Barlow,J.S.“Methodsofanalysisofnon-stationaryEEGs,withemphasisonsegmentationtechniques:acomparativereview”。J.Clin.Neurophysiol,1985年，第2卷，第267至304页)。该概念假定，尽管信号是固有地非平稳的，但在小的时间间隔内信号式样仅稍微偏离平稳性(参见Priestley,M.B.:“Non-LinearandNon-StationaryTimeSeriesAnalysis”。学术出版社，伦敦，1988)。这样的准平稳元素与可以由不同的非线性系统产生的信号的不同分量相关联。到目前为止，使用数据驱动和模型驱动的信号处理方法来着手处理检测非平稳信号的分量的问题。数据驱动信号处理方法的优点是其详细描述复杂经验波形的动态的能力。一个这样的数据驱动方法，即经验模式分解(EMD)已经由Huang等人开发(Huang等人:“TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis”.Proc.R.Soc.London,A辑，1998年，第454卷，第903至995页)，以将非平稳信号自适应地分解成“表现良好”的振荡函数(称为固有模态函数)之和。在接下来的开发中，EMD由希尔伯特变换支持，希尔伯特变换为每个固有模态函数提供瞬时频率。使用这些措施，该技术在瞬时频率的变化方面描述了系统。然而，该解决方案不被唯一限定，因为它取决于许多经验参数，其中这些经验参数的选择不被严格的标准所支持。在没有EMD的坚实数学基础的情况下，该纯粹经验和直观的方法产生许多困难的方法学问题。例如，固有模态函数仅在数值上限定为迭代算法的输出，而没有分析限定。在这种情况下，关于方法的不同方面的判定来自经验地进行的逐个情况的比较。生物医学信号处理的模型驱动方法需要所牵涉的系统的精确模型。问题的具体方面在于生理信号是由多个微观尺度源产生的全局尺度变量。物理模型的建立需要严格标识相关微观尺度元素，并且基于这些背景来合成全局模型。然而，使用这些严格确定的概念从全局到微观尺度的转换没有唯一解，因为不可能准确地界定所牵涉的细胞的和分子的现象的不同式样。在面对这种不确定性时，用于建立导致全局尺度信号的细胞机构的模型的大量努力，由众多的启发式方法支持，这些众多的启发式方法不仅在模型的生理和解剖细节方面有很大不同，而且在基本数学工具方面也有很大不同。该模型矛盾的程度是未知的。因此，仍然存在当前方法未能满足的下述需求，即高效识别非平稳时间序列信号的分量，使得相应的模型可以有效地用对信号的属性进行分类。
技术实现思路
本专利技术的目的是基本上解决或至少改善现有布置的一个或更多个缺点。根据本专利技术的第一方面，提供了一种用于将非平稳信号分解成以QGK(准高斯核)作为基本元素的一组自相似函数分量并且估计表征各个函数分量的参数的方法，该方法包括以下步骤：估计非平稳信号的时间过程中的动态和基线的趋势，提取导引函数，并且进行该导引函数的自适应分割；将非平稳信号划分成分量形成的区域；在递归的每个周期递归地补偿来自与先前函数分量匹配的QGK的交叠以形成ECK，子步骤为：将ECK变换至频域；估计QGK的参数并且验证所述参数；以及创建非平稳信号的全局和局部模型。根据本专利技术的另一方面，提供了一种用于实现前述方法的装置。还公开了本专利技术的其他方面。附图说明现在将参照附图描述本专利技术的一个或更多个实施方式，在附图中：图1A示出了在置于头皮表面上的两个传感器之间测量的电位的典型形式；图1B例示了EEG信号的高度非平稳特性；图2A示出了以听觉新异刺激方式引起的典型的ERP信号；图2B示出了使用具有与区间匹配的参数的准高斯核替代图2A所示的每个区间的典型结果；图2C示出了作为分量准高斯核的和而获得的模型，以及用于比较的图2A中示出的原始ERP信号；图3示出了波形分析的方法的示意性流程图，该方法将生理信号自适应地分解成函数分量，然后确定表征每个函数分量的参数；图4A示出了在图3所示的方法中应用的动态和基线趋势估计的示意流程图；图4B示出了典型的生理信号、通过将多通移动窗口平均应用于离散生理信号而得到的基线趋势以及基线去趋势信号；图5A和5B示出了分别由过零点以及全局最小点和局部最小点得到的分割点；图5C示出了具有分别通过竖直实线和竖直虚线示出的过零点和最小值的EEG信号分割的示例；图6A示出了初始信号和以高时间分辨率提供分割点的导引函数；图6B和6C通过由竖直线指示的分割点从图6A复制导引函数和初始信号；图7A示出了来自图6A的初始信号和以低时间分辨率提供信号分割的导引函数；图7B和7C通过由竖直线指示的分割点从图7A复制导引函数和初始函数；图8A示出了用本文档来自技高网...

【技术保护点】
一种将表示生理现象的非平稳信号分解成以QGK(准高斯核)作为基本元素的一组自相似函数分量并且估计表征各个函数分量的参数的计算机实现的方法，所述方法包括以下步骤：应用多通移动平均滤波器以估计在所述信号的时间过程中的动态和基线的趋势，使用所述趋势来提取导引函数，所述导引函数指示所述函数分量在其上形成的信号片段，并且使用所述导引函数的模量的过零点以及全局和局部最小值作为分割点来自适应分割所述导引函数；将所述非平稳信号划分成分量形成的区域，所述非平稳信号在与所述导引函数的分割点对应的点处被分割；补偿来自与先前函数分量匹配的QGK的交叠以形成ECK(经验分量核)，递归子步骤为：使用相似基函数(SBF)算法将所述ECK变换至频域；估计κ(权重)参数和σ(离差)参数，并且通过找出和评估所述ECK的归一化幅度频谱与具有高斯分布的频域模板之间的最佳匹配来根据类别E、G、S、W和U等级验证参数的可靠性；通过找出与相位频谱的限定值对应的特征点，根据ECK的复频谱的虚部以所识别的κ参数和σ参数估计QGK的开始时间τ；通过与新识别的QGK相加来扩展由在递归的先前周期识别的QGK之和构成的非平稳信号的模型；以及在去除不利的QGK之后使用用于评估识别结果的类别参数ξ来重新布置所识别的分量；通过选择参数属于预先限定的类的QGK整体来创建所述非平稳信号的局部模型。...

【技术特征摘要】
【国外来华专利技术】2013.10.14 AU 20139039481.一种将表示生理现象的非平稳信号分解成以QGK(准高斯核)作为基本元素的一组自
相似函数分量并且估计表征各个函数分量的参数的计算机实现的方法，所述方法包括以下
步骤：
应用多通移动平均滤波器以估计在所述信号的时间过程中的动态和基线的趋势，使用
所述趋势来提取导引函数，所述导引函数指示所述函数分量在其上形成的信号片段，并且
使用所述导引函数的模量的过零点以及全局和局部最小值作为分割点来自适应分割所述
导引函数；
将所述非平稳信号划分成分量形成的区域，所述非平稳信号在与所述导引函数的分割
点对应的点处被分割；
补偿来自与先前函数分量匹配的QGK的交叠以形成ECK(经验分量核)，递归子步骤为：
使用相似基函数(SBF)算法将所述ECK变换至频域；
估计κ(权重)参数和σ(离差)参数，并且通过找出和评估所述ECK的归一化幅度频谱与
具有高斯分布的频域模板之间的最佳匹配来根据类别E、G、S、W和U等级验证参数的可靠性；
通过找出与相位频谱的限定值对应的特征点，根据ECK的复频谱的虚部以所识别的κ参
数和σ参数估计QGK的开始时间τ；
通过与新识别的QGK相加来扩展由在递归的先前周期识别的QGK之和构成的非平稳信
号的模型；以及
在去除不利的QGK之后使用用于评估识别结果的类别参数ξ来重新布置所识别的分量；
通过选择参数属于预先限定的类的QGK整体来创建所述非平稳信号的局部模型。
2.根据权利要求1所述的方法，其中，所述类别参数ξ根据以下情...

【专利技术属性】
技术研发人员：德米特里·梅尔科尼扬，
申请(专利权)人：卡奥斯基有限公司，
类型：发明
国别省市：澳大利亚;AU