一种基于AR模型谱估计的脉搏信号随机噪声去噪方法技术

本发明专利技术涉及一种基于AR模型谱估计的脉搏信号随机噪声去噪方法，属信息科学与医学融合领域。本发明专利技术首先将采集到的脉搏信号分为长度相同的两段，计算信号的功率信噪比，建立随机噪声信号的模型，设计随机噪声信号；分别给两段信号补零使其长度为N，对补零后信号进行傅里叶变换保留其相位谱；对补零后信号，建立AR模型，估计其功率谱；对噪声信号补零，使其长度亦为N，再估计其功率谱；用混合信号的功率谱减去噪声信号的功率谱，得到有效信号的功率谱，结合去噪前混合信号的相位谱，通过变换得到时域脉搏有效信号。本发明专利技术在明显去除了随机噪声的基础上又没有降低信号分辨率及保真度，去噪效果很好。

【技术实现步骤摘要】

本专利技术涉及一种基于AR模型谱估计的脉搏信号随机噪声去噪方法，属于信息科学与医学融合

技术介绍
人体内部各个生理系统之间是相互耦合的。反映人身体健康状态相对最重要、最全面的是心脏血液循环系统，因此通过采集脉搏波进而分析心脏循环系统功能，能较全面地反映人体的健康情况。但从人体采集到的脉搏波信号，由于脉搏波信号信噪比比较低，给后续参数的准确测量带来了困难，所以对于噪声干扰的去除是非常重要而必须的。常用的脉搏信号去噪方法主要包括仅在时域内进行简单降噪处理的方法或传统的建立在傅立叶变换基础上的去噪方法。仅在时域内进行简单降噪处理，即采用低通、带通、高通等常规的滤波方法对脉搏波信号进行滤波去噪，然而常用的滤波器截止频率固定，在噪声频率超过其截止频率时，无法消除噪声，截止频率过高会滤除有用信息。当噪声与信号的频谱相近或重叠时，传统的单纯时域滤波或频域滤波往往无法达到很好的效果。传统的建立在傅立叶变换基础上的去噪方法，在提高信噪比和提高空间分辨率两项指标上存在矛盾。低通滤波能通过平滑抑制噪声，但同时会使信号的边沿变模糊。高通滤波可以使信号边沿更加的陡峭，但背景噪声也同时被加强了。小波变换作为一种新型的时域分析法，由于其具有良好的时频局部性，并且有快速算法(Mallat算法)加以实现，因而在去噪领域受到了越来越多的这类方法处理比较简单，运算量较小，基于小波变换的信号去噪方法，一般有阈值法、空域相关滤波法和模极大值法。但采用阈值法对脉搏波信号进行去噪，当信号具有突变的不连续点或信噪比较低时，阈值法去噪会出现伪吉布斯现象，即在不连续点附近的信号会在原有信号电平上上下跳变。空域相关滤波它能够保留信号突变点位置携带的重要信息，从而对噪声有很好的滤波效果，但是传统的空域相关滤波算法很容易引入随机噪声。基于模极大值的小波去噪算法，小波分解尺度的选择非常重要，尺度过小，小波系数受噪声影响非常大，产生许多伪极值点，尺度过大又会使信号丢失某些重要的局部奇异性，因此需要选择合适的尺度。
技术实现思路
本专利技术提供了一种基于AR模型谱估计的脉搏信号随机噪声去噪方法，通过估计脉搏信号功率信噪比，进而建立随机噪声信号模型，提出了利用AR模型谱估计，在频域内去除随机噪声的方法，用于解决有用信号和噪声信号在频域宽度内重合时，用传统时域滤波和频域滤波方法无法较好分离有用信号和噪声信号的问题；也用于解决基于小波变换的去噪方法会产生伪吉布斯现象或引入随机噪声的问题；且本专利技术中，确定AR参数模型的阶数为未补零前的信号长度，参数的选择简单且固定，但去噪效果依然很好，解决了参数选择困难及因参数选择不当而影响到去噪效果的问题。本专利技术的技术方案是：一种基于AR模型谱估计的脉搏信号随机噪声去噪方法，所述基于AR模型谱估计的脉搏信号随机噪声去噪方法的具体步骤如下：Step1、将采集到的脉搏信号分为长度相同的两段来计算信号的功率信噪比，通过计算得到的信号功率信噪比估计噪声方差，进而建立随机噪声信号的模型，设计随机噪声信号；Step2、分别给两段信号补零使两段信号的大小均为最接近原信号长度的2的整数次方，对补零后的混合信号进行傅里叶变换保留其相位谱；Step3、对补零后的两段混合信号建立AR模型，确定AR模型及模型阶数，根据模型求出模型的参数，代入功率谱密度估计公式估计出补零后的混合信号的功率谱；其中模型阶数选择未补零前的每段信号的长度；Step4、对所设计的随机噪声信号补零，使噪声信号的长度与补零后的混合信号的长度相同，用与步骤Step3相同的方法估计出补零后随机噪声信号的功率谱，模型阶数也与步骤Step3中相同；Step5、用补零后的混合信号的功率谱减去补零后随机噪声信号的功率谱，得到有效信号的功率谱，结合去噪前混合信号的相位谱，通过变换得到时域脉搏有效信号。所述步骤Step1的具体步骤如下：Step1.1、将脉搏信号x(m)(m＝1,2,3,…,M)分为长度相同的两段信号x1(i)和x2(i)，i=1,2,3,...,[M2],]]>使得x1(i)＝x(m)，m=1,2,3,...,[M2],]]>x2(i)＝x(m)，m=1+[M2],]]>2+[M2],3+[M2],...,2*[M2],]]>且记I=[M2];]]>Step1.2、采集到的脉搏信号x(m)(m＝1,2,3,…,M)是由脉搏有效信号s(m)和噪声信号n(m)组成的，即x(m)＝s(m)+n(m)，则x1(i)＝s1(i)+n1(i)，x2(i)＝s2(i)+n2(i)，取x1(i)、x2(i)的傅里叶变换，得到X1(k)和X2(k)(k＝0,1,…,I)，然后分别取它们幅值的平方，并除以信号的长度I，作为对x1(i)和x2(i)真实功率谱的估计，即则信号x1(i)、x2(i)的功率分别为Gx1=1IΣk=0I-1|X1(k)|2,Gx2=1IΣk=0I-1|X2(k)|2,]]>则每段混合信号的平均功率为Gx‾=12(Gx1+Gx2),]]>通过公式P^x1x2(k)=12I(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>估计出信号x1(i)、x2(i)的互功率谱，因为x1(i)和x2(i)的互功率谱就是有效信号的功率谱，则脉搏有效信号的平均功率G‾s=12IΣk=0I-1(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>因为x1(i)、x2(i)这两段信号分别的总功率谱就是有效信号与随机噪声信号功率谱之和，故可得噪声功率为G_n=G_x-G_s,]]>可求出信号的功率信噪比为SNR=G_s/G_n;]]>其中，由于x1(i)、x2(i)之间有效信号相关性强、有效信号与随机噪声信号不相关、随机噪声信号之间也不相关，故每段信号的自相关函数(i＝1,2)为脉搏有效信号的自相关函数rs(τ)与噪声自相关函数rn(τ)之和，而两段信号的互相关函数等于脉搏有效信号的自相关函数rs(τ)，即rxi(τ)=rs(τ)+rn(τ),rx1x2(τ)=rs(τ),i=1,2,]]>因此，x1(i)、x2(i)这两段信号分别的总功率谱Px(k)就是有效信号Ps(k)与噪声功率谱Pn(k)之和，而它们之间的互功率谱就是有效信号的功率谱Ps(k)，即Px(k)＝P本文档来自技高网...

【技术保护点】
一种基于AR模型谱估计的脉搏信号随机噪声去噪方法，其特征在于：所述基于AR模型谱估计的脉搏信号随机噪声去噪方法的具体步骤如下：Step1、将采集到的脉搏信号分为长度相同的两段来计算信号的功率信噪比，通过计算得到的信号功率信噪比估计噪声方差，进而建立随机噪声信号的模型，设计随机噪声信号；Step2、分别给两段信号补零使两段信号的大小均为最接近原信号长度的2的整数次方，对补零后的混合信号进行傅里叶变换保留其相位谱；Step3、对补零后的两段混合信号建立AR模型，确定AR模型及模型阶数，根据模型求出模型的参数，代入功率谱密度估计公式估计出补零后的混合信号的功率谱；其中模型阶数选择未补零前的每段信号的长度；Step4、对所设计的随机噪声信号补零，使噪声信号的长度与补零后的混合信号的长度相同，用与步骤Step3相同的方法估计出补零后随机噪声信号的功率谱，模型阶数也与步骤Step3中相同；Step5、用补零后的混合信号的功率谱减去补零后随机噪声信号的功率谱，得到有效信号的功率谱，结合去噪前混合信号的相位谱，通过变换得到时域脉搏有效信号。

【技术特征摘要】
1.一种基于AR模型谱估计的脉搏信号随机噪声去噪方法，其特征在于：所述基于AR模
型谱估计的脉搏信号随机噪声去噪方法的具体步骤如下：
Step1、将采集到的脉搏信号分为长度相同的两段来计算信号的功率信噪比，通过计算
得到的信号功率信噪比估计噪声方差，进而建立随机噪声信号的模型，设计随机噪声信号；
Step2、分别给两段信号补零使两段信号的大小均为最接近原信号长度的2的整数次
方，对补零后的混合信号进行傅里叶变换保留其相位谱；
Step3、对补零后的两段混合信号建立AR模型，确定AR模型及模型阶数，根据模型求出
模型的参数，代入功率谱密度估计公式估计出补零后的混合信号的功率谱；其中模型阶数
选择未补零前的每段信号的长度；
Step4、对所设计的随机噪声信号补零，使噪声信号的长度与补零后的混合信号的长度
相同，用与步骤Step3相同的方法估计出补零后随机噪声信号的功率谱，模型阶数也与步骤
Step3中相同；
Step5、用补零后的混合信号的功率谱减去补零后随机噪声信号的功率谱，得到有效信
号的功率谱，结合去噪前混合信号的相位谱，通过变换得到时域脉搏有效信号。
2.根据权利要求1所述的基于AR模型谱估计的脉搏信号随机噪声去噪方法，其特征在
于：所述步骤Step1的具体步骤如下：
Step1.1、将脉搏信号x(m)(m＝1,2,3,…,M)分为长度相同的两段信号x1(i)和x2(i)，
i=1,2,3,...,[M2],]]>使得x1(i)＝x(m)，m=1,2,3,...,[M2],]]>x2(i)＝x(m)，m=1+[M2],]]>2+[M2],3+[M2],...,2*[M2],]]>且记I=[M2];]]>Step1.2、采集到的脉搏信号x(m)(m＝1,2,3,…,M)是由脉搏有效信号s(m)和噪声信号n
(m)组成的，即x(m)＝s(m)+n(m)，则x1(i)＝s1(i)+n1(i)，x2(i)＝s2(i)+n2(i)，取x1(i)、x2(i)
的傅里叶变换，得到X1(k)和X2(k)(k＝0,1,…,I)，然后分别取它们幅值的平方，并除以信号
的长度I，作为对x1(i)和x2(i)真实功率谱的估计，即则
信号x1(i)、x2(i)的功率分别为Gx1=1IΣk=0I-1|X1(k)|2,Gx2=1IΣk=0I-1|X2(k)|2,]]>则每段混合信号
的平均功率为G‾x=12(Gx1+Gx2),]]>通过公式P^x1x2(k)=12I(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>估
计出信号x1(i)、x2(i)的互功率谱，因为x1(i)和x2(i)的互功率谱就是有效信号的功率谱，
则脉搏有效信号的平均功率G‾s=12IΣk=0I-1(X1(k)·X2*(k)+X1*(k)·X2(k)),]]>因为x1(i)、x2(i)
这两段信号分别的总功率谱就是有效信号与随机噪声信号功率谱之和，故可得噪声功率为
G‾n=G‾x-G‾s,]]>可求出信号的功率信噪比为SNR=G‾s/G‾n;]]>其中，由于x1(i)、x2(i)之间有效信号相关性强、有效信号与随机噪声信号不相关、随机
噪声信号之间也不相关，故每段信号的自相关函数为脉搏有效信号的自相关
函数rs(τ)与噪声自相关函数rn(τ)之和，而两段信号的互相关函数等于脉搏有效信
号的自相关函数rs(τ)，即i＝1,2，因此，x1(i)、x2(i)这
两段信号分别的总功率谱Px(k)就是有效信号Ps(k)与噪声功率谱Pn(k)之和，而它们之间的
互功率谱就是有效信号的功率谱Ps(k)，即Px(k)＝Ps(k)+Pn(k)，Step1.3、在时域中，脉搏信号x1(i)、x2(i)的功率为Gs_x2=]]>1IΣi=0I-1|x2(i)|2,]]>故每段信号的平均功率为G‾s_x=12(Gs_x1+Gs_x2);]]>Step1.4、选择均值为0、方差为σ2、长度为I的服从高斯分布的伪白噪声序列作为随机噪
声信号的模型；由于白噪声的功率是用其方差来定义的，即Gu＝σ2，Gu表示白噪声的功率，故
采集到的脉搏信号中所含的随机噪声的功率为Gs_n＝Gu＝σ2，因此，SNR＝Gs_s/Gs_n＝(Gs_x-
Gs_n)/Gs_n＝(Gs_x-Gu)/Gu，故这样就可以求得白噪声模型的方差σ2，进而
建立出均值为0、方差为σ2、长度为I的伪高斯白噪声模型n(i)了。
3.根据权利要求1所述的基于AR模型谱估计的脉搏信号随机噪声去噪方法，其特征在
于：所述步骤Step2的具体步骤如下：
分别对脉搏信号x(m)(m＝1,2,3,…,M)分成的两段长度相同的信号x1(i)、x2(i)补零得
到新的信号x1(n)、x2(n)进行傅里叶变换，得到X1(k)和X2(k)(k＝0,1,…,N-1)，保留其相位
谱其相位谱为傅里叶变换结果的虚部与实部之商，即为
其中，n＝1,2,3,…,N，N为最接近原信号x(m)长度M的2的整数次方，且N满足N≥M。
4.根据权利要求1所述的基于AR模型谱估计的脉搏信号随机噪声去噪方法，其特征在
于：所述步骤Step3的具体步骤如下：
Step3.1、对脉搏信号x(m)(m＝1,2,3,…,M)分成的两段长度相同信号的其中一段信号
x1(i)补零后得到的信号x1(n)(n＝1,2,3,…,N)，建立AR模型，N为最接近原信号x(m)长度M
的2的整数次方，且N满足N≥M，建立的AR模型可由公式表
达，确定AR参数模型的阶数p为未补零前信号x1(i)的长度，即p＝I；
Step3.2、估计出信号x1(n)的前p+1个自相关函...

【专利技术属性】
技术研发人员：杨承志，何慧敏，刘贺，张兴超，杨彪，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53