从被干扰污染的数据中检测信号的自适应方法和系统技术方案

本文描述了用于在嘈杂的环境中自适应地检测期望信号S(n)的一种系统和方法的各种实施例：获取一个包含期望信号和来自于共同噪声源的噪声和干扰中的至少一个，一个包含来自于所述共同噪声源的噪声的一个版本和/或所述干扰的一个版本的辅助信号；以及在处理单元定义至少一个信号特征，定义噪声和干扰分量对应于噪声和/或干扰以及所述噪声的版本和/或所述干扰的版本，并估计它们的强度。利用所述的至少一个信号特征及其相应的强度来估计期望的信号，并利用所述的分量及其相应的强度来估计噪声和/或干扰分量。

【技术实现步骤摘要】
【国外来华专利技术】从被干扰污染的数据中检测信号的自适应方法和系统相关申请的交叉引用本申请要求2015年3月13日提交的美国临时专利申请第62/132,903号的权益，第62/132,903号申请的全部内容在此通过引用并入本申请。
本文描述了在各种不同应用中可用来检测微弱信号或被噪声和/或干扰所污染的信号的一种装置及方法的各种实施例。
技术介绍
在许多应用中需要能可靠地检测微弱的信号或者因噪声和/或干扰而失真的信号的能力。通常，信号相对于噪声及其它类型失真的质量可用信噪比(SNR)表示。低SNR可能意味着感兴趣的信号可能强烈失真，使用常规技术可能难以检测这类信号。例如，医学应用中，许多生理相关的信号可能比记录这些信号时捕获到的背景噪声和信号伪迹要微弱。换言之，这些生理相关信号的SNR低。由于诸如噪声及信号伪迹所带来的失真，与检测本质上微弱的信号可靠性相关联的难度和挑战性因而较高。相应地，就需要有能支持高效地检测本质上微弱或高度失真信号的系统和方法。在医疗应用中，也希望以对病人最低程度的侵入性和最低程度的不适感来这样做。
技术实现思路
在一个广泛的方面，本文通过对至少一个实施例的描述，提供了一个从嘈杂的环境中检测期望信号S(n)的自适应方法，该方法包括：获得主信号Z(n)，所述主信号Z(n)包含期望信号S(n)和来自于一个共同噪声源的噪声和干扰V(n)中的至少一个；获得辅助信号Y(n)，所述辅助信号Y(n)包含来自于所述共同噪声源的噪声的一个版本和干扰信号的一个版本中的至少一个；以及在处理单元：生成一个特征数据集合，具有至少一个信号特征元素用于定义期望信号的至少一个特征；生成噪声及干扰分量，其对应于所述噪声和干扰的V(n)中的至少一个以及所述噪声的至少一个版本和所述干扰的版本Y(n)；以及利用所述至少一个信号特征及其相应的特征强度、所述至少一个噪声和干扰V(n)分量及其相应的强度以及所述噪声的至少一个版本和所述干扰的版本的Y(n)分量及其相应的强度估计期望信号S(n)。至少在某些实施例中，此方法还可以包括使用准卡尔曼滤波器来估计强度和期望信号，通过：定义一个观测矩阵H(n)，此矩阵包含至少一个信号特征元素、至少一个、噪声和干扰V(n)分量的数值以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的数值；定义一个状态向量X(n),其包含至少一个信号特征的强度、所述至少一个噪声和干扰V(n)分量的模型参数以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的模型参数；定义一个关于X(n)的状态方程，基于前一时间点X(n-1)和噪声u(n-1)的组合；以及使准卡尔曼滤波器来估计状态和模型参数。在至少一些实施例中，该方法还可以包括：定义一个时变信号特征矩阵F(n)，所述信号特征矩阵中的元素的线性组合构成了主信号Z(n)中的期望信号S(n)；定义一个时变噪声干扰数据矩阵，所述噪声和干扰矩阵中的元素的线性组合构成主信号Z(n)中的噪声和干扰成分V(n)；以及定义一个观测矩阵H(n)，此观测矩阵包含F(n)、Y(n)和V(n)，以及用于描述主信号Z(n)的观测方程式，在此方程式中Z(n)被表述为状态向量的元素的线性组合。在至少一些实施例中，该方法还可以包括用估计的状态向量和所述特征矩阵的线性组合构建信号分量波形。在至少一些实施例中，该方法还可以包括用估计的状态向量和噪声及干扰矩阵的线性组合构建干扰分量的波形。在至少一些实施例中，该方法还可以包括利用辅助信号的实时数据以及利用估计的状态向量来更新噪声和干扰矩阵分量，从而实现自适应滤波。在至少一些实施例中，该方法还可以包括基于待测的期望信号，利用解析公式、查找表格或具有特定性质的实际记录来生成至少一个信号特征。在至少一些实施例中，该方法还可以包括通过一个线性系统将所述噪声和干扰分量V(n)的分量中的至少一个，以及所述噪声的一个版本和所述干扰的一个版本Y(n)的分量的至少一个联系起来。在至少一些实施例中，该方法还可以包括利用时变自回归移动平均(AutoregressiveMovingAverage,ARMA)模型来定义所述线性系统。在至少一些实施例中，该方法可包括利用来自辅助信号的噪声和干扰的时间函数、数据，和/或利用所述处理单元所提供的估计结果的至少一个特性，生成所述的噪声和干扰分量V(n)的分量的至少一个以及所述噪声的一个版本和干扰的一个版本Y(n)分量的至少一个，从而使所述建模对实际数据具有自适应性。在至少一些实施例中，该方法包括使用主传感器来获得主信号Z(n)并使用辅助传感器来获得辅助信号Y(n)。在至少一些实施例中，该方法可以应用于畸变产物耳声发射(DPOAE)测量，并且该方法还可以包括使用具有两个扬声器的探头向测试对象提供两个刺激音调，使用一个主麦克风记录主信号Z(n)以及一个辅麦克风来记录辅助信号Y(n)。在至少一些实施例中，至少一个信号特征包括对应于一个第一刺激音调、一个第二刺激音调以及一个DPOAE信号的信号特征，而且噪声和干扰V(n)和Y(n)分量是从辅助信号获得。在至少一些实施例中，该方法被应用于DPOAE抑制测量，并且所述至少一个信号特征还包括对应于具有与DPOAE音调相邻的频率的音调的信号特征以用于本底噪声估计。在至少一些实施例中，该方法可以应用于监测中耳肌反射(MEMR)是否发生，此监测是通过检测DPOAE主测试音调或特意引入的测试音调的相位变化实现；这里的相位变化指的是抑制声(suppressor，为诱发抑制现象的刺激声)开启和关闭时基础音调或特意引入的音调在一段时间内的相位变化来实现，并通过将所述相位变化与一阈值进行比较来确定MEMR是否发生。在至少一些实施例中，所述方法被应用于示波法血压监测，所述方法还包括使用一个具有导管的血压袖带用于感测主压和辅压，一个主压力传感器用于获得主信号Z(n)，以及一个具有辅压力传感器的组合传感器。在至少一些用于血压监测的实施例中，所述组合传感器还可以包含一个加速度计来获取辅助信号Y(n),在血压检测中此加速度计用于感测伪迹。在至少一些用于血压监测的实施例中，所述的至少一个信号特征可以是一个单个常数元素，而且噪声和干扰分量V(n)以及Y(n)是基于从辅助信号收集的数据。在至少一些用于血压监测的实施例中，所估计的期望信号用于使用标准方法来估计收缩压和舒张压，所述标准方法包括确定袖带放气期间震荡波形包络的斜率改变或确定包络的峰值。在至少一些实施例中，该方法还可以用于含集成校准的连续血压监测，其中至少一个信号特征包括下列元素：1，(Ps-PC)，(PC-PC0(n))(Ps(n)-PC)(Pc-PC0)以及(PC-PC0)2，其中Pc(n)为血压袖带施加的压力的移动平均值，Ps(n)对应于血压袖带的压力峰值或最小值；状态向量定义为X(n)＝X(n)＝[d0(n)d1(n)…d5]T；以及主信号为Z(n)＝Psys-Pc(n)或Z(n)＝Pdia-Pc(n)；其中Psys是估计的收缩压，Pdia是估计的舒张压。在用于含集成校准的连续血压监测的至少某些实施例中，对于噪声和干扰V(n)或Y(n)分量可能是不需要的，且观测矩阵H(n)完全由信号特征矩阵F(n)定义。在用于含内置校准的连续血压监测的至少一些实施例中，该方法可以包括按本文档来自技高网...

【技术保护点】
一种用于在嘈杂的环境中自适应地检测期望信号S(n)的方法，所述方法包括：获得主信号Z(n)，所述主信号Z(n)包含期望信号S(n)和来自于一个共同噪声源的噪声和干扰V(n)中的至少一个；获得辅助信号Y(n)，所述辅助信号Y(n)包含来自于所述共同噪声源的噪声的一个版本和干扰信号的一个版本中的至少一个；以及在处理单元：生成一个特征数据集合，具有至少一个信号特征元素用于定义期望信号的至少一个特征；生成噪声及干扰分量，其对应于所述噪声和干扰V(n)中的至少一个以及所述噪声的至少一个版本和所述干扰的版本Y(n)；估计所述至少一个信号特征的强度、至少一个噪声及干扰V(n)分量的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的强度；以及利用所述至少一个信号特征及其相应的强度、所述至少一个噪声和干扰V(n)分量及其相应的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量及其相应的强度估计期望信号S(n)。

【技术特征摘要】
【国外来华专利技术】2015.03.13 US 62/132,9031.一种用于在嘈杂的环境中自适应地检测期望信号S(n)的方法，所述方法包括：获得主信号Z(n)，所述主信号Z(n)包含期望信号S(n)和来自于一个共同噪声源的噪声和干扰V(n)中的至少一个；获得辅助信号Y(n)，所述辅助信号Y(n)包含来自于所述共同噪声源的噪声的一个版本和干扰信号的一个版本中的至少一个；以及在处理单元：生成一个特征数据集合，具有至少一个信号特征元素用于定义期望信号的至少一个特征；生成噪声及干扰分量，其对应于所述噪声和干扰V(n)中的至少一个以及所述噪声的至少一个版本和所述干扰的版本Y(n)；估计所述至少一个信号特征的强度、至少一个噪声及干扰V(n)分量的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的强度；以及利用所述至少一个信号特征及其相应的强度、所述至少一个噪声和干扰V(n)分量及其相应的强度以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量及其相应的强度估计期望信号S(n)。2.如权利要求1所述的方法，其中所述的方法包括使用准卡尔曼滤波器来估计强度和期望信号，通过：定义一个观测矩阵H(n)，此矩阵包含所述至少一个信号特征元素、所述至少一个噪声和干扰V(n)分量的数值以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的数值；定义一个状态向量X(n),其包含至少一个信号特征的强度、所述至少一个噪声和干扰V(n)分量的模型参数以及所述噪声的至少一个版本和所述干扰的版本Y(n)分量的模型参数；定义一个关于X(n)的状态方程，基于前一时间点X(n-1)和噪声u(n-1)的组合；以及使用准卡尔曼滤波器来估计状态方程和模型参数。3.如权利要求2所述的方法，其中所述的方法包括：定义一个时变信号特征矩阵F(n)，所述信号特征矩阵中的元素的线性组合定义了主信号Z(n)中的期望信号S(n)；定义一个时变噪声和干扰矩阵，所述噪声和干扰矩阵中的元素的线性组合定义了主信号Z(n)中的噪声和干扰成分V(n)；以及定义一个观测矩阵H(n)，所述观测矩阵包含F(n)、Y(n)和V(n)，以及用于描述主信号Z(n)的观测方程，在此方程式中Z(n)被表述为状态向量的元素的线性组合。4.如权利要求3所述的方法，其中所述的方法包括用估计的状态向量和所述特征矩阵的线性组合构建信号分量波形。5.如权利要求3或4所述的方法，其中所述的方法包括用估计的状态向量和噪声及干扰矩阵的线性组合构建干扰分量的波形。6.如权利要求3所述的方法，其中所述的方法包括利用辅助信号的实时数据以及利用估计的状态向量来更新噪声和干扰矩阵分量，从而实现自适应滤波。7.如权利要求1-6中任一项所述的方法，其中所述方法包括基于待测的期望信号，利用解析公式、查找表格或具有特定性质的实际记录来生成至少一个信号特征。8.如权利要求1-7中任一项所述的方法，其中所述方法包括通过一个线性系统将所述噪声和干扰分量V(n)的分量的至少一个，以及所述噪声的一个版本和所述干扰的一个版本Y(n)的分量的至少一个联系起来。9.如权利要求8所述的方法，其中所述方法包括利用时变自回归移动平均(ARMA)模型来定义所述线性系统。10.如权利要求8或9所述的方法，其中所述方法包括利用来自辅助信号的噪声和干扰的时间函数、数据，和/或利用所述处理单元所提供的估计结果的至少一个特性，生成所述的噪声和干扰分量V(n)的分量的至少一个以及所述噪声的一个版本和干扰的一个版本Y(n)的分量的至少一个，从而使所述建模对实际数据具有自适应性。11.如权利要求1至10中任一项所述的方法，其中所述方法包括使用主传感器来获得主信号Z(n)并使用辅助传感器来获得辅助信号Y(n)。12.如权利要求1至11中任一项所述的方法，其中所述方法应用于畸变产物耳声发射(DPOAE)测量，并且所述方法还包括使用具有两个扬声器的探头向测试对象提供两个刺激音调，使用一个主麦克风记录主信号Z(n)以及一个辅麦克风来记录辅助信号Y(n)。13.如权利要求12所述的方法，其中所述的至少一个信号特征包括对应于一个第一刺激音调、一个第二刺激音调以及一个DPOAE信号的信号特征，而且噪声和干扰V(n)和Y(n)分量是从辅助信号获得。14.如权利要求12所述的方法，其中所述方法被应用于DPOAE抑制测量，并且所述至少一个信号特征还包括对应于具有与DPOAE音调相邻的频率的音调的信号特征以用于本底噪声估计。15.如权利要求13所述的方法，其中所述方法被应用于监测中耳肌反射(MEMR)是否发生，监测通过检测当抑制器开启和关闭时基础音调或特意引入的音调在一段时间内的相位变化来实现，并通过将所述相位变化与一阈值进行比较来确定MEMR是否发生。16.如权利要求1至11中任一项所述的方法，其中所述方法被应用于示波法血压监测，所述方法还包括使用一个具有导管的血压袖带用于感测主压和辅压，一个主压力传感器用于获得主信号Z(n)，以及一个具有辅压力传感器的组合传感器。17.如权利要求16所述的方法，其中所述组合传感器还包含一个加速度计来获取辅助信号Y(n)，在监测中此加速度计用于感测身体伪迹。18.如权利要求16或权利要求17所述的方法，其中所述的至少一个信号特征是一个单个常数元素，且噪声和干扰分量V(n)以及Y(n)是基于从辅助信号收集的数据。19.如权利要求16至18中任一项所述的方法，其中所估计的期望信号用于使用标准方法来估计收缩压和舒张压，所述标准方法包括确定袖带放气期间震荡波形包络的斜率改变或确定包络的峰值。20.如权利要求16至18中任一项所述的方法，其中所述方法被进一步应用于含集成校准的连续血压监测，其中：所述的至少一个信号特征包括下列元素：1，(Ps-PC)，(PC-PC0(n))(Ps(n)-PC)(Pc-PC0)以及(PC-PC0)2，其中Pc(n)为血压袖带施加的压力的移动平均值，Ps(n)对应于的血压袖带的压力峰值或最小值；状态向量定义为X(n)＝X(n)＝[d0(n)d1(n)…d5]T；以及主信号为Z(n)＝Psys-Pc(n)或Z(n)＝Pdia-Pc(n)；其中Psys是估计的收缩压，Pdia是估计的舒张压。21.如权利要求20所述的方法，其中对于噪声和干扰V(n)或Y(n)分量是不需要的，且观测矩阵H(n)由信号...

【专利技术属性】
技术研发人员：李新德，
申请(专利权)人：李新德，
类型：发明
国别省市：加拿大,CA