嵌入式脈象診斷儀的一種信號處理與分析方法研究

李治龍 廣西建設(shè)職業(yè)技術(shù)學(xué)院 (南寧 530003)

嵌入式脈象診斷儀的一種信號處理與分析方法研究

李治龍 廣西建設(shè)職業(yè)技術(shù)學(xué)院 (南寧 530003)

本文提出一種分辨病理脈象和正常脈象的方法?；贏R模型擬合進行特征提取，由模型系數(shù)構(gòu)成信號的特征集，采用概率統(tǒng)計法進行脈象的聚類識別。

AR模型擬合 特征提取 聚類識別

0 引言

通過脈象儀測量得到的脈搏波在幅值、周期、形狀等參量上的可重復(fù)性不是特別好，并且信號比較微弱、易受干擾，因而，我們需要對脈象信號進行有效分析和處理。在進行脈象分類識別時需建立恰當(dāng)?shù)臉颖編?，采樣點的增加將導(dǎo)致檢測成本的增加，而減少采樣點必將削弱診斷的正確率。如何確定脈象信號的采樣點，并對樣本進行特征提取，以及聚類識別將是整個脈象診斷系統(tǒng)的關(guān)鍵部分。

圖1 脈搏波形及其微分采樣

1 脈搏信號采樣點的確定

經(jīng)檢測得到的脈搏波波形如圖1所示，對該模擬信號S(t)進行AD轉(zhuǎn)換之前需甄別出其有代表性的采樣點。這里選擇波形的極點作為采樣點。為此，把脈形信號S(t)進行微分運算得到S'(t)，再將S'(t)信號進行檢零后的輸出脈沖作為采樣的指示信號，即S'(t)=0，這就是對極點的采樣信號。

從S(t)波形可見：在DA段具有最大的正一階導(dǎo)數(shù)。所以將S'(t)經(jīng)電平ET整形后輸出的脈沖作為這個采樣周期的同步信號，見圖1中的T1，通知單片機作采樣開始的準(zhǔn)備，并直接送外部時鐘T0，令其從0開始計時，從而構(gòu)成信號的Y坐標(biāo)。

按這種設(shè)計，每個脈波信號共采用四個點，即

其中i =1, 2, 3, 4，分別對應(yīng)圖1中的A、B、C、D四點。A點為主波高度，B點為降中峽高度，C點為重搏波高度，D點為零點。

為了克服檢測誤差，對每個采樣數(shù)據(jù)用遞推計算法進行數(shù)字處理，也即濾波。例如對某個值A(chǔ)測量N次，得到N個獨立結(jié)果——X11,X12,X1N。

由于每次測量時都有誤差ε，ε即是干擾或噪聲，則每次所測的X都應(yīng)表示成：

單片機檢測程序設(shè)計如下：

(1) 確定取法壓力；

(2) 延時3s，等待同步信號T1；

(3) 接到T1信號后，再判別采樣信號T2；

(4) 接到T2后，把時鐘T0，傳感器的A點值送入Y1N，X1N中；

(5) 接著判定T2消失否，當(dāng)?shù)诙谓拥絋2時，再按上次序?qū)r鐘T0和傳感器B點值送入Y2N，X2N中；

(6) 依次類推，直到采集完；

(7) 記下一次循環(huán)（N=N+1）返回，直到N=20結(jié)束，采樣完畢；

(8) 進行數(shù)字濾波，采集的數(shù)據(jù)在微機中只以均值的形式存于數(shù)組中。

其程序框圖如圖2所示。

3 樣本特征的提取和壓縮

在檢測過程中，有不同的取法，而每個波形需選取4個點，一個點分X和Y坐標(biāo)兩個參量，則形成一個完整的樣本資料所需的參量非常之多。如果采樣點增加，參數(shù)量將直線增加。簡化的途徑不能減少采樣點，因而，采用AR模型擬合的方法[1]進行選取有代表性的參量，以降低系統(tǒng)成本。

一個M階的AR模型可由下式表示：

式中{xt}是平穩(wěn)的脈搏信號觀測序列，{et}是均值為0、方差為σe2的正態(tài)白噪聲，M 和 ( k=1,2…..M )分別為自回歸模型的階數(shù)和系數(shù)。

脈象信號經(jīng)AR 模型擬合后，可相應(yīng)地獲得一組AR 模型系數(shù)aM,k( k=1,2…..M )，這組系數(shù)就可作為信號的特征。因此，將所有被聚類的信號進行AR模型擬合后就可得到一個由AR模型系數(shù)組成的特征集A：

式中N 為信號個數(shù)，aij表示第i個信號的M階AR 模型中的第j個系數(shù)。

對于AR模型系數(shù)的獲得，我們采用由Marple提出的遞推算法[2]，其遞推公式為：

4 聚類識別

(1) 建立樣本資料陣

在研究中，利用脈象診斷儀判斷被測量者的脈象是正常脈象還是病理脈象。分別選取正常脈象和病理脈象各50例，通過采樣建立樣本資料陣：

式中(i)=0表示病理脈象，陽性病歷，用“+”表示；(i)=1表示正常脈象，陰性病歷，用“-”表示。

實驗中，一個樣本取其中特征壓縮后的8個參量，建立樣本資料陣時選用50個樣本，因此這個陣是50*8的陣。

(2) 均值向量的估計量

5 結(jié)束語

本文提出的基于AR模型擬合的特征提取和聚類識別方法所得出的結(jié)論與臨床診斷結(jié)果進行比對，正確率達80%以上。下一步的研究目標(biāo)將是進一步提高檢測系統(tǒng)硬件的魯棒性；在脈象特征信號提取和分析上，結(jié)合病例樣本，提高辨別的準(zhǔn)確率。

[1] 李金宗. 模式識別導(dǎo)論[M]. 北京：高等教育出版社，1994.

[2] 聶能. 生物醫(yī)學(xué)信號數(shù)字處理技術(shù)及應(yīng)用[M]. 北京：科學(xué)出版社，2005.

[3] Li Zhilong. Pulse Identification Based on Methods of Extension Evaluation[J]. International Conference on Innovative Computing, Information and Control (ICICIC-2007), 2007.

Research on A Method of Signal Processing and Analysis for Embedded Pulse Diagnosis Device

LI Zhi-long Guangxi Polytechnic of Construction (Nanning 530003)

This paper presents a method to distinguish pathological and normal pulse. The feature extraction based on AR model fitting, the signal from the model coefficients constitute the feature set, the use of probability statistics identify the pulse of the cluster.

AR model fitting, feature extraction, clustering

1006-6586(2011)05-0016-03

R857.2

A

2011-02-21

李治龍，廣西建設(shè)職業(yè)技術(shù)學(xué)院助教