文摘
生理信号常常会被各种各样的噪声污染的起源。本文描述了一种算法减少零星的声音从一个连续周期信号。的设计可以使用一个周期信号的样本是必需的,例如,当需要平均脉冲脉搏波分析和表征。基于聚类分析的算法选择类似的重复或脉冲周期单。这种方法选择单个脉冲没有噪音,返回一个干净的脉冲信号,并终止时足够干净,代表收到信号。算法被设计成足够紧凑实现单片机嵌入在一个医疗设备。已经验证通过去除噪声的范例photoplethysmography (PPG)信号,显示增加随着信号的噪声污染增加中获益。算法设计是普遍适用于广泛的生理(身体)信号。
1。介绍
信号质量和信噪比需要考虑在几乎所有的信号测量。特别是在生理测量的信号往往是小型的和容易测量的文物和噪声往往难以控制。本文描述了一种新的聚类分析方法降低噪声的影响在photoplethysmography (PPG)信号。分是一个光学测量技术,可用于检测血容量的变化组织的微血管床1]。外围脉搏,以分,通常用于健康和疾病的评估和对心血管系统(可以提供重要的有价值的信息2- - - - - -5]。我们的研究小组正在评估分外周动脉疾病的诊断在初级保健的情况下使用一个完全自动化的诊断设备(6]。这种装置的临床效用的能力依赖于从PPG信号识别和消除噪声。
噪音最小化开始消除噪音的来源;这可以通过电气隔离或,例如,通过保持放松和仍在测量消除肌肉和运动的产物。也有固有噪声通过小信号的放大生产;然而现代生理放大器和analogue-to-digital转换器倾向于减少这种除了最小的输入信号。当噪音的来源已经尽可能减少,可以使用各种有源降噪技术。最常见的噪音最小化滤波(7,8),可用于减少任何不重叠的噪声频率信号的频率。更复杂的方法,如小波去噪(9可以使用),过滤是不够的。生理信号,特别是心电图和分,一直使用一个信号降噪的重点质量指数,即每个脉冲信号质量,然后用来评估的有效性,脉冲(10- - - - - -13]。
聚类分析的方法安排功能分成组,这样那些具有类似特征的躺在一个组。聚类分析是数据分析和常见的有许多算法(14]。在本文中,我们使用一个简单的聚类分析将噪声从生理PPG信号。这个信号是周期和执行疾病诊断具有代表性的脉搏。因此,单个脉冲的特点是不需要而是特征从一个代表单脉冲(这所选好脉冲或脉冲平均)。为了输出一个脉冲代表,与许多脉冲跟踪记录和平均脉冲从这些计算。这个方法执行时噪音污染很低,例如,当记录在建立生理测量设置和训练有素的研究分。然而,诊断设备搬到现实世界提供一个健壮的和临床设置自动评估是很有挑战性的。例如,病人并不仍然停留在记录和设备必须用来返回一个有效的临床结果和任何合理预期的临床和员工培训水平。重要的测量噪声存在时,噪音可以主导的平均脉冲,这不再是一个真正的代表主题的分脉冲。介绍了一个使用聚类分析算法选择一个子集的脉冲返回一个代表脉冲返回后续诊断。
2。方法
该算法是使用Matlab®版本开发的2016 b;photoplethysmography和心电图信号是使用多通道测量的分和心电图记录仪用于临床研究(15]。预录的信号从正常受试者作为算法的输入。各种各样的手指或脚趾脉冲信号与噪声通过刻意实现病人运动被用来训练算法。算法是实时运行的信号捕获可能终止时已经收到足够的信号。对于高质量的信号,这可能导致更短的记录时间。小信噪比信号,这使得设备收集足够的数据,诊断是可能的,超时限制。
2.1。算法开发
算法的设计要求如下:(我)计算在连续的数字数据流,用最小的信号延迟(pseudo-real-time)。(2)去除低频噪声(直流漂移)。(3)去除高频噪声。(iv)删除零星mixed-frequency噪音。(v)足够的“好”脉冲记录时终止。
算法开发了从分减少噪音信号。这个信号的周期频率等于心率。主要存在于低频信号结构域,与理想的频率分析躺在0.15赫兹至20 Hz。
算法的步骤如图所示2。该算法可以分为三个部分:初始数据过滤和切片,脉冲集群和终止。
2.2。初步筛选和切片的阶段
传入的PPG信号的数字带通滤波器去除不需要的噪声和信号漂移。这是通过一个低通滤波器和一个高通滤波器来实现的,为了减少信号失真和相位延迟的信号。最小的延迟是必要的任何设备,实时跟踪显示,特别是在运营商的反馈是可能的(例如,调整传感器的测量站点)。任何实质性的延迟可以呈现这样的运营商反馈混乱和不直观。数字滤波器的选择分为两大类:FIR(有限脉冲响应)和IIR(无限脉冲响应)17]。虽然对称FIR滤波器有一个好处,那就是它们有线性相位和总是稳定的,他们有大量的延迟当设计低截止频率。IIR滤波器通常有一个非线性相位响应,因此导致frequency-related信号延迟;然而,他们可以比一个冷杉过滤器。
PPG信号中的信息是在低频范围内(~ 20 Hz以下);然而,信号往往受到高频噪声(图1)。这通常是由于在电噪声环境中测量或光学拾音器从外部照明源。
高频率是通过低通滤波器截止频率接近22赫兹。这是通过使用移动平均滤波器,它是一个简单的实现的冷杉过滤器。这种滤波器具有线性相位,以免扭曲了波形和转出率低。小心实现滤波器的水龙头,这也可以用来减少的倍数50 Hz噪音(图3)[18]。
(一)
(b)
高通滤波器更复杂的设计由于非常低(0.15赫兹)截止频率。这个过滤器的主要目的是阻止主导直流背景PPG信号的叠加。对于处理和响应速度,我们采用了一阶数字高通IIR滤波器的截止0.15赫兹,和传递函数如下:
虽然这个过滤器是一种IIR滤波器和非线性相位响应,这种非线性集中在非常低的频率低于滤波器截止频率。滤波器响应如图所示3并结合给带通以所需的属性。
然后切成单个脉冲过滤信号。这可能是完成了分痕迹,发现脉冲之间的低谷;然而,这可以在弱信号有问题或者当有大量的噪音。一个更可靠的方法是使用非线性波门的心电图信号。在这项研究中,R-waves从心电信号中提取使用方法由锅和汤普金斯(19)和脉冲之间的波谷发现从随后的最小值跟踪每个非线性波。然后每个产生的脉冲常数背景,正常在幅值和持续时间。随着处理器密集型聚类方法,有一个“检查”脉冲检查pulse-like在形式。这是设计计算快速和用于nonpulses丢弃明显。这张支票平均振幅样本的5%,90%,最后5%的脉搏。中间部分的平均值必须大于1.5倍的最大平均第一和最后一段的平均值。这确保了脉冲幅度低,开始上升,然后返回低,给予信心,一个周期pulse-like特性存在进行后续分析。
2.3。脉冲集群
该算法节省了脉冲到一个数组中。然后该脉冲相对于以前所有脉冲通过比较每个样本在脉冲的振幅。为了比较脉冲,距离度量标准进行了测试,包括计算皮尔逊相关系数,肯德尔秩相关系数,斯皮尔曼等级相关系数,均方根误差(RMSE)。这些距离度量是不同的优化;通过使用数据的一个子集和视觉对比的集群,RMSE生产最合适的聚类。RMSE也的优点是计算简单,因此很快。
每个脉冲形式一个新的集群和集群的中心。此外,每个脉冲都是放在其他集群,这之间的RMSE脉冲和脉冲的中心集群低于阈值。通过这种方式,N脉冲创建集群,每个脉冲填充的RMSE中心脉冲低于预设阈值。
2.4。终止
每个脉冲集群后,计算每个集群的脉冲数量。如果任何集群算法要求有足够的脉冲,然后循环终止,返回一个平均脉冲(正常)。随着脉冲在时间上正常化,中位数计算脉冲通过脉冲上的每个点的中值。如果没有集群有足够的脉冲,然后算法接受更多的数据,或者如果一个预定义的期限已经到了,然后用一个超时错误算法终止。这保护了算法运行不断没有输出。
2.5。算法验证
验证算法,一个干净的PPG信号分析了使用上述过滤,然而与集群关闭。这返回一个平均代表脉冲波形。信号被噪声污染的数字,分析重复和没有集群。输出这两个方法的分析比较干净的代表脉冲信号。
3所示。结果与讨论
图4(一)显示了从分跟踪与人工噪声添加到大约30%的信号。噪音设计复制运动噪声如中间跟踪图中所示1。图4 (b)显示所有的脉冲(没有集群),和图4 (c)表明了这些脉冲内最大的集群。输入PPG信号的持续时间是150秒;然而,该算法使用集群self-terminates当任何集群包含20个脉冲。图4 (d)显示了完整的跟踪与20分脉冲导致最大的集群以黄色突出显示。注意,没有脉冲选择从最终的跟踪算法分析实时跟踪好像因此终止当有足够的(在本例中20)脉冲。
(一)
(b)
(c)
(d)
很明显从图4类似的集群成功选择脉冲形状和这些视觉上似乎是一个生理上代表集。图5显示所有脉冲的中位数和中位数从集群一起脉冲的平均脉冲从原始干净的数据。图中可以看到5集群设置产生一个脉冲中值更接近干净数据值脉冲比中值脉冲。
为了验证算法,我们有量化的区别干净,集群,noncluster使用相同的RMSE值脉冲比较。我们模拟运动噪音,不断电噪音(类似于图下跟踪1),结合运动和电噪音,没有噪音,和白噪声没有PPG信号,如图6。右边面板显示一个比较干净的平均数据,与噪声添加数据的中值,中位数的集群。在图6 (c),结合运动和电噪音阻止一个集群形成内定义的阈值,和所有的噪声脉冲的中值明显偏离干净的信号。在图6 (e),我们使用白噪声作为输入。再一次,没有集群形成;然而,数据由心电图R-waves仍然是封闭的,因此产生一个值的脉冲噪声。集群算法的能力不会产生平均脉冲是极其重要的,因为它会阻止返回一个错误信号疾病诊断。
(一)
(b)
(c)
(d)
(e)
表1展示了每一种情况下,RMSE值显示在所有情况下,集群成立这产生一个脉冲中值接近中值脉冲从原始干净的数据。没有RMSE值可以计算为一个白噪声输入,如图6 (e),因为没有原始“干净”的数据信号。集群的最大改进算法被认为与高比例的运动噪声信号。运动噪音是零星的,只影响单个脉冲;删除这些脉冲会导致戏剧性的改善。相比之下,电噪音是适用于所有脉冲,因此它是比较困难的一个基于集群算法选择单个脉冲没有噪音。尽管如此,与聚类分析产生一个模拟电噪音RMSE几乎一半的大小RMSE值的脉冲。
集群算法的性能增加的比例被运动噪声污染的信号将从10%降至50%。集群的RMSE算法之间的比较,平均脉冲如图7。这表明,集群的结果返回广泛一致的结果独立于噪声信号,直到它不再是能够产生一个结果。相比之下,中值的脉冲在代表原始信号变得越来越穷。以非常低的噪音水平,一个更好的结果可以通过平均多脉冲;因此集群算法限制脉冲的数量平均20性能变差。然而,随着噪声的增加,聚类算法优越。还要注意时间算法与聚类方法返回一个结果增加随着噪声内容的增加,而且噪音污染超过50%可以通过增加超时限制。相比之下,所有脉冲的平均需要一个固定的持续时间独立于信号的质量,因此将大大超过集群方法有低噪音污染。实际的临床应用,算法还范围表明当测量的探测已成为独立的网站或失败了。
进一步的工作与photoplethysmography可以包括评估我们的方法方法的大范围的录音健康受试者和血管的病人和不同的外围测量等网站耳垂和手指垫。
4所示。结论
我们已经表明,聚类可以使用在一个实时算法来减少噪音的影响周期生理信号,用一种算法,可以根据个人的信号类型。在本文中,我们探索了其价值photoplethysmography波形作为输入信号,在一个戏剧性的减少噪声对输出结果的影响。此外,如果没有足够的质量数据,算法返回一个空的结果,而不是一个不正确的值脉冲。算法返回一致的结果作为噪声信号在低噪音水平增加,可以快速高效地生成一个结果。这个算法被开发的快速计算,这样可以在实时嵌入式单片机上运行在一个便携式医疗设备。
信息披露
中表达的观点不一定是作者和出版的英国国民健康保险制度,国家卫生研究所,或卫生部。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者要感谢伊甸园Winlow Charalambos Theodorou,乔纳森•吉尔摩和克里斯托弗·詹姆斯·Brockhurst漫步刺激讨论。这份报告是独立研究由国家卫生研究所资助(发明创新,“创新photoplethysmography技术快速的非侵入性评估在初级保健外周动脉疾病,”ii - c1 - 0412 - 20003)。