文摘

Photoplethysmography (PPG)已广泛应用于无创血容量和血流量检测以来第一次出现。然而,它noninvasiveness也使得PPG信号容易受到噪声干扰,从而表现出非线性和非平稳的特点,这带来了困难,PPG信号的去噪。集成经验模态分解称为EEMD,已取得了很大的进步在噪声处理中,是一个noise-assisted非线性和非平稳的时间序列分析方法基于经验模态分解(EMD)。EEMD方法解决了EMD有效“混合模式”的问题,但它可以什么都不做”效应,“另一个问题的分解过程。为了应对这个问题,一种改进的基于支持向量回归的EEMD方法扩展(SVR-EEMD)提出和验证了模拟数据和实际分数据。实验表明,SVR-EEMD方法可以有效地解决“结束效应”得到更好的分解性能比传统的EEMD方法,更好地造福PPG信号的噪声处理。

1。介绍

分(1)是一种很有前途的生物识别技术,基于Lambert-Beer定律(2)和光谱吸收特征的差异人类皮肤和血液将光信号转化为血容量和血流量信息。它可用于无创性检测微血管血流量的变化,提供大量的可能性在检测血容量和血流量参数(3- - - - - -5]。不幸的是,分都有各自的优势和劣势的noninvasiveness: PPG信号容易受到外部环境的干扰,因此它会导致测量结果不准确,这些干扰,包括呼吸活动(RA),运动构件(MA)、电力线路干扰,电子元件所产生的高频噪声,往往导致掺杂PPG信号非线性和非平稳的组件,从而导致光谱混叠失真当与传统方法处理。

EMD方法提出的黄等。6)1998年时间序列分解成一组固有模式函数(货币),通过选择适当的货币基金,可以消除噪声。然而,一些缺点阻碍了其进一步发展。几年后,一个更强大的合奏EMD (7]方法叫做EEMD提出和解决了“混合模式”的问题,原来的EMD的主要缺点之一。EEMD方法已经被证明是非常多才多艺的广泛的应用,如地质[8,9)、银行(10)、机械(11,12),和医学(13)从数据中提取信号的生成在嘈杂的过程。尊重PPG信号的去噪,大量的研究也一直在进行。《理发师陶德》等。14)与典型相关分析去除工件EEMD使用脑电图(EEG)和功能性近红外光谱(fNIRS)单通道数据;廖et al。15]EEMD方法实现准确分析用于PPG信号和它在特定平台实现;壮族et al。16]分析了高频乐队(0.4 -0.9赫兹)的国际货币基金组织(IMF)5日由EEMD来分解测量脉搏变异性(减压阀);本等。17基于EEMD)提出了一个算法和主成分分析(EEMD-PCA)作为一种新颖的方法来估计心率(HR)和呼吸速率(RR)同时PPG信号;Sadrawi et al。18)使用分垂直马噪声损坏的数据来评估EEMD过滤的性能。

EEMD方法克服了EMD“混合模式”的问题,但它不考虑同时存在的第二个问题:“端效应”,导致时间序列的两端有分歧时,样条插值。为了解决这个问题,本文提出了一种改进的EEMD (SVR-EEMD)基于支持向量回归的方法扩展并验证其通过模拟数据和实际分数据去噪性能。

本文将首先描述实验材料和介绍SVR-EEMD方法的原理及其实现步骤。然后,我们将报告的结果该方法在模拟数据和实际分数据和比较不同方法的去噪性能,并进一步建议必要的研究进行了讨论。最后,我们将得出结论部分阐明了该方法的有效性和效率。

2。材料和方法

2.1。模拟数据采集

模拟信号采样1千赫一秒的持续时间由5赫兹的正弦信号和一个余弦20赫兹的信号。它可以表达的方程(1),n(t)是叠加高斯白噪声,确保模拟信号的信噪比(信噪比)是15分贝:

由方程(计算信噪比2),年代(t)是信号组件,等于前两个部分的右边方程(1),n(t)是噪声分量。因此,我们可以计算模拟信号中的噪声强度为0.0316:

2.2。现实世界的PPG数据采集

实际分数据得到从PhysioBank BIDMC分和呼吸的数据集,这是支持由国家医学科学研究所(美国)和国家生物医学成像和生物工程研究所(NIBIB)的数据从危重患者在住院治疗期间获得的最初在贝斯以色列女执事医疗中心(美国波士顿)19,20.]。总共有53个病人数据集的数据集,其中每个记录病人的一些基本信息和一系列的生理数据的某些时间。这些生理数据包括呼吸活动数据、脑电图数据,分的数据,等等。我们挑选了10套(2、5、33、34、37、38,43岁,45岁,50岁和53)分的数据来进行本研究的实际分的实验数据。

2.3。拟议中的SVR-EEMD方法

SVR-EEMD方法通常可以通过两个步骤实现:首先,构建一个基于原始信号的训练集训练SVR模型并使用训练有素的SVR模型扩展有限数量的最大值和最小值时间序列,分别向左和右原始信号的结束;然后EEMD算法进行扩展信号重建和适当的选择首先当扩展部分截断。实现过程如图1。


图1
拟议中的SVR-EEMD方法的实现过程。左边的部分描述了信号扩展过程,和正确的部分描述了信号分解过程。
2.3.1。基于支持向量回归的信号扩展

支持向量回归是一种“宽容”回归模型,映射数据 高维特征空间H通过一个非线性映射函数φ并执行相应空间中的线性回归(21]。它可以概括成以下表达式: 在哪里 是回归超平面的法向量b是阈值。基于该算法,我们延长时间序列步骤(1)到(4):(1)构造一个训练集T= {(x1,y1),…,(xn,yn)}使用左端数据的时间序列(2)选择精度参数”ε”,误差惩罚因子”C”,损失函数”e”,核函数 构建SVR模型 在哪里 是拉格朗日乘数法,只有一小部分对应于所谓的支持向量(SV)不为零在这一步中,SMO [22)算法,重点是将一个复杂的优化问题分解成几次优化问题往往容易解决,由迭代执行选择的子集{ , 大小}2,让所有其他的保持固定和优化方程的次优化问题(5),直到一组{ }是优化: 阈值 推导出的 在哪里 支持向量的样本的数量吗(3)使用训练有素的SVR模型扩展有限数量的最大值和最小值点的左端时间序列(4)重复步骤(1)-(3)的右端数据,我们可以得到左右结束的时间序列扩展

考虑到SVR模型是寻求一个线性回归函数以适应所有的样品样品的总方差最小化的超平面,我们C等于无穷大,ε为提高回归精度。此外,我们还使用了常用的ε不敏感损失函数和线性核函数为了方便。

2.3.2。基于EEMD信号分解和重构

在EEMD的第一步,一个独立同分布和零均值白噪声的强度(Np)应该匹配信号的噪声强度尽可能添加然后EMD应用于驱动一组货币基金。重复这些步骤N次订立的国际货币基金组织的集和,最后,合奏应该平均,得到一组货币。

EMD执行的主要工作主要由一个筛选的过程如下:(1)分配的原始信号y(t)。(2)找到当地的最大值和最小值的信号y(t)。(3)插入(这里三次样条插值)当地的最大值和最小值之间产生上下包络线: 和 。(4)减去信封的平均值y(t) (5)计算筛选相对公差(rtol),国际货币基金组织(IMF)的停止准则,设置为0.2 在哪里 和 表示当前和以前的 ,分别。(6)确定rtol小于0.2,如果是这样,终止循环电流和治疗 作为国际货币基金组织(IMF);否则分配 来 并继续迭代的步骤(2)和(6)(7)减去 从原始信号和重复步骤(1)(7)直到 永远不能被分解,然后原始信号可以表示为 在哪里n货币基金的总数和吗 是剩余组件

通常情况下,IMF将原始信号分解成几个组件,和前几个对应于高频时间序列的乐队和最后几对应于低频带。作为一个结果,我们可以得到去噪信号通过选择重建的目标首先根据信号和噪声频率分布特征;也就是说,如果高频的噪声频率乐队或高于信号频率,我们可以零头几个货币和储备货币信号的位置,反之亦然。

3所示。结果与讨论

演示的去噪性能提出SVR-EEMD方法,我们应用它来模拟数据和实际分数据。模拟数据,我们使用信噪比和相关系数(Corr)来评估这种方法的有效性,并选择精确率(P)和召回率(R脉搏波的峰值的估计,这种方法在实际分的数据。

3.1。实验模拟数据

我们选择N= 100,Np= 0.0316确保EEMD和SVR-EEMD方法相同的分解条件下。图2描述了国际货币基金组织(IMF)组件的详细模拟信号分解的两种方法。


图2
货币基金的原始信号分解EEMD(左)和货币基金由SVR-EEMD来分解(右)。红色矩形区域扩展原始信号的一部分,和椭圆区域识别“结束效应”。

在图2,我们可以发现,首先,不同于一般的镜子扩展或零填充操作,我们的SVR模型能预测过去和未来趋势的准确信号,扩展它。第二,IMF的频率从高到低的顺序排列,在这种分解,货币基金组织3日和国际货币基金组织4日对应于模拟信号的信号成分20赫兹的频率和5赫兹,分别,而其他对应于噪声组件。第三,所有的货币基金(左)分解EEMD有不同程度的分歧在左右结束,特别是左边。相比之下,SVR-EEMD方法抑制这种效应在很大程度上。

图3比较了信号处理的FIR低通滤波器(截止频率在22 Hz), EEMD, SVR-EEMD方法。由于“端效应”,EEMD有严重的失真信号重建的双方和过滤后的数据也有小偏离原始信号由于相移,在哪些情况下的信号重构SVR-EEMD保持高度的一致性与原始信号左和右子图显示。我们计算信噪比和Corr列在表中1,这证明了SVR-EEMD显著抑制的一种有效方法“端效应”和过滤掉噪音信号。


图3
比较信号与原始信号的处理。(一)原始信号。(b) FIR低通滤波器。(c) EEMD。(d) SVR-EEMD。左和右子图描述的详细比较左右两端的0.05秒内处理信号,分别。
表1
处理过的信号的信噪比和相关系数。
3.2。实验的实际分的数据

数据4(一)和4 (b)简要描述病人的PPG信号的时频分布25 345 - 370年代期间。我们可以看到,有一个强大的运动障碍(红色箭头)在362年代和PPG信号完全淹没在噪声。此外,我们可以清楚地看到,呼吸活动(红色椭圆区域)PPG信号是重叠的,也证实了在图4 (b)。在图4 (b),呼吸速率大约是0.27赫兹的数据记录和信号还包含大量的谐波除了PPG信号(约2.08赫兹)。我们使用该方法(N= 30,Np= 0.6)分解数据,结果如图5(一个)。此外,我们画出功率谱密度(PSD)每个IMF在图的地图5 (b)。

(一)
(一)
(b)
(b)
图4
时间(a)和(b)频率域病人25的PPG信号的分布特征。
(一)
(一)
(b)
(b)
图5
货币基金和PSD SVR-EEMD PPG信号分解的。(一)货币的时间序列。第一行是扩展版的PPG信号如图4(一)。(b)每个IMF的PSD。相应的最大频率点被标识为一个红色的星号和价值观在括号中。

从图可以看出5(一个)左右两端的原始分信号准确地延长三个山峰(红色矩形区域)SVR扩展后,和国际货币基金组织扩展信号分解成七EEMD组件在不同的频段。首先,在每个组件没有分歧,这证明了SVR-EEMD方法可以解决“结束效应”问题在EMD分解PPG信号。从国际货币基金组织(IMF)频率的角度来看,国际货币基金组织(IMF)1日和国际货币基金组织2日主要随机噪声和谐波的频率相对较高和较低的强度与国际货币基金组织(IMF)3日和国际货币基金组织4日(国际货币基金组织的最大强度1日和国际货币基金组织2日与相应的12.57赫兹频率0.01和0.72和8.33赫兹,分别在国际货币基金组织的最大强度3日和国际货币基金组织4日与相应的4.18赫兹频率126.5和245.9和2.08赫兹,分别)。国际货币基金组织4日PPG信号的峰值位置的细节可以在国际货币基金组织(IMF)3日。国际货币基金组织6日和国际货币基金组织7日至少低频段对应呼吸活动椭圆标注在图吗4(一),国际货币基金组织(IMF)的频率5日是最混有两种不同的涟漪在362年代和369年代。我们重建了PPG信号、呼吸信号和干扰信号如图6这些货币基金。它可以发现,这两个明显的运动构件(红色椭圆区域)在原始信号分解成马信号,和重建的RA信号(黑色固体曲线)也在良好的协议与呼吸活动(红色虚线)记录在数据集。与原始信号相比,重建PPG信号不仅过滤掉大部分的干扰,还成功地恢复了PPG信号(红色矩形区域)这是马淹没在噪声。然而,在362年代的时候,干扰太强恢复PPG信号明显但足以检测分峰的位置。


图6
马,RA和SVR-EEMD PPG信号重建的方法。红色椭圆区域两个波纹从原始信号分解,和红色虚线了记录呼吸活动数据集。两个红色矩形显示恢复重建PPG信号的峰值由国际货币基金组织(IMF)3日再加上国际货币基金组织4日。

我们计算成功地识别峰的数量比总数公认的精确率和实际数量分数据作为召回率来验证数字滤波器的性能(截止频率在12赫兹根据PPG信号频率范围),EEMD,和SVR-EEMD方法再次使用病人数据,表中列出的结果2。

表2
P和R当PPG信号处理不同的方法。

它从表统计上可以找到2EEMD方法略优于冷杉的过滤精度和召回。数据的患者2、5、34岁,38岁,43岁,50岁的EEMD方法比冷杉过滤器,而对于病人33和45岁的冷杉过滤器确实比EEMD方法。不出所料,SVR-EEMD方法往往是杰出的比前两种方法。我们分析这一结果的原因可能是,首先,PPG信号中的频率成分不同的病人是不同的,尤其是那些脉搏非常不稳定,导致不同的方法有不同的治疗结果;第二,“最终效应”导致信号发散在分解,导致虚假的峰值或失踪的山峰,更糟的是,这种分歧可能渗透到整个数据序列信号和污染。第三,辅助添加高斯白噪声的随机性质可能会引起大的波动在一定位置信号,从而使EEMD方法的有效性不那么有效冷杉过滤器。此外,我们计算了相关系数和平均延迟时间(联合化疗)的数据处理的三种方法如表所示3。

表3
PPG信号时。柯尔和联合化疗不同的方法处理。

由方程(平均延迟时间计算10),n山峰的总数为成功的认可 在数据和处理 的时间是原始数据所在的山峰被定义为绝对时间之和的平均值的区别成功确定峰值和相应的峰值在原始数据:

我们可以看到,由于相移效应,冷杉过滤数据有明显的时间延迟现象,因此,相关系数相对较低。相反,EEMD和SVR-EEMD方法有较高的相关系数,同时实现低延迟。此外,SVR-EEMD方法解决了“端效应”问题,提高联合化疗和相关系数指标。

3.3。讨论

在表2EEMD方法通常比冷杉过滤器,除了病人33岁和45。病人45岁的数据数据7(一)和7 (b)分别详细描述的比较之间的左右两端加工数据和原始数据。

(一)
(一)
(b)
(b)
图7
结束的比较原始信号和信号处理的不同方法。(一)左端。(b)右端。

可以看出,冷杉过滤器过滤的数据有一个严重的相位延迟的问题,这就是为什么联合化疗较长和Corr表低3。左右两端EEMD数据重建的方法也有不同程度的散度和偏离原始数据的趋势。更糟糕的是,一个虚假的峰值出现在右端数据,这减少了精度和召回EEMD方法在某种程度上。相比之下,SVR-EEMD方法没有这两个问题,取得了良好的效果。

此外,噪声叠加在信号强度有重要影响的分解效果EEMD方法。对于模拟信号,我们可以计算的相对能量噪声并选择适当的噪声强度。然而,对于真正的分的数据,我们没有先验知识的噪声数据,但是我们可以估计所产生的噪音强度分布范围后统计数据。图8显示了平均相关系数、精度和召回的10组数据由SVR-EEMD处理方法应用不同噪声强度从0.15到2.25和合适的噪声强度范围是0.75 - -1.25,关键的是,多少应该应用需要进一步研究。


图8
的平均水平,P,R当不同噪声强度叠加在PPG信号。

尽管冷杉滤波器的相移特性使过滤后的数据与原始数据少,过滤器更简单,更易于使用。如果低相移或零相移滤波器,结果将是改善,但信号和噪声的数据不能被分解成不同的固有模式函数EEMD方法。

4所示。结论

为了解决EEMD“端效应”问题的方法,本文提出了一种基于支持向量回归的SVR-EEMD方法扩展和应用PPG信号的去噪。模拟数据和真实数据分用于比较去噪FIR低通滤波器的性能,EEMD, SVR-EEMD方法。模拟数据,由SVR-EEMD处理方法的信噪比提高近三倍,相关系数在0.99。SVR-EEMD实际分数据处理的方法,不仅精度和召回也高于其他两种方法,但它保持与原分高一致性数据。模拟数据和真实的PPG数据的结果证明,该方法可以克服传统的“端效应”问题EEMD分解方法,可以提高分解性能和非线性和非平稳的信号分析带来有益的结果。

数据可用性

模拟数据用于支持本研究的模拟部分可从相应的作者要求,和现实分的数据可以来自BIDMC分和呼吸理疗银行的数据集https://www.physionet.org/physiobank/database/bidmc。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家“十二五”科技支撑项目(2015 bai02b04)和中国吉林省科学技术计划项目,中国(yj009 17日)。