【作　者】張愛華，魏方園，丑永新，楊曉華

1 蘭州理工大學(xué)電氣工程與信息工程學(xué)院，蘭州市，730050

2 甘肅省工業(yè)過程先進(jìn)控制重點(diǎn)實(shí)驗(yàn)室，蘭州市，730050

3 蘭州理工大學(xué)校醫(yī)院，蘭州市，730050

脈搏信號(hào)的干擾段檢測(cè)與質(zhì)量評(píng)估

【作者】張愛華1,2，魏方園1,2，丑永新1,2，楊曉華3

1 蘭州理工大學(xué)電氣工程與信息工程學(xué)院，蘭州市，730050

2 甘肅省工業(yè)過程先進(jìn)控制重點(diǎn)實(shí)驗(yàn)室，蘭州市，730050

3 蘭州理工大學(xué)校醫(yī)院，蘭州市，730050

脈搏信號(hào)蘊(yùn)含豐富生理病理信息，而脈搏檢測(cè)易受多種因素的影響導(dǎo)致信號(hào)質(zhì)量變差，造成設(shè)備誤報(bào)警。對(duì)脈搏信號(hào)進(jìn)行離散符號(hào)化處理；運(yùn)用動(dòng)態(tài)時(shí)間扭曲算法（Dynamic Time Warping，DTW）將被測(cè)信號(hào)與脈搏信號(hào)模板進(jìn)行比對(duì)得到干擾段檢測(cè)閾值，檢測(cè)脈搏信號(hào)中的干擾段；通過分析所得脈搏信號(hào)的DTW距離值判斷脈搏信號(hào)的干擾程度，由干擾程度與信號(hào)質(zhì)量間的關(guān)系評(píng)估脈搏信號(hào)質(zhì)量等級(jí)。采用MIMICⅡ數(shù)據(jù)庫(kù)中1 055組脈搏信號(hào)數(shù)據(jù)對(duì)算法進(jìn)行訓(xùn)練及檢驗(yàn)，并與已有算法比較，結(jié)果表明該方法能夠準(zhǔn)確地識(shí)別脈搏信號(hào)中的干擾段并能客觀地對(duì)信號(hào)進(jìn)行質(zhì)量評(píng)估。

符號(hào)化；DTW；干擾段檢測(cè)；質(zhì)量評(píng)估

0　引言

脈搏信號(hào)能反映人體心臟與血液系統(tǒng)的生理變化，蘊(yùn)含豐富的人體生理病理信息。然而，脈搏信號(hào)采集經(jīng)常受到環(huán)境噪聲，運(yùn)動(dòng)偽跡以及數(shù)據(jù)缺失等的影響而產(chǎn)生干擾段，造成監(jiān)測(cè)信號(hào)參數(shù)估值錯(cuò)誤，導(dǎo)致監(jiān)護(hù)儀發(fā)出誤報(bào)警。據(jù)統(tǒng)計(jì)，目前監(jiān)護(hù)儀的錯(cuò)誤報(bào)警率高達(dá)86%，居高不下的誤報(bào)警嚴(yán)重影響監(jiān)護(hù)儀的監(jiān)護(hù)效果，造成醫(yī)生患者對(duì)監(jiān)護(hù)儀報(bào)警的麻痹大意[1-2]。檢測(cè)脈搏信號(hào)中的干擾段并對(duì)脈搏信號(hào)進(jìn)行質(zhì)量評(píng)估，對(duì)信號(hào)的進(jìn)一步分析處理有著重要的意義。

針對(duì)脈搏信號(hào)中干擾段引發(fā)的監(jiān)護(hù)儀誤報(bào)警問題，許多學(xué)者開展了研究，提出一些信號(hào)質(zhì)量評(píng)估的方法，以便檢測(cè)并分析質(zhì)量好的信號(hào)，去除或不信任質(zhì)量差的信號(hào)[3-4]。Sukor等[5]提出，運(yùn)用形態(tài)學(xué)分析算法進(jìn)行PPG（Photoplethysmogram）信號(hào)的質(zhì)量評(píng)估，通過決策樹將信號(hào)質(zhì)量分為三個(gè)等級(jí)，該方法需要檢測(cè)脈搏信號(hào)的多個(gè)特征值，算法復(fù)雜性較高。Karlen等[6]用脈搏間的互相關(guān)系數(shù)作為PPG信號(hào)質(zhì)量評(píng)估因子，由相關(guān)系數(shù)的非線性函數(shù)計(jì)算出每個(gè)脈搏的質(zhì)量等級(jí)。該方法能夠較好判斷信號(hào)質(zhì)量，但信號(hào)存在干擾時(shí)該算法需要不斷初始化，使得信號(hào)的質(zhì)量判斷存在間斷部分。李橋等[7]提出了脈搏信號(hào)的融合質(zhì)量評(píng)估算法，通過DTW（Dynamic Time Warping，DTW）對(duì)每個(gè)脈搏信號(hào)伸展或壓縮，提取幾種與信號(hào)質(zhì)量相關(guān)的特征，應(yīng)用多層感知器神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)質(zhì)量進(jìn)行判斷。該算法能夠判斷脈搏信號(hào)質(zhì)量，但準(zhǔn)確率較低。而且該方法對(duì)于脈搏信號(hào)的分割采用幅度閾值和間期閾值，當(dāng)脈搏信號(hào)存在較高噪聲干擾時(shí)，難以實(shí)現(xiàn)單個(gè)脈搏波的準(zhǔn)確分割。

針對(duì)以上問題，本文提出了一種脈搏信號(hào)干擾段檢測(cè)與質(zhì)量評(píng)估方法。根據(jù)脈搏波特征創(chuàng)建標(biāo)準(zhǔn)脈搏波形，運(yùn)用信號(hào)歸一化及符號(hào)化原理對(duì)所創(chuàng)建的脈搏波進(jìn)行處理，得到用于干擾段檢測(cè)的脈搏波符號(hào)化模板，用歸一化和符號(hào)化原理處理采集的脈搏信號(hào)，得到采集的脈搏信號(hào)的字符串，脈搏波符號(hào)化模板與上述字符串運(yùn)用DTW原理，生成DTW匹配矩陣，DTW距離值反映信號(hào)的干擾程度。由訓(xùn)練數(shù)據(jù)統(tǒng)計(jì)得到干擾段DTW檢測(cè)閾值，用于脈搏信號(hào)干擾段的判斷，基于信號(hào)的干擾程度評(píng)價(jià)信號(hào)質(zhì)量等級(jí)。通過實(shí)際數(shù)據(jù)對(duì)此算法進(jìn)行實(shí)驗(yàn)驗(yàn)證，評(píng)價(jià)算法準(zhǔn)確性和復(fù)雜性。

1　方法

1.1脈搏信號(hào)的符號(hào)化

脈搏信號(hào)屬于微弱的信號(hào)，采集過程中容易受到儀器和人體等方面的影響，含有工頻干擾、基線漂移、運(yùn)動(dòng)偽跡等噪聲信號(hào)。這些噪聲的疊加污染造成脈搏信號(hào)存在干擾，嚴(yán)重影響了脈搏信號(hào)的分析與處理[8]。針對(duì)這類噪聲信號(hào)造成的干擾，利用脈搏信號(hào)存在干擾無規(guī)則性這一特征，提出用脈搏信號(hào)模板匹配法檢測(cè)干擾信號(hào)。利用時(shí)間序列的歸一化、降維采樣以及符號(hào)化表示對(duì)脈搏信號(hào)進(jìn)行預(yù)處理。

首先，對(duì)脈搏信號(hào)進(jìn)行歸一化，使脈搏信號(hào)在同一參考系下進(jìn)行衡量與對(duì)比。設(shè)原始脈搏信號(hào)為一個(gè)長(zhǎng)度為n的時(shí)間序列，表示為A=[A1, A2, …, An]，通過式（1）對(duì)原始序列進(jìn)行歸一化計(jì)算，將歸一化后的時(shí)間序列表示為B=[B1, B2, …, Bn]。

其中，Bmax與Bmin表示序列A的規(guī)范化范圍，即分別為規(guī)范化后序列B的最大值與最小值。此處規(guī)范化范圍取值為[-1, 1]，即Bmax=1，Bmin=-1。Amax與Amin即為該段序列A的最大值與最小值。

然后，采用分段聚合近似（Piecewise Aggregate Approximation，PAA）方法對(duì)脈搏信號(hào)序列進(jìn)行時(shí)間序列的降維[9]。選擇的降維率（Dimension Reduction Rate，DRR）越高，降維后的信號(hào)越簡(jiǎn)單，但是對(duì)原始信號(hào)的描述則不夠充分；選擇的降維率越低，原始信號(hào)信息丟失越少，但信號(hào)處理復(fù)雜度較高。因此要根據(jù)實(shí)際信號(hào)處理需要選用合適的降維率，通過大量實(shí)驗(yàn)，本文被測(cè)信號(hào)的降維率為40%。即將B序列降維表示為S=[S1, S2, …, Sm]，其中m=(1-DRR)n。降維表達(dá)如式（2）所示：

最后，對(duì)降維后的序列S，通過符號(hào)化表示為離散的字符串，進(jìn)一步降低算法以及脈搏信號(hào)分析的復(fù)雜性，便于匹配計(jì)算。本文符號(hào)化字母表大小定為6，選用0、1、2、3、4、5數(shù)字表示，數(shù)字之間的差值直接可作為兩列符號(hào)化序列的距離值。例如，字符串012345與字符串501234之間的距離為：5+1+1+1+1+1=10。根據(jù)序列規(guī)范化范圍，計(jì)算符號(hào)化分段閾值范圍。本文設(shè)定的規(guī)范化范圍為[-1, 1]，選定符號(hào)化數(shù)字表大小為6，分段閾值則為：d=|-1-1|/6=1/3，則符號(hào)化分段閾值取為：-0.65、-0.35、0、0.35、0.65。

1.2脈搏信號(hào)匹配模板生成

脈搏信號(hào)主要由主波、重搏波以及重搏波前波組成，根據(jù)脈搏波的這些特征，已有學(xué)者研究證明，可以通過3個(gè)不同參數(shù)的高斯函數(shù)疊加產(chǎn)生脈搏信號(hào)[10-11]。利用式(3)～(5)所示的三個(gè)高斯函數(shù)的疊加，即可得到脈搏信號(hào)的匹配信號(hào)。

構(gòu)成主波、重博波和重博前波的高斯函數(shù)分別為式（3）、（4）、（5），由式（6）得到的脈搏波作為脈搏信號(hào)的匹配信號(hào)，如圖1所示。

圖1　三個(gè)高斯函數(shù)合成的脈搏波波形Fig.1　Pulse waveform composed with three Gausian waves

為便于干擾段檢測(cè)，運(yùn)用1.1節(jié)所述方法，可得建模脈搏信號(hào)的符號(hào)化字符串如圖2所示。

設(shè)建模脈搏信號(hào)的符號(hào)化字符串為C1，由圖2可見，C1={0，3，5，4，4，2，2，2，0，0}。通過對(duì)符號(hào)化后的字符串進(jìn)行分析處理，實(shí)現(xiàn)脈搏信號(hào)的干擾段檢測(cè)。

圖2　建模脈搏信號(hào)的降維符號(hào)化Fig.2　Modeling pulse signal of dimension symbols

1.3基于DTW的干擾段檢測(cè)

相似性度量是衡量?jī)尚蛄邢嗨菩缘囊罁?jù)，干擾段即為由噪聲影響而造成脈搏信號(hào)失去原有特征的信號(hào)段，則干擾段檢測(cè)可以認(rèn)為是相似性度量過程。目前，時(shí)間序列的相似性度量主要是基于距離的度量，常用方法是歐幾里得距離（也稱歐氏距離）。但歐氏距離不適用于兩時(shí)間序列時(shí)間軸不能完全對(duì)齊的情況，所以選用一種新的相似性測(cè)量方法——?jiǎng)討B(tài)時(shí)間扭曲法（DTW）。

DTW距離可以支持序列在時(shí)間軸上的伸縮和彎曲，不要求兩比較序列長(zhǎng)度上的一致性[12]。設(shè)時(shí)間序列T=[T1, T2, …, Tk]和R=[R1, R2, …, Rl]，則可構(gòu)建一個(gè)k*l階的矩陣，矩陣中第(i, j)個(gè)元素就是兩序列的點(diǎn)Ti和點(diǎn)Rj之間的距離值d(Ti, Rj)，其中d(Ti, Rj)=|Ti-Rj|。若兩時(shí)間序列X=(3, 4, 5, 6, 3, 3)和Y=(1, 3, 2, 1)，則X和Y的動(dòng)態(tài)扭曲累積距離矩陣計(jì)算過程如圖3所示，終結(jié)點(diǎn)處的累積距離則為兩序列的動(dòng)態(tài)時(shí)間扭曲距離值。

圖3　X和Y序列的DTW距離路徑示意圖Fig.3　Schematic diagram of the DTW distance path bctween series A and B

脈搏信號(hào)干擾段檢測(cè)算法的實(shí)現(xiàn)，依賴于脈搏信號(hào)的分割。信號(hào)的歸一化和PAA分段降維處理降低了信號(hào)的維度，對(duì)歸一化和分段降維預(yù)處理后的信號(hào)運(yùn)用差分求極大值即可檢測(cè)出此時(shí)信號(hào)的峰值，根據(jù)信號(hào)檢測(cè)出的峰值，對(duì)預(yù)處理后信號(hào)進(jìn)行分割，分割后的信號(hào)段做離散符號(hào)化處理，用脈搏信號(hào)模板與每個(gè)分割信號(hào)段進(jìn)行匹配檢測(cè)，根據(jù)干擾段檢測(cè)閾值則可檢測(cè)出脈搏信號(hào)的干擾段。

1.4脈搏信號(hào)質(zhì)量評(píng)估

通過對(duì)信號(hào)波形特征分析和噪聲特征分析，得到反映信號(hào)質(zhì)量高低的信號(hào)質(zhì)量指數(shù)（Signal Quality Index，SQI），實(shí)現(xiàn)信號(hào)的質(zhì)量評(píng)估。

在脈搏信號(hào)的質(zhì)量評(píng)估中，李橋等將脈搏信號(hào)質(zhì)量分為三個(gè)等級(jí)，即好、一般和差，分別用E、A和U表示。本文根據(jù)所采集信號(hào)與模板信號(hào)的DTW距離值評(píng)估信號(hào)質(zhì)量，即DTW距離值越大表示信號(hào)質(zhì)量越差，距離值越小則表示信號(hào)質(zhì)量越好。將脈搏信號(hào)的質(zhì)量劃分為5個(gè)等級(jí)，用0、1、2、3、4這幾個(gè)質(zhì)量描述子作為信號(hào)質(zhì)量指數(shù)來分別表示信號(hào)質(zhì)量很差、較差、差、一般、好。根據(jù)實(shí)驗(yàn)得到信號(hào)質(zhì)量等級(jí)閾值，由質(zhì)量等級(jí)閾值判斷信號(hào)質(zhì)量等級(jí)，由此可以得到每個(gè)脈搏波形的信號(hào)質(zhì)量指數(shù)，由信號(hào)質(zhì)量指數(shù)可繪制出信號(hào)的質(zhì)量等級(jí)曲線，質(zhì)量等級(jí)曲線可直觀反映脈搏信號(hào)各個(gè)波形的質(zhì)量等級(jí)。

2　實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)方法

2.1實(shí)驗(yàn)數(shù)據(jù)

綜合考慮采集對(duì)象各種因素對(duì)算法的影響，實(shí)驗(yàn)數(shù)據(jù)選自PhysioNet網(wǎng)站的MIMICⅡ數(shù)據(jù)庫(kù)[13-14]。數(shù)據(jù)庫(kù)中包含104例成年患者的脈搏信號(hào)，脈搏信號(hào)共計(jì)1 437組，采樣頻率為125 Hz。信號(hào)質(zhì)量由專家標(biāo)注，分為質(zhì)量好、質(zhì)量差、以及質(zhì)量不確定三部分。實(shí)驗(yàn)中只選用被標(biāo)注的質(zhì)量好與質(zhì)量差的兩部分信號(hào)（共計(jì)1 055組），并且對(duì)信號(hào)做升采樣處理，實(shí)驗(yàn)所用采樣頻率為250 Hz。為了檢驗(yàn)干擾段檢測(cè)算法的有效性，實(shí)驗(yàn)加入了由MIT-BIH/PhysioNet/Noise Stress Test數(shù)據(jù)庫(kù)提供噪聲信號(hào)(采樣頻率250 Hz)，包括基線漂移（數(shù)據(jù)名稱：bw）、肌電干擾（數(shù)據(jù)名稱：ma）及bw和ma中含有的工頻噪聲。

2.2實(shí)驗(yàn)方法

采用文獻(xiàn)[7]中所用的融合質(zhì)量評(píng)估實(shí)驗(yàn)方法，即實(shí)驗(yàn)數(shù)據(jù)共計(jì)1 055組，選擇554組作為算法訓(xùn)練數(shù)據(jù)，剩余501組數(shù)據(jù)為算法驗(yàn)證數(shù)據(jù)。以12 s的數(shù)據(jù)為一個(gè)處理窗口，首先對(duì)窗口內(nèi)數(shù)據(jù)進(jìn)行歸一化處理，然后對(duì)歸一化后的信號(hào)進(jìn)行基于PAA的分段降維處理，降維率為40%，通過1.3節(jié)所述算法對(duì)信號(hào)進(jìn)行分割，對(duì)分割后的信號(hào)段進(jìn)行符號(hào)化處理，用干擾段檢測(cè)算法檢測(cè)出干擾段，由干擾段檢測(cè)算法形成的DTW矩陣得出信號(hào)質(zhì)量等級(jí)。并將本文算法與文獻(xiàn)[7]提出的脈搏信號(hào)質(zhì)量算法進(jìn)行準(zhǔn)確率的比較。

在干擾段檢測(cè)算法實(shí)驗(yàn)中，為了檢驗(yàn)算法的有效性，在1 055組數(shù)據(jù)加入不同程度的MIT數(shù)據(jù)庫(kù)中噪聲信號(hào)。根據(jù)實(shí)驗(yàn)結(jié)果，分別統(tǒng)計(jì)訓(xùn)練實(shí)驗(yàn)和驗(yàn)證實(shí)驗(yàn)，計(jì)算干擾段檢測(cè)算法的準(zhǔn)確率和敏感度。

3　實(shí)驗(yàn)結(jié)果

3.1干擾段檢測(cè)

對(duì)1 055組數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，各信號(hào)中干擾段由專家標(biāo)注。統(tǒng)計(jì)出各組信號(hào)中的干擾段個(gè)數(shù)、算法檢測(cè)出的干擾段（The Number of Detected，DN）、誤檢（False Positives，F(xiàn)P）的干擾段以及漏檢（False Negatives，F(xiàn)N）的干擾段個(gè)數(shù)，最終計(jì)算出所提出的算法干擾段檢測(cè)的準(zhǔn)確率（Accuracy Rate，AT）、敏感度（Sensitivity，Se），準(zhǔn)確率與敏感度計(jì)算公式分別為式（7）和式（8）。將554組訓(xùn)練數(shù)據(jù)和501組驗(yàn)證數(shù)據(jù)都分為5組，進(jìn)行結(jié)果統(tǒng)計(jì)與顯示。

表1所示為1 055組實(shí)驗(yàn)數(shù)據(jù)中干擾段所占比例（簡(jiǎn)稱：干擾段占空比，Interference Period of Duty Ratio，IDUR）。表2所示為1055組實(shí)驗(yàn)數(shù)據(jù)的干擾段檢測(cè)統(tǒng)計(jì)結(jié)果。

表1　1055組信號(hào)干擾段占空比值表Tab.1　1055 group signals interference period of duty ratio table

表2　1055組信號(hào)干擾段檢測(cè)結(jié)果統(tǒng)計(jì)表Tab.1　1055 group signals interference test result table

由表2中的準(zhǔn)確率和敏感度可知，本文提出的干擾段檢測(cè)算法準(zhǔn)確率高，當(dāng)信號(hào)存在嚴(yán)重干擾時(shí)算法仍能夠有效檢測(cè)信號(hào)干擾段。

3.2質(zhì)量評(píng)估

用本文算法對(duì)1 055組數(shù)據(jù)進(jìn)行質(zhì)量評(píng)估實(shí)驗(yàn)，在554組訓(xùn)練實(shí)驗(yàn)中，該算法準(zhǔn)確率為94.22%（554組信號(hào)中，正確判斷出的信號(hào)質(zhì)量共計(jì)522組）；在501組驗(yàn)證實(shí)驗(yàn)中，算法準(zhǔn)確率為96.81%（501組信號(hào)正確判斷出485組信號(hào)質(zhì)量）。而文獻(xiàn)[7]所提脈搏信號(hào)質(zhì)量評(píng)估算法，在進(jìn)行相同的實(shí)驗(yàn)時(shí)，訓(xùn)練實(shí)驗(yàn)中算法的準(zhǔn)確率為88.1%，驗(yàn)證實(shí)驗(yàn)中算法準(zhǔn)確率為91.8%。由此可見，本文算法質(zhì)量評(píng)估準(zhǔn)確率明顯較高。

比較兩種算法，文獻(xiàn)[7]提出的算法中，脈搏信號(hào)的初始模板由信號(hào)本身訓(xùn)練產(chǎn)生；在進(jìn)行質(zhì)量評(píng)估時(shí)，與正常脈搏信號(hào)存在一定偏差，而且在對(duì)信號(hào)分割時(shí)，采用幅度閾值和間期閾值，對(duì)于不同的脈搏信號(hào)，信號(hào)分割存在偏差，故本文所用的脈搏信號(hào)質(zhì)量評(píng)估準(zhǔn)確率更高。同時(shí)，文獻(xiàn)[7]中質(zhì)量評(píng)估方法采用四個(gè)質(zhì)量評(píng)估因子融合計(jì)算脈搏信號(hào)質(zhì)量，算法復(fù)雜度高于干擾段檢測(cè)的脈搏信號(hào)質(zhì)量評(píng)估。本文算法原理可以用于心電、血壓等信號(hào)的質(zhì)量評(píng)估。

如圖4所示，為實(shí)驗(yàn)中一組信號(hào)的質(zhì)量等級(jí)分布曲線。由圖可見，圖中脈搏信號(hào)反映出該段信號(hào)中有4個(gè)質(zhì)量等級(jí)。當(dāng)信號(hào)存在干擾時(shí)，脈搏信號(hào)質(zhì)量明顯下降，質(zhì)量等級(jí)曲線直觀反映了信號(hào)的質(zhì)量等級(jí)。

圖4　脈搏原始信號(hào)及其質(zhì)量等級(jí)分布曲線圖Fig.4　Pulse signal and its quality grade distribution charts

4　結(jié)束語(yǔ)

本文提出的脈搏信號(hào)干擾段檢測(cè)與質(zhì)量評(píng)估方法，算法簡(jiǎn)單，可在脈搏信號(hào)采集過程中快速檢測(cè)出干擾段，避免對(duì)干擾程度較高且無有效脈搏信息的信號(hào)作進(jìn)一步分析，從而提高脈搏信號(hào)監(jiān)護(hù)的實(shí)時(shí)性和有效性。通過檢測(cè)信號(hào)中的干擾段以及對(duì)信號(hào)干擾程度的分析，得到5個(gè)脈搏信號(hào)質(zhì)量指數(shù)，可作為脈搏信號(hào)進(jìn)一步分析的可信度權(quán)重因子，為人體狀態(tài)的有效準(zhǔn)確判斷奠定基礎(chǔ)。相比于現(xiàn)有脈搏信號(hào)質(zhì)量評(píng)估方法，該方法能更準(zhǔn)確有效地反映脈搏信號(hào)質(zhì)量，并檢測(cè)出信號(hào)中的干擾段。在脈搏信號(hào)監(jiān)護(hù)系統(tǒng)，尤其是在無監(jiān)督狀態(tài)下，該方法可有效分析脈搏信號(hào)并降低監(jiān)護(hù)系統(tǒng)的誤報(bào)警率，在人體健康狀態(tài)監(jiān)護(hù)領(lǐng)域具有廣泛的應(yīng)用前景。

[1] Li Q, Gari DC. Signal quality and data fusion for false alarm reduction in the intensive care unit[J]. Journal of Electrocardiology. 2012, 45(6): 596-603.

[2] 張愛華, 丑永新. 動(dòng)態(tài)脈搏信號(hào)的采集與處理[J]. 中國(guó)醫(yī)療器械雜志, 2012, 36(2): 79-84.

[3] 郭維, 劉光達(dá), 張曉楓, 等. 基于多特征參數(shù)綜合分析脈搏波信號(hào)失真度算法的實(shí)現(xiàn)[J]. 吉林大學(xué)(工學(xué)版), 2012, 4(42): 1044-1048.

[4] Xu S, Ping Y, Zhang YT. Assessment of photoplethysmogram signal quality using Morphology integrated with temporal information approach[C]. IEEE EMBS, 2012, 3456-3459.

[5] Sukor J, Redmond S, Lovell H. Signal quality measures for pulse oximetry through waveform morphology analysis[J]. Physiol Measurem, 2011,32:369-412.

[6] Karlen W, Kobayashi K. Photoplethysmogram signal quality estimation using repeated Gaussian filters and cross-correlation[J]. Physiol Measurem, 2012, 33: 1617-1629.

[7] Li Q, Clifford G. Dynamic time warping and machine learning for signal quality assessment of pulsatile signals[J]. Physiol Measurem, 2012, 33(9): 1491-1504.

[8] 王平, 張愛華, 丑永新. 基于動(dòng)態(tài)差分閾值的脈搏信號(hào)峰值檢測(cè)算法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2012, 44(3): 847-853.

[9] 王海濤, 呂沙里, 鄭慧君, 等. 容積脈搏波序列的異常模式檢測(cè)[J]. 儀器儀表學(xué)報(bào), 2009, 30(11): 2285-2291.

[10] Liu CY, Zheng DC, Alan M, et al. Modeling carotid and radial artery pulse pressure waveforms by curve fitting with Gaussian functions[J]. Biomed Signal Process Control, 2013, 8: 449-454.

[11] Diego MM, Pablo C. Marcos MF, et al. Stochastic Modeling of the PPG Signal: A Synthesis-by-Analysis Approach With Applications[J]. IEEE Trans Biomed Eng, 2013, 9(60): 2432-2441.

[12] 盧榮. 基于動(dòng)態(tài)扭曲算法的時(shí)間序列部分周期模式挖掘研究[D]. 天津大學(xué), 2009.

[13] Saeed M, Villarroel M, Clifford G, et al. Multiparameter intelligent monitoring in intensive care II (MIMIC-II): A public-access ICU database[J]. Crit Care Med, 2011, 39(5): 952-960.

[14] Clifford G, Lopez D, Li Q, et al. Signal quality indices and data fusion for determining acceptability of ECG collected in noisy ambulatory environments[J]. Comput Cardiol, 2011, 38: 285-288.

Interference Detection and Signal Quality Assessment of Pulse Signals

【 Writers 】ZHANG Aihua1,2, WEI Fangyuan1,2, CHOU Yongxin1,2, YANG Xiaohua3
1 College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou, 730050
2 Key Laboratory of Gansu Advanced Control for Industrial Processes, Lanzhou, 730050
3 Hospital of Lanzhou University of Technology, Lanzhou, 730050

Pulse signal contains a wealth of biological and pathological information. However, it is susceptible to the influence of various factors which results in poor signal quality, and causes the device to generate false alarms. First the pulse signals are processing into discrete symbols, and then compare the test signal with the pulse template by using Dynamic Time Warping (DTW) to get the threshold for which can be used to find the interference segment of the test signal. By analyzing the DTW distance of the pulse signal, we can get the interference degree of the signal, then the quality level of the plus signal can be defined by the relationship between the interference degree and quality of the signal. The 1 055 group pulse signals provided by MIMICⅡ physiological database are used to train and test the signal quality assessment algorithms, and compared with other existing algorithms. The results show that the algorithms can accurately detect interference segments in pulse signal and reflect the quality of it.

symbolic representation, DTW, interference detection, quality assessment

R544.1

A

10.3969/j.issn.1671-7104.2015.04.001

1671-7104(2015)04-0235-05

2015-02-17

國(guó)家自然科學(xué)基金(81360229)；甘肅省自然科學(xué)基金(1308RJZA225)教育部高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金(20116201110002)；模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室開放課題基金(201407347)

張愛華，E-mail: lutzhangah@163.com