论文部分内容阅读
脉搏是人体重要的生理特征之一,是由心脏周期性的收缩和舒张引起的,它综合了心脏、动脉管弹性和血液体积、粘度等信息,可作为诊断心血管类疾病及其恶劣程度的指标。近年来随着传感器的发展,测量和保存脉搏信号都变得极为方便,目前脉搏波的特征分析是信号领域研究的一个热点,也是一个难点。因此,实现对脉搏波形的自动分析识别,在无创诊断、远程监护等方面都具有重要的意义。本文主要的研究成果和创新点包括以下几个方面:1、针对脉搏信号噪声去除的难题,本文使用近几年逐渐发展起来的集合经验模态分解(EEMD)理论进行研究。相比于小波变换,EEMD更具有自适应性,使信号特征更清楚。相比于EMD,EEMD能够有效地解决模态混叠问题,且IMF分量的物理意义更加明显。(1)对于低频基线漂移,本文提出了一种基于EEMD自适应基线漂移校正算法,在对有效信号损伤最小的前提下,实现了对低频干扰的去除;(2)对于混入的高频干扰,本文选取合适的阈值函数,采用小波阈值消噪法去除高频噪声;(3)实际脉搏噪声信号往往会是工频干扰、基线漂移、肌电噪声的复合信号,本文提出了一种基于EEMD与小波阈值的混合消噪算法,实验结果表明,相比于其他几种方法,本文算法的消噪效果有了明显提高。2、针对脉搏波形特征点识别的难题,本文提出了一种基于平稳小波变换及模极大值检测的脉搏主波、重搏波提取算法,实现了对其精确定位并基于特征点提取时域特征参数;为了避免时域特征研究的单一性和局限性,本文进一步深入挖掘脉搏的时频域特征,提取了IMF能量矩、小波能量系数矩阵以及基于HHT边际谱的能量特征。由此实现脉搏波形多域特征参数的准确提取。3、针对两类脉搏信号的分类问题,本文提出了一种基于脉搏多域特征和ICA-SVM的信号分类算法,并对主成分分析(PCA)和独立成分分析(ICA)两种降维技术对SVM分类器性能的影响进行了详细研究。经MP监测系统上实际脉搏数据库中30组正常人、20组妊娠高血压疾病患者数据进行SVM测试,实验结果验证了本文算法所提取的脉搏特征值具有稳定性和有效性,可作为分类识别的特征量,同时也验证了本文提出的脉搏信号分类算法的可行性。