文章编号:100429037(2009)增刊20029205
李向东1 乐建威1,2 王新图1
(1.上海理工大学医疗器械与食品学院，上海,200093;2.上海医疗器械高等专科学校，上海,200093)
摘要：脉搏波蕴含着丰富的人体生理和病理信息，历来都受到中外医学界的重视，现已成为中西医共同的研究热点。本文从目前较为主流的几种分析处理脉搏波信号的方法出发，分析了每种方法对脉搏波信息提取和利用的现状，提出了应对脉搏波进行更为深入的研究，从而为医学脉搏信号诊断系统的设计和脉诊的临床应用提供科学的依据。
关键词：脉搏波信号；信号除噪；特征提取；分析方法中图分类号:R 318.04 文献标识码:A
收稿日期:2009204210；修订日期:2009205215
Research Progress i n Pulse W ave Signa l Ana lysis M ethods
L i X iang d ong 1
,
L e J ianw ei
1,2
,W ang X in tu 1
(1.Schoo l of M edical Instrum ent and Food Engineering ,U niversity of Shanghai fo r Science and T echno logy ,
Shanghai ,200093,Ch ina ;2.ShanghaiM edical Instrum entati on Co llege ,Shanghai ,200093,Ch ina )
Abstract :T he pu lse w ave con tain ing a w ealth of hum an p hysi o logical and patho logical info r m a 2ti on becom es a research focu s in bo th traditi onal Ch inese m edicine and W ester m edicine .B ased on cu rren t p u lse w ave signal p rocessing m ethods ,the cu rren t situati on of each m ethod fo r the ex tracti on and the app licati on of pu lse w ave info r m ati on is analyzed .T he pu lse w ave is fu rther studied to p rovide a scien tific basis fo r the m edical diagno stic system design and the clin ical ap 2p licati on .
Key words :pu lse w ave signal ;signal deno ising ;featu re ex tracti on ;analysis m ethod桑乐屋
引 言
人体脉搏系统是心血管系统的重要组成部分[1]，它是人体输送养料、传递能量和传播各种生理病理信息的重要途径。脉搏信息在中国传统医学
(中医)和现代医学(西医)中具有重要的临床诊断价值，人体任何一个脏器(或系统)发生了病变或受到了外界的侵袭，都会直接或间接地影响到脉搏系统，不可避免地使血管特性、功能以及血液的质与量等发生变化[2]，而这些变化将以某些特征显现在脉搏中。因此，对人体脉搏系统和脉搏信息的定量研究具有非常重要的应用价值。但在脉搏信号的检测和采集时，由于受仪器、人体等方面的影响，所采集的信号中常常伴随着各种不同的噪声和干扰，所以如何对脉搏波进行有效的处理，从中实时提取诸如幅度、形状变化等有用信息是实现精确脉搏识别
科技情报检索诊断的关键[3]。本文总结目前脉搏信号分析处理的
多种方法，实现对脉搏信息的多层次分析。通过提取脉搏信号特征参数，从而完成中医脉搏信号辅助诊断系统的设计[4]，为脉诊的临床诊断做好前期开拓性的工作，以推动医学仪器和医疗诊断的不断发展[5]。
1 相关噪声检测在脉搏信号提取中
的应用
随机噪声的存在很大程度上会影响弱生理信号的检测，以脉搏波信号为例，通常它只有毫伏量级，这样随机噪声的干扰就会使得脉搏波信号的形态特征不易观察得到，从而造成临床诊断出错[6]。因此，对脉搏波信号中随机噪声的消除就具有十分重要的实际应用价值。利用相关检测技术与相干平均法对实际的脉搏波信号进行相关检测[7]，去除随
第24卷增刊2009年10月数据采集与处理Journal of D ata A cquisiti on &P rocessing V o l .24N o.S O ct .2009
机噪声，并取得了较好的效果。
通常把脉搏波信号用以下公式
F(t)=s(t)+n(t)(1)式中:F(t)为脉搏波信号;s(t)为真实信号;n(t)为噪声信号。
相干平均法是指多次重复测定，并记录每一次的结果。
F i(t)=s i(t)+n i(t) i=0,…,m-1(2)式中:i为测量的序号;m为测量的总次数。F i(t)的特点是其中的真实信号部分s i(t)的一些特征往往被噪声淹没，考虑到s i(t)既然反映人体脉搏的某种特征，在测量的客观条
件不变情况下每次s i(t)应保持不变，即s0(t)=s1(t),…,s m-1(t)=s(t)。假设噪声n i(t)是零均值，方差为Ρ2的平稳随机信号，且对每一次测量而言，它们互不相关，即
E[n i(t)n j(t)]=0 i≠j(3) 若记脉搏信号的功率为P，则F(t)的信噪比为
SN R0=P Ρ2(4) 现对F(t)的M次样本起点对齐后相加并平均，则结果为
F(t)=
1
M
∑
M-1
i=0
F i(t)=
1
M
∑
M-1
i=0
s i(t)+
1 M ∑
M-1
i=0
n i(t)=s(t)+
1
M
∑
M-1
i=0
n i(t)(5)
可见经M次平均后信号功率仍为P，噪声的均值仍为零，但噪声方差为Ρ2 M，因此相加平均后的信噪比为
SN R i=P (Ρ2 M)=M3P Ρ2=M3SN R0
(6) 结果表明，信噪比提高了M倍，且平均次数越多，效果越多。波形的特征越来越清晰，噪声消除效果比较理想，说明此方法是切实可行。但所需的累加次数愈多，需要的时间也愈长，因此如何在保证噪声去除的效果下尽量减少提取信号所需的累加次数，则有待于今后作进一步研究。
2 小波变换在脉搏提取中的应用
小波变换是近年发展起来良好的时频工具，它在低频部分具有较高的频率分辨率和较低的时间分辨率，
在高频部分具有较高的时间分辨率和较低的频率分辨率。利用小波变换提取脉搏信号的方法一般分3类[829]：第1类是阈值滤波法；第2类是平移不变量法；第3类是模极大值重构滤波。
阈值滤波法的主要原理[10211]是：信号经小波变换后，噪声能量小于信号能量，与之对应的小波系数也将小于信号对应的小波系数，则可以将小于某阈值的小波系数去除而实现去噪。一般来说，噪声处于高频段，信号处于低频段，则可利用小波变换的多分辨特性，将原始信号分解为不同频段下的信号，根据阈值滤波法去掉某些“细节”，再用小波逆变换恢复剩余的信号，得到去除干扰的信号。处理阈值的方法有硬阈值法和软阈值法。
平移不变量法[12]是对阈值法的改进。在强噪声背景下，当信号具有突变的不连续点或信噪比较低时，阈值法去噪会出现伪吉布斯现象，即在不连续点附近的信号会在应有信号电平上上下跳变。利用平移不变量法去噪，则可有效地抑制这种现象。其方法是对含噪信号进行n次循环平移，对平移后的信号再进行阈值法去噪处理，最后对去噪结果进行平均。
模极大值法[13214]是根据信号和噪声在小波变换下的不同特性，采用模极大值去噪的算法，包括M alat交替投影算法和模极大值小波域去噪算法。M alat交替投影算法是通过剔除那些幅度随尺度而减小的模极大值点，保留幅度随尺度而增大的模极大值点，然后将剩余的模极大值利用模极大值重构算法来重建原始信号，达到滤波去噪的目的。而模极大值小波域算法是先用A dhoc算法求出信号的模极大
值，再根据模极大值小波域的定义求出信号的模极大值小波域，从而得到信号的小波系数，然后逆变换得到信号。
以上3种利用小波变换方法进行脉搏信号去噪和提取弱信号特征的特性都获得较好的效果，在医学信号处理领域具有很好的应用前景。小波变换在脉搏信号去噪和提取弱信号特征的特性都获得较好的效果，但小波窗内的信号必须是平稳的，因而没有摆脱傅里叶分析的局限，小波基的有限长会造成信号能量的泄漏，使得信号的能量——时间2频率分布很难定量给出。
3 基于H ilbert-Huang变换的脉搏信号分析
H ilbert2H uang变换(HH T)是新发展起来的信号分析方法，己经广泛运用于非平稳信号处理。为中医脉象客观、科学的研究和识别提供了新的技术手段[15216]。其特点是:(l)精确性。更好的过滤性和更精确的数据分析能力。(2)灵活性。处理线性、非线性信号以及平稳、非平稳信号。(3)正确性。保留信号的内在性质。HH T是一种新的具有自适应
03数据采集与处理第24卷
的时频分析方法，它可根据信号的局部时变特征进行自适应的时频分解，克服了传统方法中用无意义的谐波分量来表示非平稳、非线性信号的缺陷，并可得到极高的时频分辨率，具有良好的时频聚集性，非常适合对非平稳、非线性信号进行分析。
HH T变换主要有两步[17]：经验模态分解(Em p irical m ode decom po siti on,E M D)和H ilbert 变换。首先，利用E M D对输入信号分解得到的一系列固有模态函数(In trin sic m ode functi on, I M F)，每个I M F满足两个要求:(1)整个I M F中零点数和极点数相等或至多相差1;(2)信号关于时间轴对称，即信号由局部极大值确定的包络线和由局部极小值确定的包络线均值为零。E M D分解通过不同的尺度把信号分解成一系列固有模态函数，是一种经验分解，由信号的自适应基分解出信号的I M F，记下每一个I M F为x i(t)，对x i(t)做H ilbert变换。将HH T方法引入对非平稳动态变化的脉搏信号分析，能够敏感地捕捉到脉搏波形信号随时间和频率动态变化的不同分量的主要特征；能够反应能量突变点，其时频局部定位能力较强。H ilbert谱及边际谱为各种脉搏的特征提取和模式识别提供了新的依据，为脉搏信号的时频分析提供了新的思路和方法。但在固有模态函数分解的过程中存在端点效应问题，端点效应问题解决的程度直接影响脉搏信号的特征提取和模式识别，这是要进一步解决的问题。酋长国和共和国的区别
4 高斯函数叠加法的算法流程
脉搏波包括丰富心血管系统的生理病理信息。尤其与动脉阻力、血管弹性密切相关，脉搏波明显可看成几个波函数的叠加，因此，参照谱线拟合法采用脉搏波曲线分离的拟合计算，首先根据测量所得的脉搏波波形，选择适当的叠加函数的数学表达式，并调整峰值位置和峰线宽度、强度参数，使计算合成的脉搏波形状与测量所得的形状吻合，判断这类拟合计算效果的优劣，有不同的评价准则，作者所采用的是最小二乘拟合运算的最优化[18]，所研究的主要问题是通过调整参数值使理论计算模型与实
际测量结果相符。高斯函数作为其函数相叠加来逼近脉搏波效果较好[19]，其一般形式
f(t)=(A {W3sp rt[Π 2]})3
江南命案exp(-23(t-t ci)2 W2)(7)式中:f(t)为实测脉搏曲线;A为高斯函数的面积; W为半宽度;t ci为峰值位置。用高斯函数对典型脉搏波进行非线性多元拟合逼近，所选用最小卡方值作为判别标准为
(ch)2=∑
n
i=0
∑3
1
f(k)(t i)-f(t i)2=m in
(8)式中:f(k)(t i)为叠加曲线值;f(t i)为实测脉搏曲线t i点的值;k为叠加函数数目;n为波形采样点数目。具体步骤如下:
(1)设置波形位置t c1,t c2,t c3和步长初始值;
(2)由式(7)估算A i和W i，并由式(7)计算f(t i);
(3)由实测的脉搏曲线得到f(t);
(4)若
5
5x i∑
n
i=1
[f(t i)-f(t)]2=0，转(6);
(5)改变初始值，转(2);
(6)输出参数A i,W i,t ci;
(7)结束。
通过脉搏波拟合逼近曲线可以清晰地看出高斯函数叠加法较好地得到了脉搏波的特征参数，并揭示了脉搏波的变化规律。此种方法应该注意的是参数的初始值和步长不宜过大或过小，同时应结合物理意义恰当选取。
5 脉图K值在脉搏波分析中的应用
由脉搏波的产生与传播机理可知，随着血管阻力和动脉弹性等生理变化，脉搏波波形特征变化会反映在脉搏波波形面积的变化上，为了能用一个简洁的特征量来描述上述变化，北京工业大学罗志昌教授提出了一个以脉图面积变化为基础的脉搏波波形特征量K值[20]，其定义为
淮北同仁中学K=
P m-P d
P s-P d
其中:P m=1
T∫
T
P(t)d t为平均动脉压，它等于一个心动周期T中，脉搏压力P(t)的平均值;P s,P d 分别为收缩压和舒张压。K值的大小仅决定于脉搏波的脉图面积，它和收缩压P s与舒张压P d的绝对值无关，是一个无量纲值，它相当于脉搏波压力脉动分量的平均值(P m-P d)在脉动分量最大值(P s-P d)中所占的百分比。不同生理病理状态下脉图波形和面积都会有很大变化，这个变化可用K 值来表示。
罗志昌等人[20]从20世纪80年代中期开始，通过动物实验、临床实测和数学模型计算，研究表明，随年龄增加或高血压血管硬化的发展，血管阻力增
13
增刊李向东，等：脉搏波信号分析方法的研究进展
加，脉搏波形由陡直形逐渐发展为馒头形，弦脉程度增加，特征量K值也相应变化增加，一般在0135～015之间变化。由脉搏波波图面积提取的特征量K值，虽然不能完全反映出脉搏波曲线每一个局部细微变化所代表的生理意义，它只能从宏观上描述出脉搏波的平均特征，但它的确代表人体心血管系统中最为重要的一些生理参数如血管外周阻力、血管弹性和血液豁度等的变化。脉图面积法虽简单直观到只有一个特征量K，但由于不能得到真实的脉搏波曲线的全部细微变化，因此比较粗糙，容易造成误诊，难以临床使用。
6 结束语
在过去的几十年中，许多研究人员在脉搏波信号识别与分类方面做了大量的工作，取得了不少有价值的成果。由于脉搏波信号的复杂性和易受干扰性，至今对脉搏波信号的精确识别与分类仍然是生物医学工程领域中一个重要课题。本文就目前的现状着重探讨了在脉搏波信号处理方面的几种有意义的提取特征参数的方法。同时其他研究脉搏波的方法还有频域分析法[21]，该方法主要是通过离散快速傅里叶变换，将时域的脉搏波曲线变换到频域，得到相应的脉搏频谱曲线，通过频谱曲线的特征分析，从中提取与人体生理病理相应的信息，实现脉象分类。频域分析和时域分析法中原始信号所包含的信息完全相同，不同的只是信号的表示方法、数学表现形式。频域分析包括功率谱分析和倒谱分析，长期以来，由于频域分析变化的计算过程相对复杂，在实际应用中并不广泛。
近几年来，神经网络的研究已经达到了比较成熟的阶段，成为一种崭新的、在信息处理领域广泛应用的方法。为满足医学信号领域不断提高的信息处理要求，越来越多的神经网络模型和应用技术不断被研究、开发和运用[22223]。人工神经网络作为一个非线性动力学系统，非常适用于实际中的非线性问题的识别。它的容错性、自组织性和自学习等能力很强，而且克服了传统辨识方法采用线性判据和简单阈值判据所带来的不利因素，使脉象识别的正确率大大提高。通过倡导建立一个具有相当权威性和代表性的脉搏信号数据库，利用神经网络的学习能力可直接进行脉象的众多样本的学习，来不断丰富扩充它的分类识别能力。为今后的实际应用探索一种有效的提取脉搏波信号特征参数的方法以及公认
的分析分类指标，进而为心血管疾病诊断和其他生理指标的判断提供科学的依据。无论是对未来的临床诊断、中医教学，还是对于中医学基础研究，都具有重要的理论意义和广泛的应用价值。
参考文献:
[1] T yan C C,L iu S H,Chen J Y,et al.A novel nonin2
vasive m easurem ent technique fo r analyzing the p res2
sure pulse w avefo r m of the radial artery[J].IEEE
T rans on B i om ed Eng,2008,55(1):2882297.
[2] Chang J inbi ou,Chu N ainfeng,W ang Shuchuan,
et al.M etabo lic syndrom e and its components in rela2
ti on to brach ial2ank le pulse w ave velocity in m iddle2 aged[J].T ai w aneseM ales Central European Journal of M edicine,2007,2(4):4582469.
[3] Shu J J,Sun Y G.D evelop ing classificati on indices
fo r Ch inese pulse diagno sis[J].Comp l T her M ed,
2007,15(3):1902198.
[4] H uang Yuanm ing.A nalysis and diagno sis of pulse
w ave of Ch inese m edicine[M].T aiPei,Ch ina:Zh i
Y in P ress,2001:1012108.
[5] 周越，许晴，孔薇.脉象特性分析和识别方法的研究
[J].生物医学工程学杂志,2006,23(3):5052508. [6] Xu L,Zhang D,W ang K.W avelet2based cascaded
adap tive filter fo r removing baseline drift in pulse w avefo r m s[J].IEEE T rans B i om ed Eng,2005,53:
197321975.
[7] Jo rge M ateo So to s,Céear Sánchez M eléndez,Carlo s
V ayáSalo rt,et al.A learning based w idrow2hoff
delta algo rithm fo r no ise reducti on[J].B i om edical
Signals,2007,4527:3772386.
[8] W ang H uiyan,Zhang Peiyong.Investigati on on the
autom atic param eters extracti on of pulse signals
based on w avelet transfo r m[J].Journal of Zhejiang U niversity Science A,2007,8(8):128321289. [9] Chm elka L,Kozump lík J.W avelet2based w iener fil2
ter fo r electrocardi ogram signal deno ising[J].Com2 puters in Cardi o logy,2006,32:7712774.
[10]Q uddus A,Fahm y M M.A n i m p roved w avelet2
based co rner detecti on technique[C] P roc IEEE Int
Conf on A coustics,Speech,and Signal P rocessing.
A rizona:[s.n.],1999,6:321323216.
[11]N ibhanupudi S.Signal deno ising using w avelets[D].
C incinnati:U niversity of C incinnati,2003.
[12]Cao D ianguo,L iu Changchun,W ang Peng.R emov2
ing baseline drift in pulse w avefo r m s by a w avelet
adap tive filter bi o info r m atics and bi om edical engi2 neering[C] I CBBE2008,T he2nd Internati onal Conference.Shanghai:[s.n.],2008:213522137. [13]唐富华，郭银景，杨阳，等.基于小波变换模极大的脉
23数据采集与处理第24卷
象信号研究[J].北京理工大学学报,2005,25(6):
5382542.
[14]T sui P H,L in L Y,Chang C C,et al.A rterial
pulse w avefo r m analysis by the p robability distribu2 ti on of amp litude[J].Physi o l M eas,2007,28(
8):
8032812.
[15]J ing Jun,H u Yuhua,L i X ian,et al.Feature extrac2
ti on of pulse signal based on H ilbert2H uang transfo r2 m ati on and singular value decompo siti on bi o info r2 m atics and bi om edical engineering[C] T he1st In2 ternati onal Conference on V o lum e,I CBBE2007.
W uhan:[s.n.],2007:100721010.
[16]Xu R Q,X ing H Y.Pulse signal analysis based on
H ilbert2H uang transfo r m[J].Journal of C linical R e2
habilitative T issue Engineering R esearch,2008,12
(4):6712674.
[17]孙仁，沈海东，鲁传敬.HH T方法在脉搏波信号分析
中的应用[J].医用生物力学,2006,21(2):87293. [18]L i E S,Zhou X M.Study on the i m age no ises eli m i2
nati on based on the w avelet transfo r m and Gaussian
functi on[J].H ydrograph ic Surveying and Charting,
2008,28(4):1072112.
[19]常昌远.脉搏波分析方法及心血管功能参数检测系统
的研究[D].南京：东南大学,2001.
湖南大学研究生信息管理系统
[20]罗志昌，张松，杨益民.脉搏波的工程分析与临床应用
[M].北京：科学出版社,2006:21231.
[21]Chen T ingyun,Yang Y i m in,Zhang Song,et al.A
design of pulse w ave signal co llecting and analysis
system based on U SB intelligent[J].Info r m ati on
T echno logy A pp licati on,2007,2(3):1072111. [22]Xue Q,H en Y,Tompk ins W.N eural netw o rk
based adap tative m atched filtering fo r Q R S detecti on
[J].IEEE T rans B i om ed Eng,1992,39(4):3172 339.
[23]Ch iu C C,Yeh S J,Chen C H.Self2o rganizing arterial
p ressure pulse classificati on using neural netw o rk s:
theo retical considerati ons and clinical app licability
[J].Comput B i o lM ed,2000,30(2):71288.
作者简介：李向东(19802)，男，硕士研究生，研究方向：生物医学信号处理,E2m ail:lixiangdong@sohu；乐建威(19452)，男，教授，研究方向：生物医学工程与仪器；王新图(19842)，男，硕士研究生，研究方向：生物医学信号处理。
33
增刊李向东，等：脉搏波信号分析方法的研究进展
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议