嵌入式脉象诊断仪的一种信号处理与分析方法研究

李治龙 广西建设职业技术学院 (南宁 530003)

嵌入式脉象诊断仪的一种信号处理与分析方法研究

李治龙 广西建设职业技术学院 (南宁 530003)

本文提出一种分辨病理脉象和正常脉象的方法。基于AR模型拟合进行特征提取，由模型系数构成信号的特征集，采用概率统计法进行脉象的聚类识别。

AR模型拟合 特征提取 聚类识别

0 引言

通过脉象仪测量得到的脉搏波在幅值、周期、形状等参量上的可重复性不是特别好，并且信号比较微弱、易受干扰，因而，我们需要对脉象信号进行有效分析和处理。在进行脉象分类识别时需建立恰当的样本库，采样点的增加将导致检测成本的增加，而减少采样点必将削弱诊断的正确率。如何确定脉象信号的采样点，并对样本进行特征提取，以及聚类识别将是整个脉象诊断系统的关键部分。

图1 脉搏波形及其微分采样

1 脉搏信号采样点的确定

经检测得到的脉搏波波形如图1所示，对该模拟信号S(t)进行AD转换之前需甄别出其有代表性的采样点。这里选择波形的极点作为采样点。为此，把脉形信号S(t)进行微分运算得到S'(t)，再将S'(t)信号进行检零后的输出脉冲作为采样的指示信号，即S'(t)=0，这就是对极点的采样信号。

从S(t)波形可见：在DA段具有最大的正一阶导数。所以将S'(t)经电平ET整形后输出的脉冲作为这个采样周期的同步信号，见图1中的T1，通知单片机作采样开始的准备，并直接送外部时钟T0，令其从0开始计时，从而构成信号的Y坐标。

按这种设计，每个脉波信号共采用四个点，即

其中i =1, 2, 3, 4，分别对应图1中的A、B、C、D四点。A点为主波高度，B点为降中峡高度，C点为重搏波高度，D点为零点。

为了克服检测误差，对每个采样数据用递推计算法进行数字处理，也即滤波。例如对某个值A测量N次，得到N个独立结果——X11,X12,X1N。

由于每次测量时都有误差ε，ε即是干扰或噪声，则每次所测的X都应表示成：

单片机检测程序设计如下：

(1) 确定取法压力；

(2) 延时3s，等待同步信号T1；

(3) 接到T1信号后，再判别采样信号T2；

(4) 接到T2后，把时钟T0，传感器的A点值送入Y1N，X1N中；

(5) 接着判定T2消失否，当第二次接到T2时，再按上次序将时钟T0和传感器B点值送入Y2N，X2N中；

(6) 依次类推，直到采集完；

(7) 记下一次循环（N=N+1）返回，直到N=20结束，采样完毕；

(8) 进行数字滤波，采集的数据在微机中只以均值的形式存于数组中。

其程序框图如图2所示。

3 样本特征的提取和压缩

在检测过程中，有不同的取法，而每个波形需选取4个点，一个点分X和Y坐标两个参量，则形成一个完整的样本资料所需的参量非常之多。如果采样点增加，参数量将直线增加。简化的途径不能减少采样点，因而，采用AR模型拟合的方法[1]进行选取有代表性的参量，以降低系统成本。

一个M阶的AR模型可由下式表示：

式中{xt}是平稳的脉搏信号观测序列，{et}是均值为0、方差为σe2的正态白噪声，M 和 ( k=1,2…..M )分别为自回归模型的阶数和系数。

脉象信号经AR 模型拟合后，可相应地获得一组AR 模型系数aM,k( k=1,2…..M )，这组系数就可作为信号的特征。因此，将所有被聚类的信号进行AR模型拟合后就可得到一个由AR模型系数组成的特征集A：

式中N 为信号个数，aij表示第i个信号的M阶AR 模型中的第j个系数。

对于AR模型系数的获得，我们采用由Marple提出的递推算法[2]，其递推公式为：

4 聚类识别

(1) 建立样本资料阵

在研究中，利用脉象诊断仪判断被测量者的脉象是正常脉象还是病理脉象。分别选取正常脉象和病理脉象各50例，通过采样建立样本资料阵：

式中(i)=0表示病理脉象，阳性病历，用“+”表示；(i)=1表示正常脉象，阴性病历，用“-”表示。

实验中，一个样本取其中特征压缩后的8个参量，建立样本资料阵时选用50个样本，因此这个阵是50*8的阵。

(2) 均值向量的估计量

5 结束语

本文提出的基于AR模型拟合的特征提取和聚类识别方法所得出的结论与临床诊断结果进行比对，正确率达80%以上。下一步的研究目标将是进一步提高检测系统硬件的鲁棒性；在脉象特征信号提取和分析上，结合病例样本，提高辨别的准确率。

[1] 李金宗. 模式识别导论[M]. 北京：高等教育出版社，1994.

[2] 聂能. 生物医学信号数字处理技术及应用[M]. 北京：科学出版社，2005.

[3] Li Zhilong. Pulse Identification Based on Methods of Extension Evaluation[J]. International Conference on Innovative Computing, Information and Control (ICICIC-2007), 2007.

Research on A Method of Signal Processing and Analysis for Embedded Pulse Diagnosis Device

LI Zhi-long Guangxi Polytechnic of Construction (Nanning 530003)

This paper presents a method to distinguish pathological and normal pulse. The feature extraction based on AR model fitting, the signal from the model coefficients constitute the feature set, the use of probability statistics identify the pulse of the cluster.

AR model fitting, feature extraction, clustering

1006-6586(2011)05-0016-03

R857.2

A

2011-02-21

李治龙，广西建设职业技术学院助教