HHT和HMM在血细胞信号识别中的应用
2017-01-12尹璀陶凌龙伟
尹璀++陶凌++龙伟
摘 要: 针对血细胞信号具有多形态、非线性、非平稳的特点,提出将希尔伯特黄变换(HHT)和隐马尔可夫模型(HMM)相结合的血细胞信号识别方法。该方法采用HHT对血细胞信号进行分析,选取经过经验模态分解得到的各本质模态函数中相关性较大的分量,以这些分量的能量矩作为信号的特征量,由HMM训练得到正常人和病患者的模型参数并用做分类识别。实验结果表明,该方法可以较好地识别正常人和病患者的血细胞信号,综合准确率达89.13%。
关键词: 信号检测与分析; 希尔伯特黄变换; 经验模态分解; 隐马尔科夫模型; 特征提取; 血细胞信号分析
中图分类号: TN911.7?34; TP 391.4 文献标识码: A 文章编号: 1004?373X(2016)23?0058?05
Application of HHT and HMM in blood cell signal recognition
YIN Cui, TAO Ling, LONG Wei
(School of Information Engineering, Nanchang University, Nanchang 330031, China)
Abstract: For the multi?form, nonlinear and non?stationary characteristics of the blood cell signal, the blood cell signal re?cognition method based on Hilbert Huang transform (HHT) and hidden Markov model (HMM) is proposed. The HHT is used in the method to analyze the blood cell signal. The strong dependency components in each intrinsic mode function obtained with empirical mode decomposition are selected, and their energy moments are taken as the signal feature value to achieve the model parameters of healthy people and patient by HMM training for classification and recognition. The experimental results indicate this method can recognize the blood cells signals of the healthy people and patient, and the synthetical accuracy rate can reach up to 89.13%.
Keywords: signal detection and analysis; Hilbert Huang transform; empirical mode decomposition; hidden Markov mo?del; feature extraction; blood cell signal analysis
0 引 言
作为一种非常普遍的检测方法,血细胞分析在临床疾病的诊断及健康体检等方面发挥着重要的作用[1]。一般地,疾病会引起血液中红细胞、白细胞、血小板等血细胞数量变化,因此通过对血细胞的分类识别有助于临床上判断人体健康与否。目前国内外的血细胞分析仪大多采用库尔特原理采集原始信号,基本原理是悬浮在电解液中的血细胞随电解液通过小孔管时,会导致小孔管内外两电极间电阻发生瞬时变化,产生电位脉冲[2]。血细胞的大小和数目会引起脉冲信号的大小和次数的变化。针对血细胞信号多形态、非线性和非平稳的特点,一般需采用短时傅里叶变换(Short?time Fourier Transform,STFT),小波变换(Wavelet Transform,WT)或Wigner?Ville分布等时频分析的方法,但这些方法分析非平稳信号均有各自的不足,短时傅里叶变换容易受到窗函数的影响,小波变换的结果在很大程度上取决于小波的选择,Wigner?Ville分布易受到交叉相干扰[3]。本研究采用由Huang提出的希尔伯特黄变换(Hilbert Huang Transform,HHT)方法提取血细胞信号特征向量,以避免上述种种不足[4],并采用隐马尔可夫模型对血细胞的特征向量进行分类识别,实现对正常人和病患者的血细胞信号分类识别。
1 希尔伯特黄变换
HHT由两大主要部分组成:第一部分为经验模态分解(Empirical Mode Decomposition,EMD),它是由Huang所创立的信号筛选方法[5];第二部分为Hilbert谱分析(Hilbert Spectrum Analysis,HSA)。EMD是HHT的核心算法,不同于其他的时频分析方法,HHT具有直接获得、自适应性等特点,分解的过程是基于原数据获得的后验基函数,这一点与小波变换有着很大的不同,同时也是相对于小波变换的巨大优势,因为不同的小波基函数对小波分析结果的好坏有很大的影响,由于对并不需要固定的基函数,针对不同的待处理信号可以自适应地分解出有限的多个本质模态函数(Intrinsic Mode Function,IMF)。这些IMF在经过Hilbert变换后得到瞬时频率,最终输出的Hilbert谱即为所有IMF瞬时频率的集合。
5 结 语
本文结合HHT和HMM的优点,将非平稳的血细胞信号经验模态分解为多个IMF分量,选取其中与原信号相关系数较大的分量作为有效分量,分析提取出其关于时间能量的特征向量。而HMM模型又反映出特征向量的隐藏状态是正常人或病患者之间的联系,通过实验分析,获得了很有效的识别结果。
参考文献
[1] 曾斌,郑会丰,林奕丽,等.早期糖尿病肾病患者血细胞形态变化临床分析[J].中华全科医学,2011,9(2):179?180.
[2] GARRIDO M, ARUNDELL M, VALENCIA, et al. High?speed particle detection in a micro?Coulter counter with two?dimensional adjustable aperture [J]. Biosensors and bioelectronics, 2008, 24(2): 290?296.
[3] HAMDI S E, LE DUFF A, SIMON L, et al. Acoustic emission pattern recognition approach based on Hilbert?Huang transform for structural health monitoring in polymer?composite materials [J]. Applied acoustics, 2013, 74(5): 746?757.
[4] LAW L S, KIM J H, LIEW W Y H, et al. An approach based on wavelet packet decomposition and Hilbert?Huang transform (WPD?HHT) for spindle bearings condition monitoring [J]. Mechanical systems and signal processing, 2012, 33(2): 197?211.
[5] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition method and the Hilbert spectrum for nonlinear and non?stationary time series analysis [J]. Journal of self?assemble and molecular electronics, 1998, 454: 903?995.
[6] BOUCHIKHI A, BOUDRAA A O. Multicomponent AM?FM signals analysis based on EMD?B?splines ESA [J]. Signal proces?sing, 2012, 92(9): 2214?2228.
[7] 董红生,张爱华,邱天爽,等.分频段Hilbert谱熵的心率变异信号分析方法[J].生物医学工程学杂志,2011,28(2):248?254.
[8] LIN L, CHU F L. Feature extraction of AE characteristics in offshore structure model using Hilbert?Huang transform [J]. Measurement, 2011, 44(1): 46?54.
[9] ZHANG Xiaofei, TAO Ling, DENG Juan, et al. Blood cell signal classification via Hilbert?Huang transform combined with information entropy [J]. Journal of information & computational science, 2014, 12(15): 5603?5612.
[10] LUPU C, DAN S. Another look at some new Cauchy?Schwarz type inner product inequalities [J]. Applied mathematics and computation, 2014, 231: 463?477.
[11] 张小蓟,张歆,孙进才.基于IMF能量熵的目标特征提取与分类方法[J].计算机工程与应用,2008,44(4):68?69.
[12] BEH J, HAN D K, DURASIWANMI R, et al. Hidden Markov model on a unit hypersphere space for gesture trajectory recognition [J]. Pattern recognition letters, 2014, 36(15): 144?153.
[13] 龚勋,冯毅雄,谭建荣,等.基于空间结构隐markov模型的故障诊断[J].计算机集成制造系统,2012,18(1):132?140.
[14] 朱嘉瑜,高鹰.基于改进粒子群算法的隐马尔可夫模型训练[J].计算机工程与设计,2010,31(1):157?160.