具有自适应性的实时睡眠信号处理算法研究

第３０卷第１０期　２０１６年１Ｏ月　电子测量与仪器学报　ＪＯＵＲＮＡＬ　ｏＦ　ＥＬＥＣＴＲＯＮＩＣ　ＭＥＡＳＵＲＥＭＥＮＴ　ＡＮＤ　ＩＮＳＴＲＵＭＥＮＴＡＴＩＯＮ　ｌｆ＿３０，ｖｏ．１０　

・１４９７・　

ＤＯＩ：１０．１３３８２／ｊ．ｊｅｍｉ．２０１６．１０．００７　

具有自适应性的实时睡眠信号处理算法研究　陈　科单姗郑红梅　（合肥工业大学机械工程学院合肥２３０００９）　

摘　要：在人体睡眠实时监测中，采集到的胸腔微动信号是一种包含呼吸、心跳信息的复杂混叠信号，识别和分离该混叠信　号对分析睡眠质量具有重要意义。提出一种具有自适应性的胸腔微动信号实时分离和提取算法，使用两次基于固定“筛”　数量的聚类经验模态分解（ＥＥＭＤ）进行信号分离，结合相关性分析方法进行信号识别，利用希尔伯特．黄变换（ＨＨＴ）进行信　号时频分析。进行了仿真分析和实验研究，结果均表明，该算法具有很强的自适应性，能够准确、高效的完成睡眠信号的实　时处理。　关键词：睡眠信号；信号识别；聚类经验模态分解；自适应处理　中图分类号：ＴＮ９１１．７２　文献标识码：Ａ　国家标准学科分类代码：３５１０．４０３０　

ｔｉｖｅ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｒｅａｌ－ｔｉｍｅ　ｓｌｅｅｐ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　Ｃｈｅｎ　Ｋｅ　Ｓｈａｎ　Ｓｈａｎ　Ｚｈｅｎｇ　Ｈｏｎｇｍｅｉ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｅｆｅｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈｅｆｅｉ　２３０００９，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｉｎ　ｒｅａｌ—ｔｉｍｅ　ｓｌｅｅｐ　ｍｏｎｉｔｏｒｉｎｇ，ｔｈｅ　ｃｏｌｌｅｃｔｅｄ　ｃｈｅｓｔ　ｓｉｇｎａｌ　ｉｓ　ａ　ｃｏｍｐｌｅｘ　ａｌｉａｓｉｎｇ　ｓｉｇｎａｌ，ｗｈｉｃｈ　ｃｏｎｔａｉｎｓ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｂｒｅａｔｈ　ａｎｄ　ｈｅａ￣ｂｅａｔ．Ｔｈｅ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ａｎｄ　ｔｈｅ　ｓｅｐａｒａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｉｇｎａｌ　ａｒｅ　ｏｆ　ｇｒｅａｔ　ｓｉｇｎｉｆｉｃａｎｃｅ　ｆｏｒ　ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｑｕａｌｉｔｙ　ｏｆ　ｓｌｅｅｐ．Ａｎ　ａｄａｐｔｉｖｅ　ａｌｇｏｒｉｔｈｍ　ｕｓｅｄ　ｆｏｒ　ｔｈｅ　ｃｈｅｓｔ　ｓｉｇｎａｌ’Ｓ　ｒｅａｌ—ｔｉｍｅ　ｓｅｐａｒａｔｉｏｎ　ａｎｄ　ｅｘｔｒａｃｔｉｏｎ　ｗａｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｉｎ　ｗｈｉｃｈ　ｔｗｏ　ｔｉｍｅｓ　ｏｆ　ｔｈｅ　ｅｎｓｅｍｂｌｅ　ｅｍｐｉｒｉｃａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＥＭＤ）ｂａｓｅｄ　ｏｎ　ｆｉｘｅｄ　ｓｉｆｔｉｎｇ　ｎｕｍｂｅｒ　ｃｒｉｔｅｒｉｏｎ　ａｎｄ　ｔｈｅ　ｃｏｒｒｅｌａｔｉｏｎ　ａｎａｌｙｓｉｓ　ｍｅｔｈｏｄ　ｗｅｒｅ　ｕｓｅｄ　ｆｏｒ　ｔｈｅ　ｓｉｇｎａｌ’Ｓ　ｓｅｐａｒａｔｉｏｎ　ａｎｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｌｅ　ｔｈｅ　Ｈｉｌｂｅｒｔ—Ｈｕａｎｇ　ｔｒａｎｓｆｏｒｍ（ＨＨＴ）ｗａｓ　ｕｓｅｄ　ｔｏ　ａｎａｌｙｚｅ　ｔｈｅ　ｔｉｍｅ一￣ｅｑｕｅｎｃｙ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｈｅ　ｓｉｇｎａ１．Ｔｈｅ　ｆｅａｓｉｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｗａｓ　ｐｒｏｖｅｄ　ｂｙ　ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｓｉｇｎａ１．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｄａｔａ　ｐｒｏｖｅｓ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｈａｓ　ｓｔｒｏｎｇ　ａｄａｐｔｉｖｉｔｙ　ａｎｄ　ｉｔ　ｃａｎ　ｐｒｏｃｅｓｓ　ｔｈｅ　ｒｅａｌ・ｔｉｍｅ　ｓｌｅｅｐ　ｓｉｇｎａｌ　ａｃｃｕｒａｔｅｌｙ　ａｎｄ　ｅｆｆｉｃｉｅｎｔｌｙ．　Ｋｅｙｗｏｒｄｓ：ｓｌｅｅｐ　ｓｉｇｎａｌ；ｓｉｇｎａｌ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ＥＥＭＤ；ａｄａｐｔｉｖｅ　ｐｒｏｃｅｓｓｉｏｎ　

１　引　口　睡眠状态的实时监测对慢性病的预防以及疾　病康复后的复查都具有重要意义¨　，高灵敏度的　压电驻极体薄膜（ｅｌｅｃｔｒｏ　ｍｅｃｈａｎｉｃａｌ　ｆｉｌｍ，ＥＭＦｉ）传　感器可以对睡眠中的胸腔微动信号实现精确、便　捷、无约束的实时采集。睡眠监测过程中，有效信　号主要包含体动、离床以及安静状态的胸腔微动信　收稿日期：２０１６－０７　Ｒｅｃｅｉｖｅｄ　Ｄａｔｅ：２０１６－０７　号等，胸腔微动信号是一种复杂的混叠信号，对其　实现准确、快速、自适应地分离具有很高的应用价　值。国内外研究中多采用快速傅里叶变换或者小　波变换等进行非接触式生命信号处理，但存在无法　准确描述非平稳信号的局部特性以及基函数选择　难度大、自适应性差等弊端Ｈ引。经验模态分解　（ｅｍｐｉｒｉｃａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＭＤ）和希尔伯特．　黄变换（Ｈｉｌｂｅｒｔ—ｈｕａｎｇ　ｔｒａｎｓｆｏｒｍ，ＨＨＴ），作为基于　电子测量与仪器学报　第３０卷　数据自身特点的信号分析方法，处理非线性非平稳　信号时具有突出的优势　。但ＥＭＤ存在“模态　混叠”问题，集合经验模态分解（ｅｎｓｅｍｂｌｅ　ｅｍｐｉｒｉｃａｌ　ｍｏｄｅ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＥＥＭＤ）作为基于ＥＭＤ的噪声　辅助算法，集成了ＥＭＤ在数据处理中的优点，同时　解决了“模态混叠”问题　Ｊ。在信号识别与提取方　面，多采用能量阈值的方法　Ｊ，该方法人为地限定　了频率范围，算法本身缺乏自适应性。有学者利用　ＥＭＤ和ＥＥＭＤ算法处理雷达微动信号，但未能兼　顾算法的时效性和准确性＿６　Ｊ。　综合考虑信号处理精度和计算效率，本文运用　基于固定“筛”数量停止准则的ＥＥＭＤ方法对　ＥＭＦｉ传感器采集到的胸腔微动信号进行两次分　解，结合相关性分析和ＨＨＴ对信号进行后续处理，　提高了算法处理的自适应性，同时能够准确、高效　地提取出呼吸和心跳信号，达到良好的睡眠监测　效果。　２睡眠信号处理算法概述　人体在安静睡眠状态下，胸腔微动信号主要包　括呼吸信号、心跳信号以及周围环境噪声信号。为　实现对所采集到的信号进行实时、准确和自适应的　分离，本文提出的算法流程如图１所示。　图１　信号处理算法流程　Ｆｉｇ．１　Ｆｌｏｗ　ｃｈａｒｔ　ｏｆ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ａｌｇｏｒｉｔｈｍ　２．１睡眠信号实时分离　ＥＭＤ算法是一种基于原始数据的自适应局域　数据分解方法，在ＥＭＤ过程中，将数据ｓ（　）分解成　为一系列的固有模态函数（ｉｎｔｒｉｎｓｉｃ　ｍｏｄｅ　ｆｕｎｃｔｉｏｎ，　ＩＭＦ），　（ｔ），即：　式中：　（ｔ）是数据ｓ（ｔ）分解出ｎ个ＩＭＦ分量后产　生的数据余量。ＩＭＦ是一系列含有不同幅值和频　率的振荡函数，各ＩＭＦ相互独立　ｍ　。　ＥＭＤ是一个仅需要运用局部极值进行“筛”的　过程。“筛”是一个对数据点迭代求上下包络和差　值的过程，一组完整的“筛”的结束条件是，最后的　余量ｒ　（ｔ）是一个单调函数，不能分解出更多的　ＩＭＦ。但ＥＭＤ算法存在严重的“模态混淆”问题，　即单个ＩＭＦ包含尺度显著不同的振幅，无法表达　显著的物理意义。噪声辅助算法ＥＥＭＤ，很好地解　决了该问题。ＥＥＭＤ建立在ＥＭＤ基础之上，对目　标数据添加白噪声序列并通过ＥＭＤ将其分解为多　个ＩＭＦ，重复这个过程，将所获得的ＩＭＦ综合平均　值作为分解的最终结果。　由于需要多次加入白噪声，导致了ＥＥＭＤ运　算时间延长，为兼顾算法的准确性与时效性，本文　采用优化迭代的方法进行信号处理。迭代次数由　“筛”过程中的停止准则决定，现有的停止准则有４　类：柯西准则及其变形、Ｓ．数值标准、Ｇ．Ｒｉｌｌｉｎｇ停　止准则和固定“筛”数量准则。前３种建立在全域　基础上的停止准则，除去迭代过程中的样条拟合过　程外，还需对全部数据点进行数值计算判断迭代停　止条件，判断中对局部扰动数据十分敏感，容易带　来“远程效应”问题。而固定“筛”数量准则只需经　过样条拟合过程，使用局部极值信息来获得包络，　因此局部微小的扰动对整个数据的影响微乎其微。　依据ＥＭＤ的滤波特性，“筛”的次数定为ｌ０，此时　的ＥＭＤ可以表现出良好的动态滤波性能　１Ｉ］。　

２．２呼吸、心跳信号自适应识别与提取　采集过程中，由于心跳相对呼吸而言引起的电　荷变化极小，因此将其在胸腔微动信号中分离与识　别成为难点。有文献通过一次ＥＥＭＤ并结合能量　阈值可以识别心跳、呼吸信号　ｊ，但能量阈值方法　人为限定了两种信号的频带，同时经过一次ＥＥＭＤ　后，微弱的心跳信号分离并不彻底。但由于不同个　体的呼吸、心跳频带不同，甚至同一个体在不同健　康状态下的呼吸、心跳频带也不相同，上述方法对　频带的人为限定将造成对提取分量的误判，对算法　总体而言缺乏自适应性和准确性。本文通过两次　ＥＥＭＤ以及相关性分析方法，在识别和提取过程中　可根据胸腔微动信号自身特征自动调整信号提取　分量。　在呼吸、心跳信号自适应识别与提取过程中，　首先进行一次ＥＥＭＤ，将分解所得的各ＩＭＦ（Ｃ　第１０期　具有自适应性的实时睡眠信号处理算法研究　（ｔ））分别与原始序列ｓ（ｔ）进行互相关计算，得到　相关系数　，取　最大值对应的第ｍ个分量ｃ　（ｔ）为呼吸信号。将比该分量低阶的信号进行重　构，由于在数字信号处理时没有低通滤波，重构时　去掉第一阶高频分量，即：　

（２）　对　，（ｔ）进行第２次ＥＥＭＤ，所得各ＩＭＦ（ｃ　（ｔ））分别与重构序列ｓ　（ｔ）进行互相关计算，得到　ｆ；　．，取，；　最大值对应的第九个分量ｃ　（ｔ）为　５４）８　信号。　经实验验证，由于该算法没有对频带进行约　束，相对于能量阈值法有更强的自适应性且准确性　更高、应用范围更广；两次ＥＥＭＤ相对于一次分解　提高了算法精度；分解得到的各ＩＭＦ是相互独立　的，保证了算法具有物理意义，实现了对呼吸、心跳　信号的自适应识别与提取。　

２．３提取信号的时频分析　睡眠过程中胸腔微动信号的统计特性随时间　而变化，提取后的呼吸、心跳信号也是非平稳信号。　

为了更加细致地研究呼吸、心跳信号的细节特征，　引入非平稳信号时频分析工具ＨＨＴ，提供时域与　频域的联合分布信息，将信号的时域与频域进行紧　密结合．　ＨＨＴ主要包括两个方面ＥＭＤ和希尔伯特谱　分析（Ｈｉｌｂｅｒｔ　ｓｐｅｃｔｒｕｍ　ａｎａｌｙｓｉｓ，ＨＳＡ），即数据首先　经过ＥＭＤ得到一系列ＩＭＦ，然后对ＩＭＦ进行　Ｈｉｌｂｅｒｔ变换，获得每个ＩＭＦ随时间变化的瞬时频　率和振幅，进而得到时间．频率一幅值三维分布图，　即Ｈｉｌｂｅｒｔ谱。ＨＳＡ的核心在于获得每个ＩＭＦ的瞬　时振幅和瞬时频率。　信号ｓ（　）的Ｈｉｌｂｅｒｔ谱日（　．ｆ），即：　ｎ　日（∞，

￡）＝Ｒｅ∑口　（ｔ）ｅｉＪ　（３）　

式中：ｉ＝￣／／一１，ａｉ（￡）和　（　）分别代表ｃ　（ｆ）的　瞬时振幅和瞬时频率。　对实际采样过程中的离散信号ｃｊ（　）进行离　散Ｈｉｌｂｅｒｔ变换得到；　（ｎ），当采样时间为ｔ　，采样　频率为．　时，利用中心差分近似法估计瞬时频率　如下Ｅ　］：