康素成

(盐城师范学院，江苏 盐城 224007)

0 引言

对患者病理检测的重要方式之一为对患者脉搏信号的检测，可反映出检测对象心脏波动情况，以此可促进患者疾病诊断，在临床诊治中具有重要意义。

脉搏PRV信号变异性分析是临床检测的重要手段，传统采用的检测方式有小波分解滤波法、心电瞬时频率(Heart Instantaneous Frequency，HIF)法、采用脉搏信号频率检波法等，这些方法运用具有一定的局限性，本文提出了局部均值分解方式，可有效表征PRV信号。局部均值分解(LMD)是一种新的自适应时频分析方法，在信号处理方面具有非线性、非平稳信号的运用优势，被广泛运用于机械振动、生物医学等领域。

1 HRV脉搏信号变异性

脉率变异性可表征人体心脏波动周期变化，可反映 HRV 信号的变化，目前在临床疾病检测与诊断中应用较为广泛，能够反映出人体体液调节系统运行情况，在心血管疾病检测方面运用优势明显。

脉冲信号的运行机理与心电信号机理有一定的相似性，主要通过心脏的周期波动而体现出机体病理变化，人体病理信息与生理信息可反映在脉搏周期波动之中。心脏波动周期变化为心率变异性(Heart Rate Variability，HRV)，脉搏周期变化率则为脉率变异性(PRV)信号，目前在临床数据分析中越来越使用脉率变异性(PRV)信号进行机体疾病诊断与分析。如何对脉率变异性(PRV)信号进行采集与分析是当前研究的重要课题，本文提出了局部均值分解(LMD)的数值分析方法，目前在生物医学、机械振动等领域中均运用较为广泛，可有效处理非平稳信号与非理性信号，结合阈值法进行脉搏数据分析[1]。

2 LMD局部均值分解方法

局部均值分解方法在脉搏信号变异性分析中运用优势明显，运行中建立了反复迭代的方式，可从原始信号中将包络信号、纯调频信号剥离，通过包络信号、纯调频信号相乘而得到PF分量，由此而对多项数据进行反复处理，直至最终满足分解的约束条件。通过迭代反复处理之后进行 Hilbert 谱分析得出各PF分量的瞬时频率。可在三维平面中得出随着时间的变化瞬时频率在不同时间点的Hilbert 幅值谱。

运用LMD法进行脉搏PRV 信号分析，脉搏信号与周期信号较为类似，运用局部均值分解方法可有效分析脉搏信号，可将其分解为多个PF分量信号，并运用 Hilbert对不同PF分量进行变换处理，利用数据计算对应的瞬时频率信号。对不同PF分量进行谱分析，得出不同PF分量信号频率范围。结合不同信号的频率范围而计算出PF分量0.5～2 HzPRV 信号频率范围下所对应的瞬时频率曲线[2]。

3 基于局部均值分解的脉率变异性估计

3.1 时域提取PRV信号

运用局部均值分解进行脉搏PRV 信号的时域提取，主要的项目包括特征值检测、信号预处理以及 PRV 信号估计。人体脉搏信号采集过程中可能受到多种因素的影响，体电位变化会导致肌电干扰，由于皮肤接触滑动与受到呼吸因素的影响容易出现基线漂移现象，谐波与 50 Hz 交流电运行中可能出现工频干扰，通过硬件设备中的信号收集系统处理难以有效摒除以上干扰，由此需要对信号进行预处理。信号滤波为本次研究中主要采用的预处理方式。结合脉搏信号噪音自身的特征，本次信号滤波运用 50 Hz 整系数陷波器实现，以此摒除信号可能出现的基线漂移与工频干扰现象。针对肌电干扰本次研究使用整系数低通滤波器[3]。

对信号进行预处理之后，运用阈值法检测脉搏信号的大小峰值，及其对应的时间点。并对得到的数值进行人工检测，由此提升数值检测的准确性与有效性。

3.2 运用熵分析方法

运用局部均值分解进行脉搏PRV 信号提取，并运用短时脉率变异符号序列熵对得到的数据建立 PRV分析方式，以此判断实时 PRV信号分析在脉搏分析中的实际应用。

机体脉搏跳动具有自身的表现特征，周期表现不是绝对均匀，常见的变化方式主要有3种，可分别使用3种不同的符号来表示，脉搏信号的一种变化特征是瞬时脉率突然增大，第二个特征是脉搏跳动的间歇时间减少，同时瞬时脉率则随之而增大，第三种表现特征是两次不同脉搏跳动之间具有一定的时间间隔。这3种方式仅仅表示3种不同的状态，三者没有数值大小意义。可对脉搏信号进行符号化处理，构建向量序列进行分析，在不同的字长宽度下，连续变化可出现不同的表现模式，此时计算不同模式出现的概率，以此得出信息熵[4]。

得出的脉搏信息熵数值的大小体现了变化模式中出现的平均不规则现象与不规则的程度，对计算出的数值进行分析。熵值大小能够反映出不同的变化模式体现出的平均不规则现象及其程度。若只出现一种模式，则此时信息熵值为0，数值最小。如果各个模式出现概率一致，则此时具有最大的信息熵值。

4 基于局部均值分解的脉率变异性估计实验设计

本次实验数据选择一般健康人员与不抽烟的健康人员两个群体，一般健康人员数据选自MIT-BIH Fantasia数据库，包括20名年轻人与20名老年人群体，以仰卧休息状态进行脉搏信号采样，为了保证研究对象的清醒状态，对研究对象播放影片。脉搏信号采样时间120min，采样频率为250Hz。

不抽烟的健康群体选择20—25岁的年轻人，脉搏数据采集时间4min，采样频率400Hz，运用脉搏信号实时采集系统进行数据采集与分析。脉搏信号采集系统的构成部分包括硬件预处理电路、计算机及 LabVIEW 采集系统、光电脉搏传感器、MP425采集卡等。

人体脉搏信号主要通过夹指式光电脉搏传感器收集，可把生理信号转变为电流信号，以此便于后续信号分析。运用硬件预处理电路对收集到的信号进行I/U信号进行转换，将上一个流程中得到的电流信号转变为μV-mV电压信号，此时可对收集到的脉搏信号进行高通滤波与低通滤波的放大处理，以0～5 V的形式输出。脉搏信号 A/D 转换通过 MP425数据采集卡实现，并利用 USB 接口将研究得到的结果输送至数据库中[5]。运用LabVIEW 软件进行相关数据采集与分析，以此对样品脉搏数据进行实时采样、预处理，并进行诊断分析。

5 结果及分析

5.1 频域提取PIF信号

利用局部均值分解方法研究从脉信号频域中进行IPR信号提取。针对得到的4 min 脉搏信号数据进行局部均值分解，原始脉搏信号在图上方，中间为PF分量，最下方为分解残余量(见图1)。

将脉搏信号分解为1个残余量、4个PF，PF1 与PF2之间具有大量的脉搏信号能量集中。对各 PF实行Hilbert变换，得出边际谱、瞬时频率，同时结合边际谱数值计算PF分量信号中出现的各个频率数值范围。脉搏PRV信号主要的范围区间在0.5～2 Hz，属于PF2 分量，因此本文研究中瞬时频率信号选取PF2，放大 60 倍之后即得到 IPR 信号。结合时域 PRV 信号的长度而对IPR 信号进行采样，并将其时域提取的 PRV 信号进行同维度对比，根据研究结果可见，时域提取的 PRV 信号在对时域提取的 PRV 信号表征分析上能够达到研究目的。

5.2 误差数值计算

对脉搏IPR信号运用局部均值分解进行研究，研究得出的IPR 信号和时域提取 PRV 信号之间的数值差异，对两组数据进行误差值分析，可见误差数值较小，均小于0.06，如表1所示。

表1 局部均值分解提取的脉搏IPR信号误差数值

5.3 LMD局部均值分解算法的应用

运用局部均值分解估计静止状态下脉搏PRV 信号，在视觉疲劳、睡眠、运动等状态中运用LMD算法进行脉搏信号分析。睡眠状态与人体静止状态下的脉搏信号类似。视觉疲劳状态中的脉搏信号表现中可见潮波略高于主波。采用 LMD 法进行脉搏信号变异性分析，视觉疲劳、运动状态下的脉搏信号PRV信号如图2所示。

图2 视觉疲劳、运动状态下的脉搏信号PRV信号

可见运用局部均值分解能够有效估算视觉疲劳脉搏PRV 信号，在人体运动状态下，机体容易受到高频信号与基线漂移信号的干扰，在时域中难以有效估算出脉搏PRV 信号，但是整体运用上能够有效估算出运动状态下脉搏 PRV 信号。选取 MIT-BIH Fantasia 数据库中的年轻人与老年人进行局部均值分解提取与分析，结果可见年轻人与老年人局部均值分解差异显著 (P<0.005)，可将局部均值分解运用于临床分析中。

6 结语

本次研究基于局部均值分解的脉率变异性估计，通过研究可见，运用局部均值分解分析方法进行脉搏IPR信号分析能够有效表征PRV信号，该种计算方法可有效计算不同状态下的脉搏信号变异性，对研究样本年龄、睡眠与疲劳状态下的脉搏信号可以通过短时脉率变异符号序列熵进行分析，可以此促进临床 PRV 信号检测与分析，运用价值较大。