帶有噪聲的實時生理數據信號數據處理方法與流程

本發明涉及一種通過盲數據源檢測的方式來處理實時生理數據信號中帶有的噪聲數據，通過這些噪聲數據的處理可以找到產生噪聲的來源，通過對來源的分析來較好的重構出真實的生理數據，并設計相關算法及其相關的數據查詢，通訊及更新方法。

背景技術：

通過光電信號來探測人體的生理數據已經廣泛應用于臨床的重癥病人的監護中，隨著可穿戴計算技術的普及和智能手機的廣泛應用，這種應用已經不僅僅限于病人的狀態監控。隨著相關技術的發展，這種技術已經開始應用于正常人的生理數據的獲取，來使普通人了解自己的身體狀況獲得更好的生活質量。然而在普通人群的使用場景中，和重病監控的一個顯著差異在于個體處于一個不斷的不可預測的變化中，運動，和其他物體的接觸或靠近等均會給數據帶來不同程度的影響。因此，我們需要建立一種消除上述因素帶來的噪音，保證獲得的數據能夠真實的反應生理的狀態。同時，我們也要考慮這種算法所需求的資源，保證在手機和相關的嵌入式設備中能夠平滑的執行。

技術實現要素：

(一)要解決的技術問題

針對從可穿戴設備中獲取生理數據的上述需求，本發明提供了一種帶有噪聲的實時生理數據信號數據處理方法，是一種快速，精度高的信號重構算法，通過這種算法，能夠有效的消除由于各種運動造成的噪聲，并且該算法針對手機和嵌入式設備做了相應的優化處理，能夠順暢的完成數據獲取，數據分析和數據存儲及加密的操作。

(二)技術方案

為了達到上述目的，本發明采取以下方案：

本發明的一種帶有噪聲的實時生理數據信號數據處理方法，步驟包括：

從已經匹配好的藍牙設備中，獲取固定長度的實時生理數據信號模式的生理數據，并進行加密，通過藍牙通信傳到實時生理數據處理設備對應的應用程序中；

應用程序首先檢查，數據的完整性，通過計算sha1的校驗位檢測,如果沒有問題，解密數據然后則進入步驟b，否則進入步驟a；

步驟a：丟棄接受到的數據，向藍牙設備發出新的數據請求；

步驟b:從檢查通過的數據包中，根據藍牙通信的協議及規定好的數據格式，將數據提取出來，對這段數據做頻譜分析,如果頻譜結果符合規定的profile,進入下一階段；不符合規定的profile,被丟棄；

將數據進行做butterworth濾波處理，butterworth濾波參數是profile中的中值頻率的數據采樣頻率；

如果通過butterworthfilter的數據沒有縱軸上的漂移，這個能夠通過比較每50個數據的極小值連接的兩條直線，如果這條直線和水平線平行或者和水平線的夾角的絕對值不超過5度，則認為這次采樣中沒有要處理的運動漂移，進入步驟c,否則，如果有超過閾值的運動漂移，進入步驟d；

步驟c:對butterworthfilter過濾的數據做反傅里葉變換，抽取最大的頻譜和第二大的頻譜來檢驗二者的頻率是否接近雙倍的關系，如果誤差在5％的范圍之內，認為生理數據已經獲得成功，否則數據不合要求，丟棄；

步驟d:首先，對數據進行多通道數據重構，在一般的情況下，數據僅包含一個通道，在這種情況下，數據通過從單一的通道中通過不同的采樣延時來構造多通道數據，重構完畢之后，通過fastica算 法來做盲源分離，在這里，不可事先預估的運動是一個信號源，通過獨立分量分析的方法來估計這種源來糾正運動產生的數據偏差，有可能返回的數據源有多個，而由運動源的特點是縱軸上的移動，同時這個信號是一個平穩的低頻信號，這種特點使它區別于其他的信號，通過簡單的頻譜分析，計算最大的頻率信號，如果小于1hz，就基本上認定是運動源信號。找到之后，也可以通過在原始信號中消除這種信號之后，看是否新得到的信號是否在縱軸上的位移是否減小到閾值之內，如果在閾值之內，則我們認為運動造成的位移已經得到消除，否則，認為數據糾正失敗。

其中，所述步驟b中規定的profile為標準的頻譜的profile跨越的頻譜范圍從0.1hz-100hz,超過這個頻譜范圍的波形被認為存在不可處理的問題，被丟棄。

其中，所述步驟b中數據采樣頻率優選屆數為5的butterworthfilter。

其中，所述步驟b中極小值定義為在一段超過3個點的連續的區間內的最小值。

其中，所述步驟c中反傅里葉變換是通過快速傅里葉變換算法達到。

其中，所述步驟d中采樣延時的取值為20個采樣樣本的時間；所述步驟d中的閾值之內為<5％。

(三)有益效果

本發明能提供一種快速、精度高的信號重構算法，通過這種算法，能夠有效的消除由于各種運動造成的噪聲，并且該算法針對手機和嵌入式設備做了相應的優化處理，能夠順暢的完成數據獲取、數據分析和數據存儲及加密的操作。

附圖說明

圖1-a是本發明plusewave數據示意圖一；

圖1-b是本發明plusewave數據示意圖二

圖2是本發明數據處理流程圖；

圖3是本發明實施流程的示意圖；

圖4是本發明plusewave處理流程圖；

圖5是本發明運動偏移的糾正的示意圖。

具體實施方式

以下實施例用于說明本發明，但不用來限制本發明的范圍。

本發明的一種帶有噪聲的實時生理數據信號數據處理方法，步驟包括：

從已經匹配好的藍牙設備中，獲取固定長度的實時生理數據信號模式的生理數據，并進行加密，通過藍牙通信傳到實時生理數據處理設備對應的應用程序中；

應用程序首先檢查，數據的完整性，通過計算sha1的校驗位檢測,如果沒有問題，解密數據然后則進入步驟b，否則進入步驟a；

步驟a：丟棄接受到的數據，向藍牙設備發出新的數據請求；

步驟b:從檢查通過的數據包中，根據藍牙通信的協議及規定好的數據格式，將數據提取出來，對這段數據做頻譜分析,如果頻譜結果符合規定的profile,進入下一階段；不符合規定的profile,被丟棄；

將數據進行做butterworth濾波處理，butterworth濾波參數是profile中的中值頻率的數據采樣頻率；

如果通過butterworthfilter的數據沒有縱軸上的漂移，這個能夠通過比較每50個數據的極小值連接的兩條直線，如果這條直線和水平線平行或者和水平線的夾角的絕對值不超過5度，則認為這次采樣中沒有要處理的運動漂移，進入步驟c,否則，如果有超過閾值的運動漂移，進入步驟d；

步驟c:對butterworthfilter過濾的數據做反傅里葉變換，抽取最大的頻譜和第二大的頻譜來檢驗二者的頻率是否接近雙倍的關系，如果誤差在5％的范圍之內，認為生理數據已經獲得成功，否則數據不合要求，丟棄；

步驟d:首先，對數據進行多通道數據重構，在一般的情況下，數據僅包含一個通道，在這種情況下，數據通過從單一的通道中通過不同的采樣延時來構造多通道數據，重構完畢之后，通過fastica算法來做盲源分離，在這里，不可事先預估的運動是一個信號源，通過快速獨立分量分析的方法來估計這種源來糾正運動產生的數據偏差，有可能返回的數據源有多個，而由運動源的特點是縱軸上的移動，同時這個信號是一個平穩的低頻信號，這種特點使它區別于其他的信號，通過簡單的頻譜分析，計算最大的頻率信號，如果小于1hz，就基本上認定是運動源信號。找到之后，也可以通過在原始信號中消除這種信號之后，看是否新得到的信號是否在縱軸上的位移是否減小到閾值之內，如果在閾值之內，則我們認為運動造成的位移已經得到消除，否則，認為數據糾正失敗。

所述步驟b中規定的profile為標準的頻譜的profile跨越的頻譜范圍從0.1hz-100hz,超過這個頻譜范圍的波形被認為存在不可處理的問題，被丟棄。

所述步驟b中數據采樣頻率優選屆數為5的butterworthfilter。

所述步驟b中極小值定義為在一段超過3個點的連續的區間內的最小值。

所述步驟c中反傅里葉變換是通過快速傅里葉變換算法達到。

所述步驟d中采樣延時的取值為20個采樣樣本的時間；所述步驟d中的閾值之內為<5％。

所述閾值計算是計算一個相對量，假設閾值用d來表示d＝ |2*d2-d1|/d2,d1是指單倍頻的值，d2是指雙倍頻的值，d<0.05,即在閾值之內。

在文中，具有生物醫學信號處理的普通技術人員應當理解，某些術語來自于信號處理技術領域，如盲源分析，傅里葉變換，頻譜分析等等。

盲源：指無法/很難通過測試來精確確定的數據信號源

fastica:fastindependentcomponentanalysis,快速獨立分量分析；

快速獨立分量分析：一種數字信號處理方法，是指從多個源信號的線性混合信號中分離出源信號的技術；

butterworthfilter:巴特沃斯濾波器

spectrumanalysis:頻譜分析；

頻譜分析：將時域信號變換至頻域加以分析的方法稱為頻譜分析，可以通過傅里葉變換達到；

uuid：是通用唯一識別碼(universallyuniqueidentifier)，這是一個軟件建構的標準；

profile：是指數據頻率的組成狀況；

fastica算法：即快速獨立分量分析；

sha1：散列算法；

fft：快速傅里葉變換；

pulsewave信號發生器：是指產生plusewave的信號源，plusewave是指心動信號波；

bw濾波模塊：即butterworth濾波器，是一種數字信號處理的處理方法，目的在于獲得具有某種屬性的數據。

首先，在展開具體描述之前，如前所述，本發明揭示一種用于在自由運動環境下的生理數據降噪處理算法。此處，以一款實驗中的光源為540納米的pulsewave信號發生器為例來演示整個數據的處理流 程。

數據通過傳感器采集之后，通過頻譜檢測模塊對信號的頻譜范圍進行估測得到的結果如圖4中的第三欄所示，可以計算出功率在20db/hz以上的頻率值，如果在0.1到100hz之間，則通過，數據進入bw濾波模塊203，濾波之后，檢查是否數據有運動漂移，如果沒有，則進入數據驗證模塊206，如果有則進入多通道重構模塊204，重構之后，進入fastica模塊205，通過fastica算法來獲取數據源，如果多通道數據處理結果收斂，則進入數據驗證模塊206，否則，丟棄；在數據驗證模塊206，如果數據結果符合二倍頻關系，則數據被接受，否則放棄。

圖4中的最上一欄表示的是通過頻譜檢查的原始plusewave數據，中欄是通過了bw濾波處理的數據，我們可以看到數據的最小值連接的水平線和x軸平行，無需運動偏移校正，最下一欄是數據的質量驗證，功率最大的頻率和第二的頻率正好是兩倍的關系。

圖5中可以看到在后面的數據中有一個運動抖動，第四欄是通過fastica算法找到的震動源，通過相加可以大致消除掉這個運動量。而最后的數據的質量驗證的質量也完全合格。

圖4和圖5的x軸是指時間值，y軸是頻譜值。

同時，為了便于這種數據的私密性能夠得到保護，我們在數據通信中通過實時生理參數測定設備的獨立的藍牙uuid號碼對數據加密,這個詳細說明參見相關文檔，如此，我們能夠保證數據只有在用戶的配合之下才能進行下一步的處理。

以上所述的僅是本發明的優選實施方式，應當指出，對于本領域的普通技術人員來說，在不脫離本發明創造構思的前提下，還可以做出若干變形和改進，這些都屬于本發明的保護范圍。