基于小波变换预处理技术的自适应滤波器性能增强

RS.Koteeshwari¹, Suhanya²

印度泰米尔纳德邦那加帕蒂南市皮莱工程学院欧洲经委会系助理教授
PG学生[通讯系统。]，印度泰米尔纳德邦Nagapattinam, e.g.s.s pillay工程学院ECE系

摘要

在生物医学信号中，噪声的去除是主要问题之一。近年来，自适应滤波在生物医学信号的处理和分析中发挥了有效的作用。自适应滤波器允许检测随时间变化的电位，跟踪信号的动态变化，并根据输入修改它们的行为。本文主要研究了应用小波变换预处理技术增强生物医学领域的自适应滤波器。预处理是在输入信号输入到自适应滤波器之前，对输入信号中的噪声进行处理和去除的技术，从而进一步提高自适应滤波器的性能。最后，对基于均方误差和收敛率的自适应滤波器进行预处理和不进行预处理进行了比较研究。为此，我们在MIT-BIH数据库上进行了模拟。仿真结果表明，经过预处理的自适应滤波器对噪声的去除效果明显优于普通自适应滤波器。

关键字

自适应滤波器，小波变换，LMS算法，RLS算法。

我的介绍。

我们的人体是由各种生物医学信号组成的，基于这些信号，我们可以检测出人体的健康状况。在监测这些生物医学信号时，噪声的干扰会导致错误诊断。由于仪器、周围环境、物理因素等原因，可能会产生噪声。影响生物医学信号的各种噪声主要有电子噪声、运动伪影、肌肉噪声、电力线干扰。由于电源的波动(假设)在47Hz到53Hz之间，我们不能有效地去除噪声使用陷波滤波器在50Hz。静态滤波器将47Hz - 53Hz之间的频率全部去除，这可能会过度降低ECG等敏感生物医学信号的质量，因为心脏跳动也可能有频率成分在被拒绝的范围内，从而导致错误诊断。为了防止这种敏感信息的丢失，使用了自适应滤波器。自适应滤波器能够跟踪噪声的实际频率，因为它波动，从病人和电源的输入。

在生物医学信号处理领域，已有多篇论文提出了基于各种算法的自适应解决方案。对于心电信号的噪声消除，在[1]中进行了LMS和RLS算法的性能研究和比较。对于呼吸信号中的噪声消除，在[2]中讨论了自适应算法的性能研究和比较。在生物遥测中使用自适应滤波技术来消除心电信号中的噪声。给出了小波变换在[4]中的应用及其与傅里叶变换相比的优点。在[5]中实现了用于心脏疾病检测的动态心电测量系统的运动伪影消除。在[6]中分析了心电信号中50Hz电力线干扰的去除及LMS和NLMS的对比研究。在[7]-[8]中给出了LMS及其成员算法在去除心电信号中各种伪影的应用。在[9]-[10]中分析了不同自适应算法的均方误差行为、收敛性和稳态分析。在[11]中讨论了心率信号自适应滤波的性能分析。 Adaptive filter algorithms basic concepts and mathematical support for all the algorithms are taken from [12].

2自适应滤波器中的噪声

在生物遥测中，由于生物医学信号中噪声的干扰，存在大量误诊的可能性。生物医学噪声主要有电子噪声、运动伪影、肌肉噪声、电源线干扰。这些噪音在自适应滤波器的帮助下被克服。

1.运动工件

电极蒙皮阻抗随电极运动的变化引起瞬态基线变化，为运动伪影的产生提供了途径。已经假定运动伪影的主要原因是由其主题的振动或运动。由于运动伪影，有关患者监测的信息是倾斜的，导致数据的不规则性导致错误的诊断。通过适当的电子电路设计和设置，可以将其最小化。由于所有生物医学单元都是敏感设备，因此伪影的峰值振幅和持续时间都是变量，它可以拾取可能修改实际生物医学信号的不需要的电信号。

2.电源线干扰

电力线干扰是测量生物医学潜力的主要干扰。它由50Hz拾取和谐波组成，可以建模为正弦波和正弦波的组合。电力线噪声模型中信号的幅频特征需要根据测量情况进行变化，一旦设定，在探测器评估时不会发生变化。由于电力线噪声的影响，很难测量小于1V的高分辨率电位。

3.电子噪声

皮肤与电极之间失去接触导雷竞技网页版致电子噪声。生物医学信号会被各种各样的噪声打断。这里电极本身就是噪声源。这些噪声以快速基线转换的形式出现，以指数方式衰减到基线值，并有一个叠加的50 Hz分量。连续地，这种快速的基线转换可能只发生一次，也可能迅速地发生几次。

4.肌肉噪声

肌肉噪声主要是由于测量信号时肌肉的运动。由于肌肉噪声的存在，从这些肌电信号如肌电图(EMG)和振动肌图(VMG)信号中计算出的时间和频率参数会改变原始的生物医学信号，从而导致错误诊断。

3自适应滤波器

当一个系统试图通过满足一些定义良好的目标或目标(依赖于系统状态和周围环境)来调整其参数时，我们称之为自适应系统。因此，系统调整自己，以便对周围发生的某些现象作出反应。自适应滤波器是根据一种算法自行设计的滤波器，该算法允许滤波器“学习”初始输入统计数据，并在它们随时间变化时跟踪它们。这些滤波器对确定性信号进行估计，并去除与确定性信号不相关的噪声。为了设计一个过滤器，需要对期望响应的先验知识。当由于过滤器要求性质的变化而无法获得此类知识时。设计一个标准的数字滤波器是不可能的。在这种情况下，自适应滤波器是可取的。自适应滤波器不断地改变其脉冲响应以满足给定条件。他们能够从当前状况的统计数据中学习，并改变它们的系数，以达到一定的目标。 The block diagram of adaptive noise canceller is shown in Figure

四、自适应滤波算法

自适应滤波算法大致分为随机梯度方法(即最小均方算法)和最小二乘估计(即递归最小二乘算法)。

1.最小均方(lms)

LMS算法是一种用瞬时值估计梯度向量的方法。它递归地改变自适应滤波器的权重。

误差估计e(n)由

W (n)为n时刻的自适应滤波系数。μ为步长。如果μ太小，wÃ¯Â¿Â½Ã¯Â¿Â½很小，那么它收敛到最优解的时间就会太长。如果μ太大，wÃ¯Â¿Â½Ã¯Â¿Â½变得不稳定且无界。

2.递归最小二乘算法

递归最小二乘算法是一种用于自适应滤波器设计的最小二乘算法。RLS算法具有收敛速度快、输出信号与期望信号之间的最小二乘误差最小、计算复杂度低等优点，比LMS算法性能更好。

五、小波变换

本文采用小波变换进行预处理。与傅里叶变换等其他变换相比，我们更喜欢小波变换，原因如下。傅里叶变换将信号表示为在时间上具有无限持续时间的正弦和余弦函数的和。而在小波变换中，信号被表示为基本函数的和，这些基本函数在时间上进行了局部化，使得信号的表示更加紧凑，也使人们能够更好地了解信号的性质。

在小波分析中，信号被表示为一组基函数，这些基函数是由一个称为母小波的原型函数派生出来的。基函数是通过平移和展开母小波形成的。

其中d(k,l)表示f(t)和k的离散小波变换，l表示整数。

六、方框图

该方框图显示了使用预处理技术增强自适应滤波器。首先从生物医学仪器上采集生物医学信号。然后它被发送到预处理块。这里利用小波变换进行预处理。然后仅将其发送到自适应滤波器以去除噪声。之后只用于信号的诊断。

7材料与方法

新成立的复杂生理信号研究资源是在美国国立卫生研究院国家研究资源中心的支持下创建的，旨在刺激心血管和其他复杂生物医学信号研究的当前研究和新调查。该资源有3个相互依赖的组件，例如PhysioBank、PhysioToolkit和PhysioNet。

PhysioBank是生物医学研究界使用的一个大型且不断增长的生理信号和相关数据的数字记录档案。它目前包括各种生物医学信号的数据库，这些信号来自健康受试者和患有各种重大公共卫生问题的患者，如充血性心力衰竭、睡眠呼吸暂停、神经障碍和衰老。PhysioNet数据档案(PhysioBank)目前包含超过10,000个带注释的、数字化的生理信号和时间序列记录，组织在50多个数据库中(记录集合)。所有这些软件都以源代码的形式提供，因此可以对其进行研究、验证，并在必要时进行修改，以满足个别研究人员的需要