希尔伯特—黄变换在脉象信号分析中的应用

论文摘要

脉象信号,是人体最重要的生理信号之一,包括频率、节律、充盈度、通畅的情况、动势的和缓、波动的幅度等。脉象的形成,与脏腑气血关系密切。故不同的脉象可反映出脏腑气血的生理及病理变化。因此,可以采用现代信号处理的方法对健康正常人和海洛因吸毒者的脉象信号进行分析,进而找出反映两者显著差异的特征。本文将一种新型的、适用于非线性与非平稳数据处理的方法─希尔伯特-黄变换（Hilbert-Huang Transform, HHT）引入到脉象信号处理当中,阐述了HHT的思想及其实现方法。通过HHT方法提取了健康正常人和海洛因吸毒者脉象信号的不同特征参数。特征提取是本论文的重点。本文提取了两类信号的3类特征。第一类是通过对Hilbert能量谱的统计分析,发现两类信号的谱能比存在差异,可以以此作为特征参数;第二类是对1例健康正常人和1例海洛因吸毒者的脉象信号经过EMD分解得到的IMF分量比较分析发现,最后一个IMF分量的幅值存在差异,以此作为一个特征参数;第三类是对两者的Hilbert边际谱分析,发现在35Hz频率区间内,吸毒者脉象信号存在明显的尖峰,占脉象信号的总能量比例较大。可以提取出此频率区间能量与总能量的能量比作为一个特征参数。在提取特征后,采用两种方法对这些特征参数进行了综合分析:方法一,选取35Hz频率区间内的能量比和0-5Hz频率区间内的谱能比这两个特征参数构成一个二维特征向量,对两类信号识别,总的识别成功率达到90%,得到了较满意的识别效果。方法二,选取最后一个IMF分量的幅值与35Hz区间内的能量比这两个特征参数构成一个二维特征向量,对两类信号分类识别,总的识别成功率达到90%,同样能得到了较满意的识别效果。本文的最后,在对脉象信号进行特征提取的基础上,对15例健康正常人和15例海洛因吸毒者脉象信号提取的特征向量利用支持向量机网络进行了模式识别。经过实验证明,不论采用方法一还是方法二中的特征向量对两类脉象信号进行分类,都能达到很好的分类效果。因此表明HHT分析方法是脉象信号目标特征提取的有效方法。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题研究的意义
• 1.2 HHT 国内外研究现状
• 1.3 脉象信号分析方法综述
• 1.3.1 时域分析法
• 1.3.2 频域分析法
• 1.3.3 时频联合分析法
• 1.4 脉象信号识别方法综述
• 1.5 本论文的主要研究工作
• 2 希尔伯特-黄变换的理论
• 2.1 瞬时频率
• 2.2 固有模态函数
• 2.3 经验模态分解法
• 2.4 完备性与正交性
• 2.5 EMD 进一步讨论
• 2.5.1 端点延拓
• 2.5.2 终止条件的判定
• 2.6 希尔伯特频谱
• 2.7 小结
• 3 脉象信号的分析和特征提取
• 3.1 脉搏信号
• 3.1.1 脉图的基本结构
• 3.1.2 吸毒者脉象信号的特点和分析信号的意义
• 3.2 脉象信号的采集与预处理
• 3.3 两例典型脉象信号分析
• 3.3.1 健康正常人脉象信息
• 3.3.2 海洛因吸毒者脉象信息
• 3.3.3 脉象信号的频谱分析
• 3.4 脉象信号的特征提取及分析
• 3.4.1 谱能比
• 3.4.2 第二种能量比
• 3.4.3 综合分析一
• 3.4.4 综合分析二
• 3.5 特征提取流程
• 3.6 本章小结
• 4 基于支持向量机的脉象信号识别
• 4.1 支持向量机原理简介
• 4.1.1 结构风险最小化
• 4.1.2 最优分类面
• 4.1.3 惩罚系数和松弛因子
• 4.1.4 核函数
• 4.2 对脉象信号的特征向量进行SVM 分类识别
• 4.2.1 实验一
• 4.2.2 实验二
• 4.3 本章小结
• 5 结论与展望
• 致谢
• 参考文献
• 附录
• 作者在攻读硕士学位期间发表论文的目录