Time-Varying Frequency and Statistical Analysis Methods for Biomedical Signals

学学校学校校编编编码码码：：： 10384 分类分分类类号号号 密密密级级级 学学学号号号：：： 23320141153235 UDC

硕

硕

硕 士

士

士 学

学

学 位

位

位 论

论

论 文

文

文

生

生

生物

物

物医

医

医学

学信

学

信

信号

号

号的

的

的时

时

时变

变频

变

频

频率

率

率与

与

与统

统

统计

计

计特

特

特性

性

性分

分

分析

析

析

研

研

研究

究

究

Time-Varying Frequency and Statistical Analysis

Methods for Biomedical Signals

陈

陈

陈品

品

品男

男

男

指

指

指导

导

导 教

教

教师

师

师 姓

姓

姓名

名

名: 吴

吴

吴云

云

云峰

峰

峰 副

副

副教

教

教授

授

授

专

专

专 业

业

业 名

名

名 称

称

称: 信

信

信号

号

号与

与

与信

信

信息

息

息处

处

处理

理

理

论

论

论文

文

文 提

提

提交

交

交 日

日

日期

期

期: 2017 年

年

年 4 月

月

月

论

论

论文

文

文 答

答

答辩

辩

辩 日

日

日期

期

期: 2017 年

年

年 4 月

月

月

学

学

学位

位

位 授

授

授予

予

予 日

日

日期

期

期: 2017 年

年

年

月

月

月

答

答

答辩

辩

辩委

委

委员

员

员会

会

会主

主

主席

席

席：

：

：

评

评

评

阅

阅

阅

人

人

人：

：

：

2017 年

年

年 4 月

月

月

厦门大学博硕士论文摘要库

CORE Metadata, citation and similar papers at core.ac.uk

厦

厦

厦门

门

门大

大

大学

学

学学

学

学位

位

位论

论文

论

文

文原

原

原创

创

创性

性

性声

声

声明

明

明

本人呈交的学位论文是本人在导师指导下,独立完成的研究成果。

本人在论文写作中参考其他个人或集体已经发表的研究成果，均在文

中以适当方式明确标明，并符合法律规范和《厦门大学研究生学术活

动规范（试行）》。

另 外，该 学 位 论 文 为（

）课 题（组）

的研究成果，获得（

）课题（组）经费或实验室的

资助，在（

）实验室完成。（请在以上括号内填写

课题或课题组负责人或实验室名称，未有此项声明内容的，可以不作

特别声明。）

声明人（签名）：

年

月

日

厦门大学博硕士论文摘要库

厦

厦

厦门

门

门大

大

大学

学

学学

学

学位

位

位论

论

论文

文

文著

著

著作

作

作权

权

权使

使

使用

用

用声

声

声明

明

明

本人同意厦门大学根据《中华人民共和国学位条例暂行实施办

法》等规定保留和使用此学位论文，并向主管部门或其指定机构送交

学位论文（包括纸质版和电子版）

，允许学位论文进入厦门大学图书馆

及其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博

士、硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘

要汇编出版，采用影印、缩印或者其它方式合理复制学位论文。

本学位论文属于：

(

) 1. 经厦门大学保密委员会审查核定的保密学位论文，

于

年

月

日解密，解密后适用上述授权。

(

) 2. 不保密，适用上述授权。

（请在以上相应括号内打“√” 或填上相应内容。保密学位论文应

是已经厦门大学保密委员会审定过的学位论文，未经厦门大学保密委

员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认为

公开学位论文，均适用上述授权。）

声明人（签名）：

年

月

日

厦门大学博硕士论文摘要库

生物医学信号的时变频率与统计特性分析研究

摘

摘

摘 要

要

要

生物医学信号由于其产生机理复杂，一般具有信号弱、噪声大、随机性强等 特点，所以处理起来十分困难。由此衍生出的算法也是具有多样性。本文回顾了 几种经典且常用处理生物医学信号的方法，其中涵盖了基于时域、频域以及时变 频率特性的分析方法。结合实际应用，重点介绍了时域分析中的带阻滤波器和自 相关函数；频域分析中的功率谱密度；时变频率特性分析中的短时傅里叶变换、 小波分析、Wigner-Ville分布、匹配追踪以及集成经验模态分解等。同时还提出了 一种新颖的分析信号方法――时变统计特性分析。 时变统计特性分析方法适用于 处理非平稳的生物医学信号，能够有效地获取信号局部的统计特征，帮助我们从 另一个维度重新认识信号，提取信号携带的有用信息。 在时变频率特性的分析研究中，我们结合经典的集成经验模态分解，基于先 验知识对其几个重要参数进行了优化。 并将此方法应用到小鼠脑电信号处理中， 解决了小鼠脑电信号几个重要波段的分解和有效成分的重建，研究重建成分与 呼吸信号的相关关系。 在本次实验中，局部场电位信号（Local Field Potential， LFP）的有效分解对于分析神经活动是非常必要的。 我们首先通过IIR陷波器消 除原始信号的电源频率干扰。 其次通过集成经验模态分解方法将LFP信号分解成 低频、Delta波段、Theta波段、Beta波段、Gamma波段、Ripple波段和高频分量。 接着基于先验知识重建Delta波段，并计算重建的Delta波和呼吸信号自相关函数， 然后分别通过傅里叶变换估计出两者相对应的功率谱密度。最后的分析结果表明 对于清醒状态下的小鼠，Delta波与呼吸信号的主瓣峰值位置具有一致性。同时也 验证了基于先验知识的集成经验模态分解方法的有效性。 在时变统计特性的分析研究中，我们建立了时变统计模型并结合几个传统统 计量计算了时变统计特征，并将其应用于几个典型的生物医学信号说明问题。时 变统计特性作为一个全新的分析方法，关注的是非平稳信号随时间变化的统计量， 从而提取有效的局部时变统计特征。在帕金森语音信号处理应用中，检测和评估 发音障碍对诊断帕金森疾病是十分必要的。我们首先通过时变统计的方法计算特 I

厦门大学博硕士论文摘要库

生物医学信号的时变频率与统计特性分析研究 征TSF。 其次研究原始的21个语音参数和特征TSF之间频率变化的线性相关性。 通过线性判别分析的方法来组合高度相关的声音参数。 接着基于通过Parzen窗 的方法估计出特征的概率密度函数，我们提出了一个类间概率风险（Inter-Class Probability Risk，ICPR）的方法。 该方法可作为特征选择的衡量标准，通过计 算ICPR，选择最小的ICPR值作为特征组合。最后应用三个分类器（广义逻辑斯 蒂回归、支持向量机和集成Bagging算法）对选择出的特征组合进行分类，进而将 得到的实验结果与MKLD的特征选择方法进行比较。实验结果表明这三种分类器 基于ICPR的分类结果都要好于基于MKLD的结果。 支持向量机对于判别正常的 语言信号比较有优势（特异性为0.8542）。基于ICPR分类结果中，Bagging集成算 法的准确度最高90.77%（灵敏度为0.9796，受试者曲线下的面积为0.9558）。 分类 结果表明特征选择和模式分类算法对于检测和测量病态声音信号的有效性。 关键词： 生物医学信号；信号处理；集成经验模态分解；时变统计分析；特征选 择；模式分类 II

厦门大学博硕士论文摘要库

生物医学信号的时变频率与统计特性分析研究

Abstract

Biomedical signals generated by complex mechanisms are commonly with weak amplitude, strong noise and randomness. This thesis reviews several conventional signal processing methods. For time domain analysis, the filters, autocorrelation functions and power spectral density are described. A number of time-frequency analysis methods are also included, such as short-time Fourier transform, wavelet analysis, Wigner-Ville distribution, matching pursuit, and ensemble empirical mode decomposition. In addition, we propose a novel time-varying statistical analysis method for non-stationary biomedical signal processing, which can effectively com-pute the local signal statistical characteristics for further pattern analysis.

For the time-varying frequency analysis, our major contribution is to combine the ensemble empirical mode decomposition (EEMD) method with appropriate pa-rameter settings with the prior knowledge, for processing the local field potential (LFP) signals of mice. Decomposition of LFP signals with different oscillatory rhythm is useful for analysis of various neuronal activities in mice. In the present work, we first removed the power-line interference with high signal fidelity by using a notch filter with infinite impulse response. Next, we applied the EEMD method to separate the LFP signal into low-frequency, Delta, Theta, Beta, Gamma, Rip-ple, and high-frequency oscillations. Then, normalized autocorrelation functions of the resting respiratory signal and the reconstructed Delta oscillations were com-puted to estimate the corresponding power spectral densities by using the Fourier transform. The results of LFP signal decomposition and oscillatory rhythm re-construction demonstrated the effectiveness of the EEMD analysis method. The coherence analysis results indicated that the primary periodicity peak of the Delta LFP component is definitely linked to that of resting respiration in an awake mouse. For the time-varying statistical analysis, we established the time-varying

sta-III

生物医学信号的时变频率与统计特性分析研究

tistical model and calculated several time-varying statistical characteristics for com-mon biomedical signals. In the voice signal processing applications, detection and assessment of dysphonia is useful for the diagnosis of Parkinson’s disease. In this thesis, we first computed the feature TSF by using time statistical snalysis. Then, we study the linear correlations between 22 voice parameters of fundamental frequency variability, amplitude variations, and nonlinear measures. The highly-correlated vocal parameters are combined by using the linear discriminant analysis method. Based on the probability density functions estimated by the Parzen-window tech-nique, we propose an inter-class probability risk (ICPR) method to select the vocal parameters with small ICPR values as dominant features, and compare with the modified Kullback-Leibler divergence (MKLD) feature selection approach. The ex-perimental results show that the generalized logistic regression analysis (GLRA), support vector machine (SVM), and Bagging ensemble algorithm input with the ICPR features can provide better classification results than the same classifiers with the MKLD selected features. The SVM is much better at distinguishing normal vo-cal patterns with a specificity of 0.8542. Among the three classification methods, the Bagging ensemble algorithm with ICPR features can identify 90.77% vocal pat-terns, with the highest sensitivity of 0.9796, and largest area value of 0.9558 under the receiver operating characteristic curve. The classification results demonstrate the effectiveness of our feature selection and pattern analysis methods for dysphonic voice detection and measurement.

Keywords: Biomedical Signal; Signal Processing; Ensemble Empirical Mode De-composition; Time Statistical Analysis; Feature Selection; Pattern Classification

IV

生物医学信号的时变频率与统计特性分析研究

目

目

目 录

录

录

第一章 绪论

...1

1.1 引言

...1 1.1.1 生物医学信号的分类...1 1.1.2 生物医学信号的主要特点...2 1.1.3 生物医学信号处理的流程步骤...3 1.1.4 生物医学信号的经典处理方法...4

1.2 研究意义

...5

1.3 本文的工作和组织框架

...6

第二章 时变频率特性的分析研究

...7

2.1 时变频率分析方法概述

...7 2.1.1 短时傅里叶变换...7 2.1.2 小波分析...9 2.1.3 Wigner-Ville 分布...11 2.1.4 匹配追踪...11

2.2 基于先验知识的时变频率分析

...14 2.2.1 集成经验模态分解...14 2.2.2 基于先验知识的参数优化...16

2.3 小鼠脑电信号的时变频率特性处理实验

...17 2.3.1 研究背景...17 2.3.2 信号描述...18 2.3.3 算法建模...19 2.3.4 实验方法...20 2.3.5 实验结果及其分析...29 V

厦门大学博硕士论文摘要库

生物医学信号的时变频率与统计特性分析研究

2.4 本章小结

...35

第三章 时变统计特性的分析研究

...37

3.1 研究背景

...37 3.1.1 概率分布估计...39

3.2 时变统计特性分析方法

...43 3.2.1 时变统计模型...43 3.2.2 时变统计特征计算...43

3.3 帕金森语音信号的时变统计特性处理和分类应用

...49 3.3.1 研究背景...49 3.3.2 信号描述...50 3.3.3 算法建模...51 3.3.4 实验方法...52 3.3.5 实验结果及其分析...63

3.4 本章小结

...66

第四章 总结与展望

...69

参考文献

...71

致谢

...81

硕士期间发表的学术论文及获奖情况

...83 VI

厦门大学博硕士论文摘要库

生物医学信号的时变频率与统计特性分析研究

Contents

Chapter 1 Introduction

...1

1.1 Background

...1

1.1.1 Biomedical Signal Classifications...1

1.1.2 Characteristics of Biomedical Signals...2

1.1.3 Biomedical Signals Processing Steps...3

1.1.4 Classical Methods of Biomedical Signals Processing...4

1.2 Research Significance

...5

1.3 Main Work and Structure of Thesis

...6

Chapter 2 Analysis of Time-Varying Frequency

...7

2.1 Methodological Overview of Time-Varying Frequency

...7

2.1.1 Short-time Fourier Transform...7

2.1.2 Wavelet Analysis...9

2.1.3 Wigner-Ville Distribution...11

2.1.4 Matching Pursuit...11

2.2 Prior Knowledge-Based Time-Frequency Analysis

...14

2.2.1 Ensemble Empirical Mode Decomposition...14

2.2.2 Prior Knowledge-Based Optimization of Parameters for EEMD...16

2.3 Time-Frequency Method for LFP Signal Analysis

...17

2.3.1 Research Background...17

2.3.2 Signal Description...18

2.3.3 Signal Modeling Procedures...19

2.3.4 Experimental Methods...20

2.3.5 Experimental Result Analysis...29 VII

生物医学信号的时变频率与统计特性分析研究

2.4 Chapter Summary

...35

Chapter 3

Time-Varying Statistical Analysis

...37

3.1 Research Background

...37

3.1.1 Probability Distribution Estimation...39

3.2 Time-Varying Statistical Analysis Methods

...43

3.2.1 Time-Varying Statistical Methods...43

3.2.2 Time-Varying Statistical Feature Computing...43

3.3 Voice Signal Time-Varying Statistical Analysis

...49

3.3.1 Research Background...49

3.3.2 Signal Description...50

3.3.3 Statistical Signal Modeling Steps...51

3.3.4 Experimental Methods...52

3.3.5 Result Analysis and Discussions...63

3.4 Chapter Summary

...66

Chapter 4 Summary

...69

References

...71

Acknowledgments

...81

Publications and Awards

...83

VIII

第一章 绪 论

第

第

第一

一

一章

章

章

绪

绪

绪 论

论

论

1.1

引

引

引言

言

言

从通用意义上讲，生物医学信号是指由于身体各器官或系统的运动所产生的 物理信息。每种生理医学信号携带一个或者多个生理或病理信息。生物医学信号 处理对于临床诊断和科学研究都具有非常重要的应用价值 [1, 2]。 1.1.1 生生生物物物医医医学学学信信信号号号的的的分分分类类类 由于系统结构具有复杂性，获得的生理医学信号各不相同，从大范围角度考 虑可分为以下两类： 1、电生理信号 电生理信号一般是指体内细胞膜内外的电位差（mV）产生的。其中常见的包 括心电图（Electrocardiogram，ECG）、 脑电图（Electroencephakogram，EEG） 和 肌 电 图（Electromyogram，EMG），其 他 还 包 括 胃 电 图（Eletrogastrogram， EGG）、 眼电图（Electro-oculogram，EOG）和眼视网膜图（Electroretinogram， ERG）等等。 诸如此类信号是不需要外界刺激，自发产生的，所以称为”主动 信号”。 相反，像事件相关电位信号（Event-related Potential，LFP）、 诱发电位 （Evoked Potential，EP）等是需要利用外界的光或声音对受试者进行刺激产生的 电信号，所以被称为”被动信号”。除此之外，电生理信号还包括神经元的动作电 位（Action Potential，AP），像局部场电位（Local Field Potential，LFP）的记 录方式是通过向神经组织内插入电极，这是人类研究大脑计划重要的信息获取技 术之一。 2、非电生理信号 非电生理信号一般指的是通过对应的传感器可转变成电信号的原始信号。非 电生理信号又可分为:(1)光学传感，如光透射性(血氧饱和度等)；(2)机械传感，如 压力(血压、消化道内压和气压等)、振动(心音、脉搏、颈动脉搏动、心冲击等)； 1

厦门大学博硕士论文摘要库

生物医学信号的时变频率与统计特性分析研究 (3)热学传感，如体温、呼吸等。 除此之外，非电生理信号还包括一些生理特征信 号，比如人脸、指纹、步态信号以及虹膜等等。这些生理特征信号广泛应用于生 物识别领域，对于身份验证、安全权限有重要的应用价值。 1.1.2 生生生物物物医医医学学学信信信号号号的的的主主主要要要特特特点点点 生物医学信号的涵盖范围很广，但一般都具有以下几个显著特点： 1、信号弱 如果在采集阶段没有使用放大器，直接检测到的电信号幅值都比较小。比如 体表心电信号最大只有5Mv，从母体获取到的胎儿心电信号只有10-50µV ，自发 的脑电信号约为5-150µV ，而脑干听觉诱发响应的信号幅值更小，一般小于1 µV 。 所以在生物医学信号采集的过程一般都需要高性能的放大器。 2、噪声大 由于电生理信号的采集过程伴随着外界干扰、 电源频率受试者肢体动作变 化、精神紧张等一些不可控的因素存在，所以记录到的电信号常常有较大的噪声 干扰。比如采集胎儿心电信号时常被较强的母亲心电信号所干扰；诱发脑电信号 常伴随着较强的自发脑电信号；由于电极移动所产生的基线漂移等等。这些噪声 都给信号的采集、处理、检测带来了困难。所以在处理生物医学信号时，一般都 需要采用一系列有效的去噪方法。 3、随机性强 生物医学信号一般都是随机信号，不同于确定信号可用具体的数学表达式描 述。例如语音和脑电信号都是非平稳的随机信号。在实际处理过程中，一般通过 分段平稳或者自适应的方法处理信号。 4、频率范围低 由已有的频谱分析可知，除了声音信号频谱范围较高，其他生理信号的频 谱一般都比较低。 例如脑电的频率范围在1-30Hz之间，心电的频率范围在0.01-35Hz之间。 所以在实际处理信号时，应充分考虑生物医学信号的采样率和频率响 应特性。 2

厦门大学博硕士论文摘要库

Degree papers are in the “Xiamen University Electronic Theses and Dissertations Database”. Full texts are available in the following ways:

1. If your library is a CALIS member libraries, please log on http://etd.calis.edu.cn/ and submit requests online, or consult the interlibrary loan department in your library.

2. For users of non-CALIS member libraries, please mail to [email protected] for delivery details.