應用經驗模式分解去除近紅外光的運動偽跡

魏穎雯,閆相國

(西安交通大學生物醫學信息工程教育部重點實驗室, 710049, 西安)

應用經驗模式分解去除近紅外光的運動偽跡

魏穎雯,閆相國

(西安交通大學生物醫學信息工程教育部重點實驗室, 710049, 西安)

針對近紅外光譜(NIRS)技術對運動十分敏感和運動偽跡會嚴重影響后續分析處理結果這一問題,提出了一種利用經驗模式分解去除運動偽跡的方法(EMD-MAR)。首先計算NIRS信號的移動標準偏差,根據其概率分布特性自動選取閾值和確定運動偽跡范圍,然后利用經驗模式分解(EMD)將信號分解成多個固有模式,對在運動偽跡范圍具有明顯異常的固有模式置0來消除運動偽跡,最后將處理后的固有模式加和得到校正后的信號。仿真與實測結果表明,EMD-MAR方法可有效檢測和消除NIRS測量中常見的基線漂移、瞬時脈沖以及短暫低頻振蕩3種運動偽跡,并且極大提高了運動偽跡的自動檢測程度,利用經驗模式分解可以在去除運動偽跡的同時有效保留NIRS信號中的生理信息,為NIRS信號預處理提供了一種有效手段。

運動偽跡;近紅外光譜;經驗模式分解

近紅外光譜(NIRS)技術可以無損地探測腦組織中含氧血紅蛋白和脫氧血紅蛋白濃度的變化量,是一種測量大腦局部血液動力學信息以及新陳代謝狀況的有效手段[1]。與其他的腦功能測量設備如正電子發射型計算機斷層成像(PET)和磁共振成像(MRI)等相比,NIRS具有舒適安全、操作簡單、成本低廉等突出優點,使之成為連續監測大腦血液動力學狀況的絕佳手段[2-4]。近年來,NIRS技術在新生兒腦氧監測、手術過程監測、危重病人監測以及睡眠呼吸暫停監測等醫學領域[5-7]得到了廣泛應用。

NIRS測量對皮膚和探頭的接觸情況較為敏感,因此容易引入一些運動偽跡(MA)影響測量信號的質量,并最終影響后續分析處理結果的可靠性[8]。如何有效檢測和去除NIRS中包含的運動偽跡,是NIRS應用研究中關注的重要內容。現有的NIRS運動偽跡檢測方法主要有兩種:一是基于近紅外數據的檢測方法;另一種是基于附加信號(如加速度傳感器信號)的檢測技術[9]。前者比較有代表性的是運動偽跡消除(MARA)算法[10],它通過計算近紅外信號的移動標準差(MSD),根據預先設定的閾值來檢測運動偽跡;后者需要在采集NIRS數據時同步采集一路加速度傳感器信號,利用加速度傳感器信號反映頭部的運動信息,以此為基礎判別NIRS信號是否含有干擾。但是,這兩類運動偽跡檢測方法一般都需要人工設定閾值,為實際應用帶來很大困難。此外,對含有運動偽跡的NIRS信號進行校正時,MARA算法要求運動偽跡的變化幅度遠大于NIRS信號本身,持續時間也要遠長于NIRS信號的一個周期,對劇烈波動的尖峰處理效果并不理想;而基于附加信號的自適應濾波方法又完全依賴于外加信號的質量,校正結果極不可靠。

本文研究檢測和去除NIRS中運動偽跡的有效方法,以MSD為基礎,根據NIRS信號的概率分布特點,研究檢測運動偽跡的自動閾值選取方法,然后利用運動偽跡檢測結果并結合經驗模式分解(EMD)技術,消除NIRS信號中的運動偽跡。

1 基于EMD的運動偽跡去除方法

本文提出的基于EMD的運動偽跡去除方法(EMD-MAR)包括以下5個步驟:①計算NIRS信號的MSD值;②自動選取閾值標記運動偽跡的存在區域;③對NIRS信號進行經驗模式分解;④在EMD分解所產生的不同固有模式(IMF)中進行偽跡消除;⑤信號重構。

1.1 計算MSD

采用MARA算法中的運動偽跡探測方法,計算NIRS信號的MSD值s(t)[10]。其定義為

s(t)=

(1)

式中:t=k+1,k+2,…,N-k,其中N為NIRS信號x(t)的長度。每一時刻納入計算的信號長度為2k+1,稱之為滑動窗口寬度W,W=2k+1。

1.2 自動標記運動偽跡區域

NIRS測量得到的血液動力學信號具有緩慢變化的特征,NIRS信號中包含運動偽跡時,其s(t)遠大于正常信號的s(t)。對計算所得的s(t)做頻數分布直方圖,s(t)較大的區域出現頻數極低,見圖1a。因此,可以根據信號本身的概率分布特性確定閾值的大小,以此來辨別信號是否含有運動偽跡。

(a)s(t)的概率分布直方圖

(b)s(t)的概率分布箱圖

為了自動計算檢測運動偽跡的MSD閾值T,對s(t)進一步做箱圖分析,如圖1b所示。圖1b中矩形中間的橫線表示s(t)的中位數,矩形上、下兩條邊分別表示s(t)的上四分位和下四分位,其余兩條較短的橫線表示的是上、下邊界,上、下邊界以外的部分為整個概率分布的離群值,如圖中上邊界外的點狀重疊部分。因為含運動偽跡信號的MSD是整體數據的離群值,那么箱圖中的上邊界就可以作為區分正常信號和運動偽跡的閾值T。NIRS信號中MSD大于閾值T的部分為運動偽跡存在區域,小于T的為正常信號。將第i處運動偽跡的開始和結束位置分別標記為ma-start(i)和ma-end(i)。

1.3 經驗模式分解

經驗模式分解可以根據信號自身的時間尺度特征將信號分解成有限多個固有模式IMF,且不需要設立基函數,這是由信號本身驅動的一種自適應分析方法[11]。EMD可以將信號x(t)分解為

(2)

式中:cj是分解所得的第j個IMF;r是減去全部IMF后所得的殘差項。

對含有運動偽跡的NIRS信號進行經驗模式分解,所得固有模式分別為IMF1,IMF2,…,IMFn(n為EMD所得固有模式個數),和殘差項r。NIRS信號是一種包含有呼吸、脈搏以及神經血管耦合相關的低頻震蕩等多種生理信息的多組分信號。EMD可將NIRS信號分解成與這些生理信息相關的成分,具有很好的生理學意義。圖2所示為對實際采集的NIRS信號的分解結果,對各個固有模式進行頻譜分析可得,IMF1和IMF2主要集中在1 Hz左右,表征脈搏效應;IMF3處于低頻段0.2 Hz左右,表征呼吸效應;IMF4和IMF5表征0.1 Hz及以下的神經血管耦合相關的低頻震蕩;其余固有模式和殘差為測量系統噪聲和其他測量干擾的變化趨勢。圖2中虛線所示區域為標記所得的含運動偽跡的數據段。

1.4 運動偽跡的消除

由經驗模式分解后,運動偽跡會以不同的強度分布于一些固有模式中,波形不規則且變化劇烈。觀察EMD分解所得的各固有模式中運動偽跡區域(圖2中所示的虛線區域)是否存在明顯的異常波動,若存在則將此固有模式中對應區域的值置0,其余位置保持不變;若不存在,則該固有模式保持不變。

(a)時域 (b)頻域

以圖2為例,固有模式IMF3、IMF4和IMF5中的虛線標記區域存在變化劇烈的異常波動,因此將IMF3、IMF4、IMF5虛線區域對應的數值置0,虛線區域以外的值保持不變,其余固有模式受運動偽跡影響不大,不作改變。經偽跡消除以后的各固有模式分別記為IMF1’,IMF2’,…,IMFn’。EMD-MAR方法將信號細化后去除運動偽跡,最大限度地保證了生理信息的完整性。

1.5 信號重構

信號重構過程是把具有明確生理意義的固有模式IMF1’,IMF2’,…,IMFn’相加,舍棄測量系統噪聲和其他測量干擾成分,重新建立起不含各種運動偽跡的真實信號。

2 結果及分析

我們用仿真信號和實際測量的NIRS信號對EMD-MAR方法進行分析研究。

2.1 NIRS信號仿真

NIRS信號含有多種生理信息,通過用4個正弦波信號外加高斯白噪聲來模擬真實的NIRS信號xNIRS[10]

(3)

式中:ω=2πf;μ為正弦波的幅值;γ為高斯白噪聲σ(t)的幅值。根據真實NIRS信號的統計平均值選擇各信號成分的參數值[12-14],分別為:①超高頻振蕩,f=1 Hz,μ=0.6,γ=0.01,代表脈動效應;②高頻振蕩,f=0.25 Hz,μ=0.2,γ=0.01,代表呼吸效應;③低頻振蕩,f=0.1 Hz,μ=0.9,γ=0.01;④超低頻振蕩,f=0.04 Hz,μ=1,γ=0.05。第3和第4路信號共同表征神經血管耦合相關的周期性低頻振蕩。對以上4路信號合成的波形進行歸一化處理,并平移至[-1,1]區間。仿真所產生的NIRS信號采樣頻率為10 Hz,取6 000點即10 min的信號對運動偽跡去除效果進行驗證。

定義3種與xNIRS信號長度相同的信號xMA1(t)、xMA2(t)和xMA3(t)分別模擬實際NIRS信號中出現的典型運動偽跡:基線漂移(MA1)、瞬時脈沖(MA2)以及短暫的低頻振蕩(MA3)。在模擬xNIRS信號上分別疊加不同類型的運動偽跡生成對應的仿真NIRS信號,如圖3所示。

(a)仿真NIRS信號 (b)局部放大圖

(c)3種運動偽跡信號 (d)運動偽跡信號與仿真信號疊加

2.2 運動偽跡檢測

分別計算含有3種運動偽跡NIRS信號的移動標準差s(t)。根據數據的概率分布特性,采用箱圖的上邊界值作為閾值來界定信號含有運動偽跡的區域。窗口寬度和閾值分別如下:①W=151,T=0.050 7;②W=51,T=0.086;③W=401,T=0.033 8。運動偽跡探測結果如圖4所示,其中閾值以上為含運動偽跡信號,閾值以下為正常信號,豎直的虛線表示運動偽跡的開始和結束位置。由圖4可得,本文所述的自動閾值選取方法可以準確探測出NIRS信號中所存在的各類運動偽跡。

(a)基線漂移的s(t)及探測結果

(b)瞬時脈沖的s(t)及探測結果

(c)低頻振蕩的s(t)及探測結果

2.3 經驗模式分解消除運動偽跡

對仿真產生的含3種運動偽跡的NIRS信號進行經驗模式分解,消除個別固有模式中運動偽跡區域所存在的異常波動。

運動偽跡去除前后的對比如圖5所示,xNIRS,MA1、xNIRS,MA2、xNIRS,MA3為含運動偽跡的NIRS信號,yNIRS,MA1、yNIRS,MA2、yNIRS,MA3為運動偽跡去除校正后的信號。可以看出,無論是基線漂移、劇烈尖峰還是緩慢波動,本文所述方法均可以使之得到很好的校正,并且最大限度的保留有用的生理信號。

圖5 3種仿真信號和經運動偽跡去除后的信號對比

2.4 仿真結果評價

為了評價去除運動偽跡后的信號質量,用信噪比n、均方根誤差m和皮爾森相關系數r比較運動偽跡去除前后的信號與原始信號的相近程度,分別定義如下

(4)

(5)

(6)

式中

x(t)與y(t)越接近,均方根誤差就越小,信噪比和皮爾森相關系數越大,其中r為區間[-1,1]中的數值,其絕對值越大表明信號的相關性越好。當信號x(t)和自身作對比時,n=∞,m=0,r=1。用以上參數對我們提出的EMD-MAR方法與文獻[10]的MARA方法進行對比評價,結果如表1所示。其中,原始信號為xNIRS,含運動偽跡信號為xNIRS,MA1、xNIRS,MA2、xNIRS,MA3,MARA校正以后的信號為yMARA,MA1、yMARA,MA2、yMARA,MA3,EMD-MAR校正后的信號為yEMD,MA1、yEMD,MA2、yEMD,MA3。由表1可得,與MARA算法相比,EMD-MAR去除上述3種運動偽跡的效果更為突出,尤其是對于瞬時脈沖,經校正后,數據信噪比和皮爾森相關系數顯著增加,均方誤差明顯減小,信號質量大幅提高。

表1 運動偽跡消除算法的客觀評價指標對比

2.5 實際NIRS信號校正結果

用實際采集的NIRS信號對EMD-MAR方法進行驗證。本文使用連續光強度測量系統(CW)對受試者進行腦氧信號的提取。系統含有一個雙波長LED光源,兩個距光源位置為2 cm和3 cm的探測器,分別用來探測大腦淺層和深層信息。在測量時,將探頭置于受試者前額,LED光源分時發出735 nm和850 nm波長的光,利用修正朗伯-比爾定理確定含氧血紅蛋白和去氧血紅蛋白的濃度變化量Δc(HbO2)、Δc(Hb),單位為μmol/L,采樣率為10 Hz。

在實際的NIRS信號中各種運動偽跡通常不是單一出現的,相較于模擬仿真的運動情況更為復雜。圖6所示為近端探測器所采集的含氧血紅蛋白濃度的變化量ΔcHbO2和兩種方法的校正結果,圖中虛線區域為MSD自動閾值選取所探測出的含運動偽跡信號段。用MARA方法和本文EMD-MAR方法對同一段含運動偽跡信號進行去噪,結果顯示相對于MARA算法,EMD-MAR方法對短暫的劇烈波動的尖峰有更好的去除效果,同時信號的基線漂移情況也得到有效消除。圖7所示為另一時刻采集的近端ΔcHbO2信號,采用EMD-MAR方法同時校正其中所含有的多種運動偽跡,波形圖顯示信號恢復良好,且局部圖形并沒有發生明顯變形。

圖6 EMD-MAR和MARA方法校正結果對比

(a)校正結果

(b)局部波形

3 討論與結論

本文提出了一種基于經驗模式分解的近紅外信號運動偽跡去除方法。此方法利用信號的MSD概率分布特性,自動選取閾值和檢測含運動偽跡的數據段。與文獻[10]的MARA方法相比,EMD-MAR方法極大地提高了運動偽跡的自動檢測程度。對NIRS信號進行經驗模式分解往往可得到具有明確生理意義的固有模式分量,通過對表現出明顯異常的固有模式分量進行處理,可以在去除運動偽跡的同時有效保留NIRS信號中的生理信息,為后續處理打下了堅實基礎。EMD-MAR方法同時也摒棄了MARA方法中要求運動偽跡的變化幅度、持續時間遠大于NIRS信號的假設,即使是2～3 s的劇烈波動也具有很好的去除效果。對于NIRS信號發生基線漂移的情況,大部分已有算法都需要先進行運動偽跡消除再進行信號的拼接,算法復雜而且計算量大。EMD-MAR方法可以在去除運動偽跡的過程中同步消除基線漂移,在數據量較大的情況下具有明顯優勢。本文用模擬仿真和真實采集到的NIRS信號對運動偽跡的探測以及消除方法進行了驗證和評價,結果證明EMD-MAR方法可有效檢測和消除NIRS信號中存在的運動偽跡,在極大地改善了信號質量的同時又不影響到信號本身的特性,最大可能地保留了信號中的生理信息。EMD-MAR方法還存在一定的缺陷,有待進一步完善。首先,本文雖然解決了MSD方法中閾值T的自動選取,然而窗口寬度W還需要根據不同的運動偽跡多次嘗試以作調整;其次,運動偽跡去除過程中經驗模式分解所得的各固有模式中是否含有運動偽跡需要人工觀察以作判定。因此,如何自動選取窗口大小,以及如何自動判別含運動偽跡的固有模式是我們下一步工作的方向。

[1] WALL P. Non-invasive optical spectroscopy and imaging of human brain function [J]. Trends Neurosci, 1997, 20(10): 324-325.

[2] OLOPADE CO, MENSAH E, GUPTA R, et al. A noninvasive determination of brain tissue oxygenation during sleep in obstructive sleep apnea: a near-infrared spectroscopic approach [J]. Sleep, 2007, 30(12): 1747-1755.

[3] IZZETOGLU K, BUNCE S, ONARAL B, et al. Functional optical brain imaging using near-infrared during cognitive tasks [J]. International Journal of Human-Computer Interaction, 2004, 17(2): 211-227.

[4] IZZETOGLU M, IZZETOGLU K, BUNCE S, et al. Functional near-infrared neuroimaging [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2005, 13(2): 153-159.

[5] WOLF M, VON SIEBENTHAL K, KEEL M, et al. Tissue oxygen saturation measured by near infrared spectrophotometry correlates with arterial oxygen saturation during induced oxygenation changes in neonates [J]. Physiol Meas, 2000, 21(4): 481-491

[6] DAUBENEY P E F, SMITH D C, PILLINGTON S N, et al. Cerebral oxygenation during paediatric cardiac surgery: identification of vulnerable periods using near infrared spectroscopy [J]. European Journal of Cardio-Thoracic Surgery, 1998, 13(4): 370-377

[7] KIRHPATRICK P J, SMIELEWSLI P, CZOSNYKA M, et al. Near-infrared spectroscopy use in patients with head injury [J]. Journal of Neurosurgery, 1995, 83(6): 963-970.

[8] 趙一博, 韓妙飛, 閆相國. 幾種漫射光學成像圖像重建算法的比較研究 [J]. 西安交通大學學報, 2012, 46(4): 106-111. ZHAO Yibo, HAN Miaofei, YAN Xiangguo. Comparative research on several kinds of reconstruction algorithms for diffuse optical tomography [J]. Journal of Xi’an Jiaotong University, 2012, 46(4): 106-111.

[9] VIRTANEN J, NOPONEN T, KOTILAHTI K, et al. Accelerometer-based method for correcting signal baseline changes caused by motion artifacts in medical near-infrared spectroscopy [J]. Journal of Biomed Optics, 2011, 16(8): 087005.

[10]SCHLKMANN F, SPICHTIG S, MUEHLEMANN T, et al. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation [J]. Physiol Meas, 2010, 31(5): 649-662.

[11]HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [J]. Proceedings of the Royal Society of London: Series A Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995.

[12]ELWELL C, SPRINGETT R, HILLMAN E, et al. Oscillations in cerebral haemodynamics [J]. Advances in Experimental Medicine and Biology, 1999, 471: 57-65.

[13]OBRIG H, NEUFANG M, WENZEL R, et al. Spontaneous low frequency oscillations of cerebral haemodynamics and metabolism in human adults [J]. Neuroimage, 2000, 12(6): 623-639.

[14]MULLER T, TIMMER J, REINHARD M, et al. Detection of very low-frequency oscillations of cerebral haemodynamics is influenced by data detrending [J]. Medical and Biological Engineering and Computing, 2003, 41(1): 69-74.

[本刊相關文獻鏈接]

趙敏,鄭崇勛,趙春臨,等.利用Fisher判別式和事件相關電位的心理意識真實性識別.2010,44(8):132.[doi:10.7652/xjtuxb201008026]

趙敏,鄭崇勛,趙春臨.利用小波分解和支持向量機的心理意識真實性識別研究.2010,44(4):119-124.[doi:10.7652/xjtuxb201004025]

高軍峰,鄭崇勛,王沛.基于獨立成分分析和流形學習的眼電偽差去除.2010,44(2):113-118.[doi:10.7652/xjtuxb2010 02023]

裴曉梅,鄭崇,徐進.基于信息積累技術的大腦運動意識任務分類.2008,42(6):756-759.[doi:10.7652/xjtuxb200806023]

王晶,徐光華,張慶.經驗模態分解和Kolmogorov測度的癲癇預測算法.2007,41(11):1364-1367.[doi:10.7652/xjtuxb 200711026]

于曉琳,張建保,王玨.基于功率譜分析的頭皮電位和心率變異性關系研究.2007,41(8):991-994.[doi:10.7652/xjtuxb 200708025]

(編輯 杜秀杰)

MotionArtifactRemovalforNearInfraredSpectroscopybyEmpiricalModeDecomposition

WEI Yingwen,YAN Xiangguo

(MOE Key Laboratory of Biomedical Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

Near infrared spectroscopy (NIRS) is very sensitive to the movement of a body. The motion artifacts (MA) coupled to the optical measurement seriously affect the subsequent analysis results. Aiming at this problem, a method by empirical mode decomposition (EMD) to remove the motion artifacts (EMD-MAR) is presented. The moving standard deviation (MSD) of a NIRS signal is evaluated. From the characteristics of the probability distribution of the MSD, the thresholds of MA detection are determined and the ranges of the MAs are detected automatically. Then EMD is adopted to decompose the signal into intrinsic mode functions (IMF). The values of the IMFs with obvious abnormal patterns within the detected range are set to zero to eliminate the MAs. All the IMFs treated are employed to reconstruct the corrected signal. The EMD-MAR is validated with simulated and real NIRS signals. The results show that it can effectively detect and eliminate the three kinds of MAs:baseline drift, transient impulse and transient oscillation, and a significant reduction of MAs and an increase in signal quality are achieved. The EMD-MAR method greatly improves the degree of automatic detection of motion artifacts to effectively keep the physiological information in a NIRS signal while the MAs are removed by the empirical mode decomposition.

movement artifacts; near-infrared spectroscopy; empirical mode decomposition

2013-08-21。 作者簡介:魏穎雯(1989—),女,碩士生; 閆相國(通信作者),男,教授。 基金項目:國家“863計劃”資助重大項目(2012AA02A604); 陜西省自然科學基礎研究資助項目(2011JM4049)。

時間:2013-12-24 網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20131224.0939.002.html

10.7652/xjtuxb201402022

R318.51

:A

:0253-987X(2014)02-0131-06