基于腦電圖機中的干擾故障檢測方法研究

閆小如，劉軍

連云港市第一人民醫(yī)院 臨床醫(yī)學(xué)工程部，江蘇 連云港 222000

基于腦電圖機中的干擾故障檢測方法研究

閆小如，劉軍

連云港市第一人民醫(yī)院 臨床醫(yī)學(xué)工程部，江蘇 連云港 222000

為了快速準(zhǔn)確定位腦電圖在較多種類干擾下的故障特征，本文提出一種基于Hilbert-Huang時頻譜特征提取的腦電圖機干擾故障檢測方法。運用信號采集技術(shù)進行腦電圖機的診斷數(shù)據(jù)采集并進行信號擬合，采用二階自適應(yīng)IIR陷波器進行腦電圖機采集信號的干擾濾波提純處理，對提純輸出的信號進行時頻分析，通過經(jīng)驗?zāi)B(tài)分解將復(fù)雜的腦電圖機故障分析信號分解成若干個固有模態(tài)函數(shù)，對每個固有模態(tài)分量作Hilbert-Huang變換，實現(xiàn)Hilbert-Huang時頻譜特征提取，以提取的特征量作為訓(xùn)練樣本，實現(xiàn)腦電圖機中的干擾故障檢測。仿真結(jié)果表明，采用該方法進行腦電圖機中的干擾故障檢測的準(zhǔn)確性較好，抗干擾能力較強，具有較好的故障診斷能力。

腦電圖機；干擾故障；檢測；特征提取；時頻分析

引言

腦電圖機在腦部CT檢測和核磁共振檢測中存在較為嚴(yán)重的干擾故障，主要是腦電圖機在進行腦電圖掃描和成像過程中，由于電磁波等干擾信號的影響，導(dǎo)致容易出現(xiàn)干擾故障，而且腦電圖機結(jié)構(gòu)復(fù)雜且工作要求的精密度較高，工況負(fù)荷較大，干擾故障的發(fā)生率較高，需要進行故障檢測，提高腦電圖機的故障分析和診斷能力，保障腦電圖輸出的準(zhǔn)確性[1]。相關(guān)學(xué)者針對這一問題也提出了較多方法。常見的干擾故障檢測方法主要有主成分特征檢測方法、時頻特征檢測方法、神經(jīng)網(wǎng)絡(luò)分類檢測方法[2-3]，這些方法主要以信號異常特征為基礎(chǔ)，實現(xiàn)故障分類檢測，取得了一定的研究成果，但是也都存在較為嚴(yán)重的問題。Eldemerdash等[4]提出一種基于統(tǒng)計特征分析的故障信號處理的故障快速定位技術(shù)，采用統(tǒng)計特征分析方法提取故障工況的多變量時間序列，結(jié)合自相關(guān)特征映射方法實現(xiàn)故障特征提取，實現(xiàn)干擾故障檢測，檢測的準(zhǔn)確性較好，但該方法進行故障檢測抗多元耦合性不好，抗干擾能力不強；Mahboubi H等[5]提出一種基于故障關(guān)聯(lián)特征聚類分析的故障智能診斷方法，采用傳感器信號采集技術(shù)進行腦電圖機的工況數(shù)據(jù)采集，實現(xiàn)故障信號重構(gòu)和故障特征信息分類，在專家系統(tǒng)中實現(xiàn)故障檢測識別，但該方法進行故障檢測的準(zhǔn)確率不高，對干擾故障的準(zhǔn)確判斷能力不好[6-10]。

針對上述問題，本文提出一種基于Hilbert-Huang時頻譜特征提取的腦電圖機中的干擾故障檢測方法。最后采用Bio-logic品牌的NetlinkTraveler型腦電圖機進行實際的干擾故障檢測研究，得出有效性結(jié)論，展示了本文檢測方法的優(yōu)越性。

1 腦電圖機故障信號干擾過濾

為了實現(xiàn)對腦電圖機干擾故障的分析，采用統(tǒng)計特征分析方法提取腦電圖機故障工況的多變量時間序列，提取腦電圖機系統(tǒng)的單變量和多變量時間序列[11-13]，采用遠(yuǎn)程在線檢測方法進行干擾故障信號的統(tǒng)計特征重建，進行腦電圖機的診斷數(shù)據(jù)采集并進行信號擬合：

設(shè)腦電圖機的干擾故障工況監(jiān)測多變量時間序列為{x1,x2,…,xN}，通過統(tǒng)計信號分析，得到腦電圖機的干擾故障的信號擬合結(jié)果為

式中，i=1,2…,k，表示腦電圖機故障特征的頻域統(tǒng)計參量，K為干擾故障特征空間重構(gòu)的嵌入維數(shù)，K=N-(m-1)τ，N代表干擾故障信號維數(shù)，m表示有限的干擾故障數(shù)。

假設(shè)腦電圖機在干擾故障工況下的非線性平穩(wěn)信號的擬合模型為：

其中

這里，a(t)和θ(t)分別是腦電圖機在故障工況下的非平穩(wěn)信號的幅值和相位，a(t)和θ(t)都是故障干擾信號的特征分解形式。

根據(jù)上述分析得知，采集的腦電圖機故障信號為一組非線性的寬平穩(wěn)信號，以固有模態(tài)信號為基本時域信號，得到腦電圖機故障信號的時域分量表示為：

其中，f為基頻分量，把腦電圖機故障信號的時域和頻域分量結(jié)合在一起，以瞬時頻率為表征信號交變的基本量，進行故障信號的能量分布譜圖（Hilbert譜）特征提取，為故障檢測提供特征參量輸入基礎(chǔ)。

2 腦電圖機故障檢測算法的設(shè)計與改進

2.1 二階自適應(yīng)IIR濾波的設(shè)計

對采集的腦電圖機干擾故障信號采用二階自適應(yīng)IIR陷波器進行干擾濾波提純處理[14]，陷波器結(jié)構(gòu)，見圖1。

圖1 陷波器結(jié)構(gòu)圖

其中，θ1(k)表示陷波器傳輸函數(shù)的幅度，它的選擇條件為：使濾波器輸出信號的能量最小，即使腦電圖機輸出干擾故障信號的幅度響應(yīng)y(k)y*(k)最小，這里“*”代表復(fù)共軛，由此得到故障信號濾波的迭代公式：

其中μ是可以控制收斂速度和精度的參數(shù)，稱為陷波器的迭代步長；φ(k)是輸出提純后的故障信號y(k)對參數(shù)θ1(k)的差分，被稱為梯度信號，通過自適應(yīng)FIR濾波，得到故障干擾關(guān)聯(lián)信號u(k)經(jīng)過以下傳輸函數(shù)后產(chǎn)生的固有模態(tài)特征分量：

其中：

通過對故障信號中的干擾濾波，提高輸出故障信號的信噪比，從而提高腦電圖機干擾故障檢測中準(zhǔn)確性。

2.2 Hilbert-Huang時頻譜特征的抗干擾提取

在采用二階自適應(yīng)IIR陷波器進行腦電圖機采集信號的干擾濾波提純處理的基礎(chǔ)上，進行腦電圖機的干擾故障檢測優(yōu)化設(shè)計，本文提出一種基于Hilbert-Huang時頻譜特征提取的腦電圖機中的干擾故障檢測方法，基于信號的局部特征尺度分解方法，將腦電圖機的故障信號分解為若干個固有模態(tài)分量[15-16]，所得ci(t)可視為單分量信號，將原腦電圖機的故障信號x(t)表示為：

對每個固有模態(tài)分量作Hilbert-Huang變換，得到的故障特征反映了幅值、時間和頻率之間的關(guān)系，提取的Hilbert-Huang時頻譜為時間t和瞬時頻率ω的函數(shù)，表示為H(ω,t)，即 ：

H(ω,t)對時間積分，得到腦電圖機的故障干擾信號的Hilbert-Huang邊際譜：

上述求得Hilbert-Huang時頻譜特征表達(dá)了每個頻率在全局上的幅度(或能量)，代表了在統(tǒng)計意義上的全部累加幅度，h(ω)則反映了腦電圖機的故障干擾信號的幅值在整個頻率段上隨頻率的變化情況。

以提取的特征量作為訓(xùn)練樣本進行自適應(yīng)學(xué)習(xí)，設(shè)腦電圖機干擾故障統(tǒng)計信息的訓(xùn)練樣本集為

X=[X1,X2,…,Xk,…,XN]T，其中任一暫態(tài)信號的訓(xùn)練樣本的希爾伯特-黃變換特征分量表示為為

Xk=[xk,Xk2,…,Xkm,…,XkN]，得到腦電圖機故障統(tǒng)計信息的頻率值表達(dá)為：

此時，依據(jù)腦電圖機故障信號本身的信息對信號進行分解，得到一系列包含了從高到低不同頻率成分，表示為：

對于某一端包含有n個故障特征的腦電圖機故障干擾信號，設(shè)定中心頻率，去掉后面若干個低頻固有模態(tài)分量后，進行干擾故障的低頻分量重構(gòu)[17-18]，得到輸出功率譜密度為：

使用軟閾值函數(shù)進行故障類別判斷，軟閾值為：

其中W為矩形波脈沖細(xì)節(jié)系數(shù)，a為調(diào)節(jié)系數(shù)，取值范圍為0≤a≤1，Ts為閾值，Hilbert-Huang時頻譜特征提取輸出Hx(t)和腦電圖機相應(yīng)的干擾故障分量的實際正交項Qx(t)之間存在如下偏差：

其中，Sx(ω)為實際正交項Qx(t)的傅氏譜，計算非平穩(wěn)故障信號總體的誤差邊界，得到故障檢測的期望輸出為:

其中，ci(n)代表著第i階的固有模態(tài)分量，通過上述分析，以提取的Hilbert-Huang時頻譜作為訓(xùn)練特征集，實現(xiàn)腦電圖機的干擾故障檢測。

3 仿真實驗與結(jié)果分析

為了測試本文方法在實現(xiàn)腦電圖機中干擾故障檢測中的應(yīng)用性能，進行仿真實驗，實驗中檢測的腦電圖機為Bio-logic牌的Netlink Traveler腦電圖機，該腦電圖機作為一款新型的數(shù)字化腦電分析系統(tǒng)，通過分析患者的動態(tài)腦電圖進行病理診斷。采用本文設(shè)計的故障檢測方法對該型腦電圖機進行故障檢測，腦電圖機的干擾故障信號為含有噪聲的單頻信號，表示為x(t)=cos(2πf0t)，其中故障信號的初始采樣頻率f0=1 kHz，采樣時長T=0.1 s，故障特征的采樣點數(shù)為1000點，腦電圖機的調(diào)頻波采樣率fs=10×f0Hz=10 kHz，干擾噪聲為高斯白噪聲，基頻為100 Hz，調(diào)頻頻率為10 Hz的調(diào)頻波，腦電圖機干擾故障信號的調(diào)制波上變頻為110 Hz，下變頻為90 Hz，根據(jù)上述仿真環(huán)境和參量設(shè)定，進行腦電圖機的干擾故障信號采集，并對故障分析信號分解成若干個固有模態(tài)函數(shù)，得到故障信號的固有模態(tài)分量，見圖2。

圖2 腦電圖機故障信號的固有模態(tài)分量

分析圖2結(jié)果得知，采用本文方法對腦電圖機的故障信號進行固有模態(tài)分解，能有效分解出4個故障頻點的頻率分量，可以把相對復(fù)雜的故障信號分成相對簡單的信號。可以完成對單個故障信號的分解工作。在完成分解后，故障點分布的頻率估計結(jié)果，見圖3。

圖3 干擾故障的頻率分量估計結(jié)果

分析圖3結(jié)果得知，在200個采樣點數(shù)有一個250 Hz的頻率分量，這個分量表示故障特征，圖中的3個頻率成分分別表示干擾故障信號的200 Hz和20 Hz的頻率成分和基頻為100 Hz的頻率成分，可以看出本文方法可以很好的對故障信號進特征提取。以此為基礎(chǔ)進行Hilbert-Huang時頻譜特征提取，提取結(jié)果，見圖4。

圖4 采集故障原始信號分析

上文為采集的帶有故障特征的原始信號，對上文信號進行干擾過濾后，可以得到包含故障特征的重構(gòu)信號，結(jié)果見圖5。

圖5 去干擾后的重構(gòu)信號與原始信號對比

通過圖5可以看出，在去除干擾后，本文方法得到的故障重構(gòu)信號與原始信號能夠較為合理的分離，可以對帶有更多特征的重構(gòu)信號進行識別，以保障識別的準(zhǔn)確性，另外還要考慮信號的突變問題，突變重構(gòu)結(jié)果，見圖6。

圖 6信號突變下的重構(gòu)信號與原始信號分析

通過圖6可以看出，本文方法得到的突變故障重構(gòu)信號與原始信號能夠較為合理的分離，效果較好。

在上述采集結(jié)果的基礎(chǔ)上，實現(xiàn)干擾故障檢測，得到不同類別故障的檢測結(jié)果輸出，見圖7。

圖7 故障檢測結(jié)果

分析圖7得知，采用本文方法進行故障檢測，能準(zhǔn)確實現(xiàn)對不同故障的分頻處理，實現(xiàn)故障分類識別，提高故障診斷能力。

為了對比性能，采用不同方法進行故障檢測，得到檢測準(zhǔn)確性對比結(jié)果，見表1，分析得知，本文方法進行NetlinkTraveler型的腦電圖機故障檢測的準(zhǔn)確性高，抗干擾能力較強，具有更好的檢測性能。

表1 準(zhǔn)確檢測概率對比

4 結(jié)論

本文研究了NetlinkTraveler型腦電圖機的故障檢測和診斷優(yōu)化方法，提出一種基于Hilbert-Huang時頻譜特征提取的腦電圖機中的干擾故障檢測方法，得到如下實驗結(jié)果：① 本文設(shè)計的濾波器可以較好的克服干擾，并且能夠區(qū)分信號突變，重構(gòu)效果較好，實現(xiàn)信號分離；② 可以對干擾故障信號進行頻率分析，可以較好的區(qū)分不同頻率故障；③ 對故障信號的識別效果較好，可以準(zhǔn)確區(qū)分故障信號；④ 與傳統(tǒng)的識別方法對比，提升了識別的準(zhǔn)確度。但是，本文方法在冗余干擾下的問題較為嚴(yán)重，是需要進一步解決的問題。

[1] 林秋紅,譚璐璐.慢性腦供血不足患者腦電圖及經(jīng)顱多普勒超聲檢測結(jié)果準(zhǔn)確性分析[J].中外醫(yī)學(xué)研究,2016,14(4):62-63.

[2] 楊靜,李向東,崔驪.數(shù)字心電圖機的質(zhì)量檢測方法分析[J].中國醫(yī)學(xué)裝備,2015,32(9):56-59.

[3] 陳煜.淺議醫(yī)院腦電圖機干擾的檢查與排除[J].醫(yī)學(xué)信息,2015,28(13):224.

[4] Eldemerdash YA,Dobre OA,Liao BJ.Blind identification of SM and alamouti STBC-OFDM signals[J].IEEE Trans Wirel Commun,2016,14(2):972-982.

[5] Mahboubi H,Moezzi K,Aghdam AG,et al.Distributed deployment algorithms for improved coverage in mobile sensor networks[A].Control Applications (CCA), 2011 IEEE International Conference on[C].New York:IEEE,2011:1244-1249.

[6] 楊俊,周丙寅,張毅,等.基于遞歸圖分析的壓縮機故障診斷方法研究[J].計算機與數(shù)字工程,2013,41(6):984-986.

[7] 楊姣姣,郭倩,李文杰,等.基于腦電主成分分析和k-最近鄰的多動癥兒童與正常兒童分類研究[J].生物醫(yī)學(xué)工程學(xué)雜志,2016,37(2):232-238.

[8] 張世彬,吳國材.淺談腦電圖檢查質(zhì)量及抗干擾問題[J].醫(yī)藥衛(wèi)生:文摘版,2016,28(6):102.

[9] 侯曉旭,李佳戈,任海萍.數(shù)字腦電圖機檢測技術(shù)探討[J].中國醫(yī)療設(shè)備,2015,30(11):32-34.

[10] Thiagarajan JJ,Ramamurthy KN,Spanias A.Learning stable multilevel dictionaries for sparse representations[J].IEEE Trans,2015,26(9):1913-1926.

[11] Williams WJ,Jeong J.New time-frequency distributions:Theory and applications[A].Circuits and Systems, 1989[C].New York:IEEE,1989:1243-1247.

[12] Choi HI,Williams WJ.Improved time-frequency representation of multi-component signals using exponential kernels[J].IEEE Trans,1989,37:862-871.

[13] Auger F,Flandrin P.Improving the readability of time-frequency and time-scale representations by the reassignment method[J].IEEE Trans,1995,43:1068-1089.

[14] Zhang Y,Sheng HP,Hu GB.Study on Compressor Fault Diagnosis Based on Space Reconstruction and K-L Transform[J].Compr Tech,2011.

[15] Hosseini-Toudeshky H,Mofakhami MR,Hosseini Hashemi S.Sound transmission into a thick hollow cylinder with the fixed-end boundary condition[J].Appl Mathem Mod,2009,33(3):1656-1673.

[16] 李詠雪,高慧,孫志輝,等.心、腦電圖機檢定裝置建立過程中的測量不確定度的評定[J].醫(yī)療衛(wèi)生裝備,2015,36(6):140-141.

Research on Interference Fault Detection Method Based on Electroencephalograph

YAN Xiaoru, LIU Jun
Department of Clinical Medical Engineering, The First People’s Hospital of Lianyungang, Lianyungang Jiangsu 222000, China

To locate the malfunction characteristics of the electroencephalogram (EEG) quickly and accurately under many kinds of interference, the present study proposed an EEG detection method based on the spectrum feature of hilbert-huang. The signal collection technology was used for the diagnosis of EEG machine data acquisition and signal fitting.The second-order adaptive IIR trapper collection was applied to perform the EEG signal interference filter purification processing, and the time-frequency analysis was carried out on the purification of the output signal. EEG machine fault signal was decomposed into several intrinsic mode functions through the empirical mode decomposition analysis, and each intrinsic mode components was conducted a Hilbert Huang transform to realize the Hilbert Huang-spectrum feature extraction. The interference of EEG machine fault detection was finally realized by using the extracted characteristic as the training sample. The results of simulation showed that using this method to interfere with the accuracy of the fault detection of EEG machine was good, which had a strong anti-jamming capability and good ability of fault diagnosis.

electroencephalograph; interference fault; detection; feature extraction; time-frequency analysis

TH165.3

A

10.3969/j.issn.1674-1633.2017.12.012

1674-1633(2017)12-0052-05

2017-06-19

2017-07-17

作者郵箱：mrhj75@163.com

本文編輯 袁雋玲