Article Info

[摘要]为了快速准确定位脑电图在较多种类干扰下的故障特征，本文提出一种基于Hilbert-Huang时频谱特征提取的脑电图机干扰故障检测方法。运用信号采集技术进行脑电图机的诊断数据采集并进行信号拟合，采用二阶自适应IIR陷波器进行脑电图机采集信号的干扰滤波提纯处理，对提纯输出的信号进行时频分析，通过经验模态分解将复杂的脑电图机故障分析信号分解成若干个固有模态函数，对每个固有模态分量作Hilbert-Huang变换，实现Hilbert-Huang时频谱特征提取，以提取的特征量作为训练样本，实现脑电图机中的干扰故障检测。仿真结果表明，采用该方法进行脑电图机中的干扰故障检测的准确性较好，抗干扰能力较强，具有较好的故障诊断能力。

[关键词]脑电图机；干扰故障；检测；特征提取；时频分析

引言

脑电图机在脑部CT检测和核磁共振检测中存在较为严重的干扰故障，主要是脑电图机在进行脑电图扫描和成像过程中，由于电磁波等干扰信号的影响，导致容易出现干扰故障，而且脑电图机结构复杂且工作要求的精密度较高，工况负荷较大，干扰故障的发生率较高，需要进行故障检测，提高脑电图机的故障分析和诊断能力，保障脑电图输出的准确性[1]。相关学者针对这一问题也提出了较多方法。常见的干扰故障检测方法主要有主成分特征检测方法、时频特征检测方法、神经网络分类检测方法[2-3]，这些方法主要以信号异常特征为基础，实现故障分类检测，取得了一定的研究成果，但是也都存在较为严重的问题。Eldemerdash等[4]提出一种基于统计特征分析的故障信号处理的故障快速定位技术，采用统计特征分析方法提取故障工况的多变量时间序列，结合自相关特征映射方法实现故障特征提取，实现干扰故障检测，检测的准确性较好，但该方法进行故障检测抗多元耦合性不好，抗干扰能力不强；Mahboubi H等[5]提出一种基于故障关联特征聚类分析的故障智能诊断方法，采用传感器信号采集技术进行脑电图机的工况数据采集，实现故障信号重构和故障特征信息分类，在专家系统中实现故障检测识别，但该方法进行故障检测的准确率不高，对干扰故障的准确判断能力不好[6-10]。

针对上述问题，本文提出一种基于Hilbert-Huang时频谱特征提取的脑电图机中的干扰故障检测方法。最后采用Bio-logic品牌的NetlinkTraveler型脑电图机进行实际的干扰故障检测研究，得出有效性结论，展示了本文检测方法的优越性。

1 脑电图机故障信号干扰过滤

为了实现对脑电图机干扰故障的分析，采用统计特征分析方法提取脑电图机故障工况的多变量时间序列，提取脑电图机系统的单变量和多变量时间序列[11-13]，采用远程在线检测方法进行干扰故障信号的统计特征重建，进行脑电图机的诊断数据采集并进行信号拟合：

设脑电图机的干扰故障工况监测多变量时间序列为{x1,x2,…,xN}，通过统计信号分析，得到脑电图机的干扰故障的信号拟合结果为

式中，i=1,2…,k，表示脑电图机故障特征的频域统计参量，K为干扰故障特征空间重构的嵌入维数，K=N-(m-1)τ，N代表干扰故障信号维数，m表示有限的干扰故障数。

假设脑电图机在干扰故障工况下的非线性平稳信号的拟合模型为：

这里，a(t)和θ(t)分别是脑电图机在故障工况下的非平稳信号的幅值和相位，a(t)和θ(t)都是故障干扰信号的特征分解形式。

根据上述分析得知，采集的脑电图机故障信号为一组非线性的宽平稳信号，以固有模态信号为基本时域信号，得到脑电图机故障信号的时域分量表示为：

其中，f为基频分量，把脑电图机故障信号的时域和频域分量结合在一起，以瞬时频率为表征信号交变的基本量，进行故障信号的能量分布谱图（Hilbert谱）特征提取，为故障检测提供特征参量输入基础。

2 脑电图机故障检测算法的设计与改进

2.1 二阶自适应IIR滤波的设计

对采集的脑电图机干扰故障信号采用二阶自适应IIR陷波器进行干扰滤波提纯处理[14]，陷波器结构，见图1。

图1 陷波器结构图

其中，θ1(k)表示陷波器传输函数的幅度，它的选择条件为：使滤波器输出信号的能量最小，即使脑电图机输出干扰故障信号的幅度响应y(k)y*(k)最小，这里“*”代表复共轭，由此得到故障信号滤波的迭代公式：

其中μ是可以控制收敛速度和精度的参数，称为陷波器的迭代步长；φ(k)是输出提纯后的故障信号y(k)对参数θ1(k)的差分，被称为梯度信号，通过自适应FIR滤波，得到故障干扰关联信号u(k)经过以下传输函数后产生的固有模态特征分量：

通过对故障信号中的干扰滤波，提高输出故障信号的信噪比，从而提高脑电图机干扰故障检测中准确性。

2.2 Hilbert-Huang时频谱特征的抗干扰提取

在采用二阶自适应IIR陷波器进行脑电图机采集信号的干扰滤波提纯处理的基础上，进行脑电图机的干扰故障检测优化设计，本文提出一种基于Hilbert-Huang时频谱特征提取的脑电图机中的干扰故障检测方法，基于信号的局部特征尺度分解方法，将脑电图机的故障信号分解为若干个固有模态分量[15-16]，所得ci(t)可视为单分量信号，将原脑电图机的故障信号x(t)表示为：

对每个固有模态分量作Hilbert-Huang变换，得到的故障特征反映了幅值、时间和频率之间的关系，提取的Hilbert-Huang时频谱为时间t和瞬时频率ω的函数，表示为H(ω,t)，即：

H(ω,t)对时间积分，得到脑电图机的故障干扰信号的Hilbert-Huang边际谱：

上述求得Hilbert-Huang时频谱特征表达了每个频率在全局上的幅度(或能量)，代表了在统计意义上的全部累加幅度，h(ω)则反映了脑电图机的故障干扰信号的幅值在整个频率段上随频率的变化情况。

以提取的特征量作为训练样本进行自适应学习，设脑电图机干扰故障统计信息的训练样本集为

X=[X1,X2,…,Xk,…,XN]T，其中任一暂态信号的训练样本的希尔伯特-黄变换特征分量表示为为

Xk=[xk,Xk2,…,Xkm,…,XkN]，得到脑电图机故障统计信息的频率值表达为：

此时，依据脑电图机故障信号本身的信息对信号进行分解，得到一系列包含了从高到低不同频率成分，表示为：

对于某一端包含有n个故障特征的脑电图机故障干扰信号，设定中心频率，去掉后面若干个低频固有模态分量后，进行干扰故障的低频分量重构[17-18]，得到输出功率谱密度为：

其中W为矩形波脉冲细节系数，a为调节系数，取值范围为0≤a≤1，Ts为阈值，Hilbert-Huang时频谱特征提取输出Hx(t)和脑电图机相应的干扰故障分量的实际正交项Qx(t)之间存在如下偏差：

其中，Sx(ω)为实际正交项Qx(t)的傅氏谱，计算非平稳故障信号总体的误差边界，得到故障检测的期望输出为:

其中，ci(n)代表着第i阶的固有模态分量，通过上述分析，以提取的Hilbert-Huang时频谱作为训练特征集，实现脑电图机的干扰故障检测。

3 仿真实验与结果分析

为了测试本文方法在实现脑电图机中干扰故障检测中的应用性能，进行仿真实验，实验中检测的脑电图机为Bio-logic牌的Netlink Traveler脑电图机，该脑电图机作为一款新型的数字化脑电分析系统，通过分析患者的动态脑电图进行病理诊断。采用本文设计的故障检测方法对该型脑电图机进行故障检测，脑电图机的干扰故障信号为含有噪声的单频信号，表示为x(t)=cos(2πf0t)，其中故障信号的初始采样频率f0=1 kHz，采样时长T=0.1 s，故障特征的采样点数为1000点，脑电图机的调频波采样率fs=10×f0Hz=10 kHz，干扰噪声为高斯白噪声，基频为100 Hz，调频频率为10 Hz的调频波，脑电图机干扰故障信号的调制波上变频为110 Hz，下变频为90 Hz，根据上述仿真环境和参量设定，进行脑电图机的干扰故障信号采集，并对故障分析信号分解成若干个固有模态函数，得到故障信号的固有模态分量，见图2。

图2 脑电图机故障信号的固有模态分量

分析图2结果得知，采用本文方法对脑电图机的故障信号进行固有模态分解，能有效分解出4个故障频点的频率分量，可以把相对复杂的故障信号分成相对简单的信号。可以完成对单个故障信号的分解工作。在完成分解后，故障点分布的频率估计结果，见图3。

图3 干扰故障的频率分量估计结果

分析图3结果得知，在200个采样点数有一个250 Hz的频率分量，这个分量表示故障特征，图中的3个频率成分分别表示干扰故障信号的200 Hz和20 Hz的频率成分和基频为100 Hz的频率成分，可以看出本文方法可以很好的对故障信号进特征提取。以此为基础进行Hilbert-Huang时频谱特征提取，提取结果，见图4。

图4 采集故障原始信号分析

上文为采集的带有故障特征的原始信号，对上文信号进行干扰过滤后，可以得到包含故障特征的重构信号，结果见图5。

图5 去干扰后的重构信号与原始信号对比

通过图5可以看出，在去除干扰后，本文方法得到的故障重构信号与原始信号能够较为合理的分离，可以对带有更多特征的重构信号进行识别，以保障识别的准确性，另外还要考虑信号的突变问题，突变重构结果，见图6。

图 6信号突变下的重构信号与原始信号分析

通过图6可以看出，本文方法得到的突变故障重构信号与原始信号能够较为合理的分离，效果较好。

在上述采集结果的基础上，实现干扰故障检测，得到不同类别故障的检测结果输出，见图7。

图7 故障检测结果

分析图7得知，采用本文方法进行故障检测，能准确实现对不同故障的分频处理，实现故障分类识别，提高故障诊断能力。

为了对比性能，采用不同方法进行故障检测，得到检测准确性对比结果，见表1，分析得知，本文方法进行NetlinkTraveler型的脑电图机故障检测的准确性高，抗干扰能力较强，具有更好的检测性能。

表1 准确检测概率对比

4 结论

本文研究了NetlinkTraveler型脑电图机的故障检测和诊断优化方法，提出一种基于Hilbert-Huang时频谱特征提取的脑电图机中的干扰故障检测方法，得到如下实验结果：① 本文设计的滤波器可以较好的克服干扰，并且能够区分信号突变，重构效果较好，实现信号分离；② 可以对干扰故障信号进行频率分析，可以较好的区分不同频率故障；③ 对故障信号的识别效果较好，可以准确区分故障信号；④ 与传统的识别方法对比，提升了识别的准确度。但是，本文方法在冗余干扰下的问题较为严重，是需要进一步解决的问题。

[1] 林秋红,谭璐璐.慢性脑供血不足患者脑电图及经颅多普勒超声检测结果准确性分析[J].中外医学研究,2016,14(4):62-63.

[2] 杨静,李向东,崔骊.数字心电图机的质量检测方法分析[J].中国医学装备,2015,32(9):56-59.

[3] 陈煜.浅议医院脑电图机干扰的检查与排除[J].医学信息,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] 杨俊,周丙寅,张毅,等.基于递归图分析的压缩机故障诊断方法研究[J].计算机与数字工程,2013,41(6):984-986.

[7] 杨姣姣,郭倩,李文杰,等.基于脑电主成分分析和k-最近邻的多动症儿童与正常儿童分类研究[J].生物医学工程学杂志,2016,37(2):232-238.

[8] 张世彬,吴国材.浅谈脑电图检查质量及抗干扰问题[J].医药卫生:文摘版,2016,28(6):102.

[9] 侯晓旭,李佳戈,任海萍.数字脑电图机检测技术探讨[J].中国医疗设备,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] 李咏雪,高慧,孙志辉,等.心、脑电图机检定装置建立过程中的测量不确定度的评定[J].医疗卫生装备,2015,36(6):140-141.

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

Abstract: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.

Key words:electroencephalograph; interference fault; detection; feature extraction; time-frequency analysis