[发明专利]基于ELZ编码算法的生物信号的量化等级表示方法

说明书

技术领域

本发明涉及信号处理领域，具体涉及应用在生物信号领域中基于粗粒化过程的LZ复杂度变形算法。

背景技术

LZ复杂度是一种表征时间序列里出现新模式速率的方法，是以粗粒化过程为基础的，是用来评估有限序列的随机性的一种途径，其变形也是通过变化的粗粒化过程产生的。LZ复杂度及其变形已经广泛应用于生物信号的复杂度的分析中。至今，已经有很多LZ复杂度变形的算法，但是能准确又清楚的算法并不多。它们不仅不能很好的反映出原始信号的细节，而且不能区分出原始信号的随机性和混沌特性。每个LZ复杂度变形的算法的规则不同，因此信号处理后结果也不同。

计算LZ复杂度先将信号进行粗粒化过程。粗粒化过程是信号x必须被转化成一些符号序列R，必须为简化计算而运行。此过程之后，符号序列的LZ复杂度的计数器c(n)被描述为：

⑴使S和Q分别表示两个字符串，SQ是S和Q的串联，SQπ字符串在他最后一个字符被删除时来自于SQ(π表示在字符串中最后一个字符被删除的操作)，让v(SQπ)表示SQπ所有不同子字符串的词汇。最初，c(n)＝1,S＝s₁,Q＝s₂,所以v(SQπ)＝s1.

⑵总之，S＝s₁s₂,…,s_r,Q＝s_r+1,所以SQπ＝s₁s₂,…,s；如果Q属于v(SQπ)，那么s_r+1，也就是Q是SQπ的子串，S并没有改变，并且更新Q为s_r+1s_r+2，然后判断Q是否属于v(SQπ)，重复这个过程一直到Q不属于v(SQπ)。

⑶现在，Q＝s_r+1s_r+2,…,s_r+i不是SQπ＝s₁s₂,…,s_rs_r+1,…,s_r+i-1,的子串。所以c(n)加1.

⑷然后，S被更新为S＝s₁s₂,…,s_r+i,这时Q＝s_r+i+1

这个过程一直重复到Q是最后的字符。此时c(n)是包含在R内的不同子串的数量。最后c(n)归一化为

n是信号x的长度，α是包含序列R在内的可能信号的数目，c(n)是归一化的LZ复杂度表示包含新序列在内的上升的比率。

LZ复杂度是以粗粒化过程为基础，而粗粒化过程是将信号转换成一个含有少量带有符号的序列。继粗粒化过程之后，使用公式将符号序列的复杂度算出。目前比较常用的LZ复杂度算法有CLZ复杂度(classical Lempel-Ziv complexity，经典复杂度)算法和MLZ复杂度(multistate Lempel-Ziv complexity，多态复杂度)算法。但是使用CLZ算法的复杂度会丢失原始信号一部分的有效信息，MLZ算法在信号有高振幅的幅值或者不期望的噪声的情况之下会将信号中这些不必要的信息量化，得不到精确的量化等级。

CLZ复杂度是通过与阈值比较将信号转换为二值符号序列。即当信号值比阈值大时，信号被置为1，否则为0。阈值的选择是信号的平均值或者是中值。

MLZ复杂度将x信号转换成一个0，1，2，...，y-1的S序列，y是一个大于3的整数。信号的上下界l_i和l_s是确定的，y+1阈值是上界l_i和下界l_s的距离。U是y+1阈值，n是信号的长度，S序列的y状态满足公式如下：

CLZ复杂度算法中粗粒化过程经常造成过度粗粒化，一些原始信号的有用信息在此过程中丢失，甚至从根本上改变其动态特征。MLZ复杂度算法不仅可以量化原始信号复杂度还能反映时间序列的幅度变化，但实际上因为信号中一些多余的信息是没必要被量化的(比如一些噪声干扰)，因此量化的等级不会变的更好。这两种方法只是反映出序列的随机性，不能区分序列的随机性和非线性混沌特征，所以这两个算法并不能准确分析时间序列的复杂度。对于实际信号的数据突变，CLZ算法对该现象的不能及时反映，即算法的灵敏度低。使用现有复杂度算法处理信号无法准确的检测出心律不齐，因此有必要设计一个保留原始信号重要信息并且灵敏度高的LZ复杂度算法。