生物医学信号的参数建模及功率谱分析.doc

《生物医学信号处理》实习报告

学生姓名：

学号：

实验室名称：

工程名称：生物医学信号的参数建模及功率谱分析

工程内容：

编写函数求解Y-W方程，运用函数x=filter(b,a,w)学习随机信号的建模；

与Matlab的函数进行比拟，检验正确性：

[aE]＝aryule(x,p)；L-D算法——用不同的阶数进行比拟。

[aE]=arburg(x,p)；burg算法——用不同的阶数进行比拟。

根据提供的RR间期数据建立AR模型，阶数大于10不等；

运用两种方法计算这两组RR间期数据的功率谱、LF/HF；

原理〔写出具体的计算公式〕

AR参数模型

参数模型谱估计作为现代功率谱估计的重要研究方向，主要包括AR模型、MA模型和ARMA模型。因AR模型参数的精确估计可通过解一组线性方程得到，计算工程量较小，最为常用。

参数模型法的建模思路：

假定所研究的过程x(n)是由一个输入序列u(n)鼓励一个线性系统H(z)的输出；

有的x(n),或其自相关函数来估计H(z)的参数；

由H(z)的参数来估计x(n)的功率谱。

其中：

1.1AR参数建模

x(n)、u(n)间的关系可表述为下式的差分方程形式：

(1)

另外，(2)

式、(2)式两边z变换，并假定，得：

(3)

其中：

为保证H(z)为稳定且最小相位的系统，的零点均在单位圆内。

假定u(n)为方差为的白噪声序列，由随机信号通过线性系统的理论可知，输出序列x(n)的功率谱：

〔4〕

(1)式中，当全为0，那么(1)式、(3)式、(4)式分别变为：

〔5〕

〔6〕

此三式给出的模型即为AR模型。AR模型是一个全极点模型，其当前输出时现在输入与过去p个输入的加权和。

1.2AR模型的构建

将1.1中(5)式两边同乘以x(n+m),并求均值，得：

〔7〕

因u(n)为白噪声，由(2)式，得：

〔8〕

如果是因果序列，即时，，那么上式(8)可简化为：

〔9〕

根据变换定义，，因此，综合(8)式、(9)式，有：

所以式还可以继续简化为：

〔10〕

基于自相关函数的偶对称性()。上式可写成矩阵形式：

〔11〕

该式即为模型的方程。

综上分析，一个p阶的AR模型共p+1个参数，即，仅需知道x(n)前p+1个自相关函数，由(9)、(10)、(11)式的线性方程即可求得这p+1个参数，将他们带入功率谱方程中，即可求出x(n)的功率谱。

1.3AR模型阶数的选择

阶次p未知，先选定稍大的值，在递推过程中确定。例如在使用Levinson递推时，给出由低阶到高阶的每一组参数，且模型的最小预测误差功率递减。当到达所指定的希望值，或不再发生变化时，此时的阶数即最正确的阶次。

最终预测误差准那么：

信息论准那么：

当FPE(k)和AIC(k)在某一k处取得极小值，此时k即为最适宜的阶次p.

随机信号功率谱分析方法

2.1平均周期图法

周期图法即把随机序列的个观测数据视为一能量有限的序列，直接计算的离散傅里叶变换，得，然后再取其幅值的平方，并除以，作为序列的真实功率谱的估计。

平均周期图根本原理：

观测一个随机变量，得到L组独立记录数据，用每一组数据求其均值，然后将L个均值加起来求均值，这样得到的均值，其方差是原始周期图法方差的1/L.

平均周期估计器定义：

其中：

为保证获得最大分辨率，L应尽可能选大一些，这里选定L=N-1。

2.2自相关法

自相关法的理论根底是W-H定理。先由序列估计出自相关函数，再对进行傅里叶变换：

其中，为平稳随机过程的自相关函数。

从而得到的功率谱估计。其中自相关函数的估计有两种方法：无偏自相关函数估计和有偏自相关函数估计，BT法功率谱估计采用的是有偏自相关函数估计法。

编写的源程序：

AR参数建模算法的实现代码

1.直接运用观测值的自相关序列来求解方程，自定义的方程MATLAB实现代码如下：

function[a,E]=YW(x,p)

A=xcorr(x,x);%求x的自相关

N=length(A);

b=int16((N+1)/2);%b取R(0)在矩阵A中所对应的的下标

fori=1:p+1%求解p阶的自相关矩阵

k=b;%根据自相关序列左右对称求解

forj=1:p+1

v(i,j)=A(abs(k));

k=k+1;

end

b=b-1;

end

s=zeros(p+