CN1168624A - 信号处理装置 - Google Patents

Abstract

本发明涉及用于分析由一个检测器(20，320)测得的两个被测信号的方法和装置，该两个被测信号被建模，以含有原始信号部分和二次信号部分。按照根据本发明建立的模型，一些系数与两个信号相关。在一个实施例中，本发明利用了一种转换从而估计出一些可能的信号系数以找出合适的系数。此外，本发明涉及利用统计函数或傅里叶变换和开窗技术确定与两个被测信号相关的系数。参照血氧测定技术特别详细地描述了本发明的应用。

Description

信号处理装置

发明的领域

本发明涉及信号处理领域。更准确地说，本发明涉及对包括原始信号部分和二次信号部分在内的被测信号的处理，以在对原始信号部分和二次信号部分所知很少的条件下，达到对其消除或提取的目的。本发明特别涉及以一种新颖方式对被测信号建模，这种方式有利于使原始信号部分和二次信号部分之间的相关最小化，以提取原始信号和/或二次信号。本发明特别适用于包括血氧饱和度系统在内的生理监护系统。

相关技术说明

通常使用信号处理器将原始信号部分或二次信号部分从包含原始信号部分和二次信号部分的复合被测信号中提取出来或消除掉。例如，一种复合信号可能包含噪声和所需要的有用信号。如果二次信号部分与原始信号部分相比具有不同的频谱，则可用如低通滤波、带通滤波及高通滤波一类的常规滤波技术将原始信号部分或二次信号部分从整体信号中消除掉或提取出来。如果原始信号部分和/或二次信号部分存在于一固定频率上，则可用固定的一阶或多阶陷波滤波器将其消除。

通常情况下，原始信号部分和二次信号部分在频谱上相互重叠。更复杂的是，原始信号部分和二次信号部分这两部分信号或它们中的一个的统计特性会随时间发生变化，在这种情况下，常规滤波技术对原始信号或二次信号的提取是无能为力的。然而，如果能得到原始信号部分或二次信号部分的特征描述，则可用相关消除技术，如自适应消除技术来消除掉信号中的原始信号部分或二次信号部分中的一个，而保留下这两者中的另一个。换言之，如果给出有关一个信号部分的足够信息，这个信号部分就可被提取出来。

如自适应噪声消除器之类的常规的相关消除器，是通过动态改变其传递函数以适应或消除一复合信号的某些部分。但是，相关消除器需要仅与原始信号部分相关的原始参比信号或仅与二次信号部分相关的二次参比信号。例如，对于一个包括噪声和所需信号的被测信号，如果已知噪声的参比信号，则可用相关消除器将噪声消除。通常的情况就是这样。虽然参比信号的幅值和与其相应的原始信号部分或二次信号部分的 幅值肯定不同，但其频谱是和与其相应的原始信号部分或二次信号部分的频谱相似的。

许多情况下，对原始信号部分和/或二次信号部分一无所知或所知很少。对被测信号中的原始信号部分和二次信号部分的有关信息很难确定的一个领域就是生理监护。生理监护通常涉及从如人体之类的生理系统中提取的被测信号，例如，生理监护一般采用的测量包括心电、血压、血气饱和度(如血氧饱和度)、二氧化碳测量、其它血液成份监护、心率、呼吸频率、脑电图和呼吸深度等。另外几种测量形式主要包括对人体物质的压力和数量的测量，如心输出量、静脉血氧饱和度、动脉血氧饱和度、胆红素、血红蛋白总量、呼吸分析试验、药物试验、胆固醇测定、葡萄糖测定、外渗物和二氧化碳测定、蛋白质测定、一氧化碳测定和其它体内测量。由于在测量过程中病人体内和体表的运动(如肌肉运动、血管运动和测量探头的移动)，通常造成上述这些测量的复杂性。

很多种生理测量都可通过利用一些已知的能量衰减特性作为能量通过某种媒质的一种选定形式来进行。

血气监护仪就是利用这种测量生物组织或生物物质对能量的衰减的原理来进行生理监护的系统的一个例子。血气监护仪将光射入被测的媒质中，并测量光随时间衰减的衰减函数。这种对动脉血流敏感的血气监护仪的输出信号包含着一种代表病人动脉脉搏的波形成份。如图1中所示的曲线S，这种包含与病人脉搏相关的成份的信号被称为体积描记波。在血氧饱和度测量时使用体积描记波。如图1中的周期性的波S所示，当心脏博动时，动脉中血量的增多和减少，可导致能量衰减的增加和减小。

通常，将如手指一类的趾部、耳垂、或血流靠近皮肤的其它身体部位作为媒质，让光能射入其中，以进行血气衰减测量。如图2所示，手指由皮肤、脂肪、骨、肌肉等构成，每一种组织都以其各自的通常是可预知的和固定的方式使入射到手指内的能量衰减。然而，当手指的可变部位受到无规律压迫时，如手指运动造成的压迫，则手指对能量的衰减也变成没有规律了。

在图3中示出了一个更接近实际的被测波形S的例子，展示出了运动的影响。与图1中的锯齿形波相应，信号S的原始体积描记波形部分是代表脉搏的波形。而由运动造成的、信号幅度较大的二次偏差则淹没 了所述的原始体积描记信号s。在有二次信号成分n存在的情况下，甚至是很小的幅值变化也会导致很难将原始信号成分s区分出来。

脉搏血氧计是一种可无创测量动脉血氧饱和度的血气监护器。心脏的搏动促使含氧的新鲜血液流入动脉，导致能量衰减的增大。如本领域所公知的，动脉血氧饱和度可由用独立波长测得的两个体积描记波形的波谷相对于波峰的深度来确定。如图3中的体积描记波形所示，病人的运动会在复合信号中引起运动偏差。这些运动偏差造成被测信号的失真。

发明概要

本发明在1993年10月6日递交的名为“信号处理装置”的第08/132812号美国专利公开的方法和装置的基础上做了改进，该在先申请已转让给本发明的受让人。本发明包括了几个不同的实施例，采用根据本发明的新颖的信号模型，以从复合的被测信号中分离出原始信号部分或二次信号部分。在一个实施例中，信号处理器获得一个第一被测信号和一个与第一被测信号相关的第二被测信号。所述的第一被测信号包括第一原始信号部分和第一二次信号部分；所述的第二信号包括第二原始信号部分和第二二次信号部分。可通过使能量在媒质中传播并在传播或反射后测量衰减后的信号的方法获得信号。或者，通过测量媒质所产生的能量的方法也能获得信号。

在一个实施例中，对第一被测信号和第二被测信号进行处理，以从第一及第二被测信号中产生一个不包含原始信号部分的二次参比号。这个二次参比信号与第一被测信号及第二被测信号的二次信号部分都相关。通过一个如自适应噪声消除器一类的相关消除器，所述的二次参比信号被用以消除第一信号和第二信号中的二次信号部分。所述的相关消除器是一种能获取第一输入和第二输入、并能从第一输入中将与第二输入相关的所有信号成分去除的仪器。能完成或基本完成上述功能的任何系统在此都被认为是一种相关消除器。

一个自适应相关消除器可按类推法描述为一个其传递函数响应于参比信号和被测信号而动态变化以从被测信号中消除也存在于参比信号中的某些频率成分的动态多级陷波滤波器。因而，典型的自适应相关消除器既要接收那些需要消除其中某些成分的信号，也需要接收不需要的信号部分的一个参比信号。相关消除器的输出是消除了不需要的成分 后的所需信号的一个良好的逼近值。

或者，第一被测信号和第二被测信号将被处理，以从第一被测信号或第二被测信号中生成一个不包含二次信号部分的原始参比信号。然后通过相关消除器，将原始参比信号用于消除第一被测信号及第二被测信号中的原始信号部分。相关消除器的输出是消除了原始信号部分后的二次信号部分的一个很好的逼近值，这个输出信号将在该设备或另一辅助设备上被用于进行后续处理。在此，这个二次信号部分的逼近值可以以一个参比信号的身份与第一或第二被测信号共同输入到一个第二相关消除器中，以分别进行第一或第二原始信号部分的计算。

生理监护仪可得益于本发明的信号处理器。通常，通过生理测量可获得包含第一原始信号部分和第一二次信号部分的第一信号及包含第二原始信号部分和第二二次信号部分的第二信号。所述的信号一般是通过让能量在病人体内(或在病人呼出的空气、血液、组织等身体提取物中)传播或在管腔内传播，然后测量能量在传输和反射后的衰减信号的方式获得的。或者，通过测量病人身体产生的能量，如心电图，来获得信号。上述信号经本发明的信号处理器处理，生成二次参比信号或原始参比信号，它被输入到自适应噪声消除器之类的相关消除器中。

得益于本发明的一种生理监护仪器是一种可用于检测可代表动脉脉搏的信号的监护系统，所述的信号被称作体积描记波。这个脉搏信号可用于血压的计算、血液成分测量等。一个专门的应用例子就是脉搏血氧测量。脉搏血氧测量包括血液中的氧饱和度的测定。在这种情况下，信号的原始信号部分指的是当能量通过血流靠近皮肤表面的身体部位时动脉血对能量衰减所起的作用。心脏的搏动导致动脉血流的周期性增多和减少，在体积描记图上代表动脉脉搏的周期性波形上产生周期性衰减。信号的二次信号部分指的是噪声。根据本发明，对被测信号进行建模，使这个信号的二次信号部分与当能量通过身体时静脉血对能量衰减所起的作用相关。这个二次信号部分也包含由于病人运动引起的偏差，病人的运动导致静脉血以不可预测的方式流动，导致不可预测的能量衰减，并对其它可预测的体积描记波形造成破坏。尽管病人呼吸的频率通常低于脉搏的频率，但呼吸也会引起二次信号部分或噪声部分变化。因此，根据本发明对形成体积描记波形的被测信号进行建模，使信号的原始信号部分能代表动脉血对能量衰减所起的作用，而二次信号部分则由 其它几个参数产生。

一种特别适合进行脉搏血氧饱和度测量的生理监护仪具有两个以不同的波长发射光线的发光二极管，以产生第一信号和第二信号。一个探测器记录当两束光通过一吸收性媒质(如手指等趾部、耳垂等)时的各自的能量衰减。衰减后的信号一般包含原始信号部分(动脉衰减)和二次信号部分(噪声)。用一个固定的滤波系统，如带通滤波器，来滤除二次信号部分中的我们感兴趣的已知频段之外的信号部分，而在保留原始信号部分同时，保留二次信号部分中的通常由病人运动引起的、难以消除的无规律部分或随机部分。

一个根据本发明的一个实施例的处理器可从被测信号中消除其原始信号部分，生成一个综合了剩余的二次信号部分的二次参比信号。所述的二次参比信号与二个二次信号部分都相关。这个二次参比信号和至少一个被测信号被输入到一个如自适应噪声消除器之类的相关消除器中，以消除二次信号部分中的随机部分或无规律部分。这样，就测得了在其中一个被测信号的波长处所测量到的原始体积描记信号的良好的逼近值。如本领域所公知的，利用体积描记信号，可以以多种方式对人体内含氧动脉血的量进行定量测定。

根据本发明的处理器，也可从被测信号中消除其二次信号部分，生成一个综合了剩余的原始信号部分的原始参比信号。所述的原始参比信号与二个原始信号部分都相关。这个原始参比信号和至少一个被测信号被输入到一个相关消除器中，以消除被测信号中的原始信号部分。这样，当以其中一个测量波长测量时，就测得了二次信号的很好的逼近值。这个信号既可用于从一辅助设备中消除二次信号，也可以用于静脉血氧饱和度的测定。

根据本发明的信号模型，两个都具有原始信号部分和二次信号部分的被测信号可以通过几个系数相关。通过使两个等式相对于根据本发明所确定的几个系数相关，所述的系数提供了关于动脉血氧饱和度的信息和噪声信息(静脉血氧饱和度及其它参数)。根据本发明的这一方面，如模型所定义，所述的系数可用使原始信号部分和二次信号部分之间的相关最小的方法确定。因此，本发明的信号模型还可以以很多种方式应用于获得被测信号的信息，这些将在对优选实施例进行详细描述时进一步说明。

本发明的一个方面是一种用于信号处理器的方法，该方法用于处理至少两个被测信号S₁和S₂，每个被测信号中都包含有原始信号部分s和二次信号部分n，信号S₁和S₂可由下列关系式表示：

                 S₁＝s₁+n₁

                 S₂＝s₂+n₂式中s₁及s₂和n₁及n₂的关系如下：

            s₁＝r_as₂和n₁＝r_vn₂其中r_a和r_v为相关系数。

本方法包括几个步骤。首先确定使s₁和n₁相关最小的系数r_a的值，然后，利用所确定的r_a的值处理第一信号和第二信号中的至少一个，以从第一被测信号或第二被测信号两者中的至少一个显著降低n，以形成一个干净的信号。

在一个实施例中，上述的干净信号显示在一个显示器上。在另外一个实施例中，第一和第二信号是生理信号，其方法进一步包括处理干净信号以从第一被测信号和第二被测信号中确定生理参数的步骤。在一个实施例中，所述的参数是动脉血氧饱和度。在另外一个实施例中，所述的参数是心电信号。在又一个实施例中，被测信号的第一部分表现为一心脏体积描记图，其方法进一步包括计算脉搏脉率的步骤。

本发明的另一个方面包括一个生理监护仪。该监护仪具有一个能接收第一被测信号S₁的第一输入，所述的第一被测信号S₁包含有原始信号部分s₁和二次信号部分n₁。这个监护仪也具有一个能接收第二被测信号S₂的第二输入，所述的第二被测信号S₂包含有原始信号部分s₂和二次信号部分n₂。有利的是，第一被测信号S₁和第二被测信号S₂具有以下关系：

                   S₁＝s₁+n₁

                   S₂＝s₂+n₂式中s₁及s₂和n₁及n₂的关系如下：

              s₁＝r_as₂和n₁＝r_vn₂其中r_a和r_v为系数。

所述的监护仪还具有一个扫描参比处理器，响应于多个r_a的可能值，该扫描参比处理器将第二被测信号与每个r_a的可能值及每个结果的可能值相乘，以从第一被测信号中去掉结果值从而产生多个输出信号。 一个具有能接收第一被测信号做为其第一输入的、并具有能从饱和度扫描参比处理器那里接收多个输出信号做为其第二输入的相关消除器，将生成多个对应于在上述多个输出信号与第一被测信号间进行的相关消除的输出向量。一个能以从上述相关消除器处接收的多个输出向量作为其输入的积分器响应于该多个输出向量以分别确定每个输出向量的相应功率。一个极值探测器的输入端与上述积分器的输出相连。这个极值探测器将响应于每个输出向量的相应功率以求出所选择的功率。

在一个实施例中，所述的多个可能值对应于一个所选的血液成分的多个可能值；在一个实施例中，所选的血液成分是动脉血氧饱和度；在另一个实施例中，所选的血液成分是静脉血氧饱和度；而在又一个实施例中，所选的血液成分是一氧化碳。

本发明的另一个方面包括一个生理监护仪。该监护仪具有一个能接收第一被测信号S₁的第一输入，所述的第一被测信号S₁包含有原始信号部分s₁和二次信号部分n₁。这个监护仪也具有一个能接收第二被测信号S₂的第二输入，所述的第二被测信号S₂包含有原始信号部分s₂和二次信号部分n₂。第一被测信号S₁和第二被测信号S₂具有以下关系：

                      S₁＝s₁+n₁

                      S₂＝s₂+n₂式中s₁及s₂和n₁及n₂的关系如下：

                s₁＝r_as₂和n₁＝r_vn₂其中r_a和r_v为系数。

一个转换模块响应于第一和第二被测信号及r_a的多个可能值从而提供至少一个功率曲线做为其输出。一个极值计算模块响应于至少一个功率曲线以选定一个使n和s相关最小的r_a值，并根据r_a值计算出一个相应的饱和度值做为其输出。一个显示模块响应于饱和度计算的输出以显示饱和度值。

附图简述

图1表示一个理想的体积描记波形。

图2简要表示了一个普通的手指。

图3表示了一个包含由运动引起的无规律信号部分的体积描记波形。

图4a是一个用以计算原始生理信号的生理监护仪的示意图。

图4b是一个用以计算二次生理信号的生理监护仪的示意图。

图5a示出了一个可用于生理监护仪进行原始信号计算的自适应噪声消除器的例子。

图5b示出了一个可用于生理监护仪进行二次运动干扰信号计算的自适应噪声消除器的例子。

图5c表示了一个多阶陷波滤波器的传递函数。

图6a是含有N种组分的吸收材料的简图。

图6b是含有N种组分的吸收材料的另一个简图，在吸收材料中具有一个混合层。

图6c是含有N种组分的吸收材料的另一个简图，在吸收材料中具有二个混合层。

图7a是按照本发明的一个方面用以计算原始信号和二次信号的一种监护仪的简图。

图7b将理想的相关消除器的能量或功率输出表示为信号系数r₁、r₂、··r_n的函数，在这个特定的例子中，r₃＝r_a，r₇＝r_v。

图7c将非理想的相关消除器的能量或功率输出表示为信号系数r₁、r₂、··r_n的函数，在这个特定的例子中，r₃＝r_a，r₇＝r_v。

图8是一个联合处理估计器的示意模型，该估计器具有一个最小二乘法点阵预测器和一个回归滤波器。

图8a是一个联合处理估计器的示意模型，该估计器具有一个QRD最小二乘法点阵(LSL)预测器和一个回归滤波器。

图9是一个以软件方式实现图8中所示的联合处理估计器模型的子程序的流程图。

图9a是一个以软件方式实现图8a中所示的联合处理估计器模型的子程序的流程图。

图10是一个联合处理估计器的示意模型，该估计器具有一个最小二乘法点阵预测器和二个回归滤波器。

图10a是一个联合处理估计器的示意模型，该估计器具有一个QRD最小二乘法点阵预测器和二个回归滤波器。

图11是根据本发明一个方面的教导的生理监护仪的一个例子。

图11a表示了一个具有数-模转换器的低噪声发射电流驱动器的例子。

图12表示的是图11所示的生理监护仪的前端模拟信号调节电路和模-数转换电路。

图13进一步详细地表示了图11中的数字信号处理电路。

图14表示了图11中的数字信号处理电路的更加详细的操作。

图15更详细地表示了图14中的解调模块。

图16更详细地表示了图14中的分样(decimation)模块。

图17表示图14中的统计模块操作的更详细的方块示意图。

图18表示图14中的饱和度变换模块的一个实施例的操作的方块示意图。

图19表示图14中的饱和度计算模块的操作的方块示意图。

图20表示图14中的脉率计算模块的操作的方块示意图。

图21表示图20中的运动干扰消除模块的操作的方块示意图。

图21a表示图20中的运动干扰消除模块的操作的另一个方块示意图。

图22表示一个根据本发明原理的一个饱和度转换曲线。

图23表示另外一个用以求得饱和度值的饱和度转换的一个可供选择的实施例的方块示意图。

图24表示一个对应于图23的可供选择的实施例的饱和度转换直方图。

图25A至图25C还示出了另外一个可求得饱和度的优选实施例。

图26表示用于本发明的处理器中以确定二次参比信号n′(t)或原始参比信号s′(t)的，及用于相关消除器的，用波长为λa＝λred＝660nm的红光测量出的信号。这个被测信号包含一个原始信号部分s_λa(t)和一个二次信号部分n_λa(t)。

图27表示了用于本发明的处理器中以确定二次参比信号n′(t)或原始参比信号s′(t)的，及用于相关消除器的，用波长为λb＝λ_IR＝910nm的红外光测量出的信号。这个被测信号包含一个原始信号部分s_λb(t)和一个二次信号部分n_λb(t)。

图28示出了用本发明的处理器确定的二次参比信号n′(t)。

图29示出了通过用二次参比信号n′(t)进行相关消除所估计出的，在λa＝λred＝660nm波长测得的信号S_λa(t)的原始信号部分s_λa(t)的一个很好逼近s″_λa(t)。

图30示出了通过用二次参比信号n′(t)进行相关消除所估计出的，在λb＝λIR＝910nm波长测得的信号S_λb(t)的原始信号部分s_λb(t)的一个很好逼近s″_λb(t)。

图31描述了一个3个同心电极序列，即一个三极电极传感器，用以提取供本发明使用的心电图(ECG)信号S₁、S₂和S₃。每个心电信号都包含一个原始信号部分和一个二次信号部分。

图32展示了一个抽头延时线式有限冲击响应(FIR)滤波器。

图33示出了一种输出两种频率的有限冲击响应滤波器的相位累加。

图34示出了一个M阶全通子滤波(subfilter)器。

图35示出了来自于一个2通路全通网络的互补低通和高通滤波器。

图36示出了一种作为半波谱传递滤波器(transformed half bandfilter)的希尔搏特传递全通滤波器结构。

图37示出了一种再采样二通路全通滤波器。

图38示出了一个具有Z-4的多项式的迭代二通路滤波器的谱。

图39示出了四通路象限同心和基数同心滤波器(quadrant centeredand cardinal centered filter)组的谱。

图40示出了一个全通滤波器的低通变换。

图41A示出了一全通滤波器的结构图。

图41B示出了一个多相全通结构。

图42展示了M阶全通子滤波器的零点-极点分布。

图43A至图43D示出了全通滤波器通路的典型相位响应和相应的幅度响应。

图44A和图44B示出了2通路和5通路多相全通网络的零点-极点分布和幅度响应。

图45示出了一个全通滤波器的带通变换。

发明的详细说明

本发明包括一个应用第一被测信号和第二被测信号的系统，第一和第二被测信号中都包含有原始信号部分和二次信号部分。换言之，给出第一复合信号S₁＝s₁(t)+n₁(t)和第二复合信号S₂＝s₂(t)+n₂(t)，就可用根据本发明的系统分离出其中的原始信号部分s(t)或二次信号部分 n(t)。经过处理，系统输出了一个二次信号部分n(t)的很好的逼近值n″(t)或原始信号部分s(t)的一个很好的逼近值s″(t)。

当原始信号部分和/或二次信号部分中具有恒定部分、可预测部分、干扰部分和随机部分中的一个或多个时，本发明的系统特别适用。所述的原始信号逼近s″(t)或所述的二次信号逼近n″(t)是通过从复合信号S(t)中尽可能多地消除二次信号部分n(t)或原始信号部分s(t)的方式提取出来的。上述消除过程的剩余信号即分别形成了原始信号的逼近s″(t)或二次信号的逼近n″(t)。用如简单的减法、低通滤波、带通滤波、高通滤波等传统滤波方法可很容易地消除二次信号n(t)中的恒定部分和可预测部分。而干扰信号由于其不可预测性，所以比较难以消除。如果对干扰信号有所了解，即便是统计意义上的了解，也可能通过传统的滤波技术从被测信号中将干扰信号，至少是干扰信号的一部分消除掉。然而，对二次信号部分n(t)的干扰信号部分通常是一无所知，在这种情况下，传统的滤波技术是没有效果的。

为消除二次信号部分n(t)，根据本发明对第一被测信号S₁和第二被测信号S₂建模如下：

                    S₁＝s₁+n₁

                    S₂＝s₂+n₂且s₁＝r_as₂和n₁＝r_vn₂或r_a＝s₁/s₂和r_v＝n₁/n₂式中s₁和n₁至少为部分(最好是完全)不相关，且s₂和n₂至少为部分(最好是完全)不相关。如上所确定的，第一被测信号S₁和第二被测信号S₂通过相关系数r_a和r_v相关。这些相关系数的选出和使用将在下面进一步论述。

根据本发明的一个方面，所述的信号模型将与如自适应噪声消除器之类的相关消除器共同使用，以消除或提取被测信号中的干扰部分。

通常，一个相关消除器具有两个输入信号和一个输出信号。其中一个输入信号为二次参比信号n′(t)或原始参比信号s′(t)，这些参比信号分别与复合信号S(t)中的二次信号部分n(t)或原始信号部分s(t)相关。另一个输入信号为复合信号S(t)。在理想状态下，相关消除器的输出s″(t)或n″(t)只分别地与原始信号部分s(t)或二次信号部分n(t)相对应。通常相关消除器应用中的最难的任务就是确定分别与被测信号S(t)中的二次信 号部分n(t)和原始信号部分s(t)相关的参比信号n′(t)和s′(t)，其原因是，如上所述，原始信号部分和二次信号部分是很难从被测信号中分离出来的。在本发明的信号处理器中，二次参比信号n′(t)或原始参比信号s′(t)是从两个以不同波长λ_a和λ_b同时或准同时测得的复合信号中确定的。

图4a和图4b是一个包括了本发明的一个信号处理器和一个相关消除器的监护仪原型的方框示意图。两个被测信号S_λa(t)和S_λb(t)由探测器20获取。本领域的技术人员都知道对于某些生理测量，用多于一个的探测器进行测量可能更为先进。每个信号都被信号调节器22a和22b调节。所述的调节包括但并不仅限于以下过程，如对信号进行滤波以消除其恒定部分，对信号进行放大以便于处理。然后通过模-数转换器24a和24b将上述信号转换为数字信号。第一被测信号S_λa(t)包括一个第一原始信号部分，在此用符号s_λa(t)表示，及一个第一二次信号部分，在此用符号n_λa(t)表示。第二被测信号S_λb(t)至少与第一被测信号S_λa(t)部分地相关，并包括一个第二原始信号部分，在此用符号s_λb(t)表示，及一个第二二次信号部分，在此用符号n_λb(t)表示。一般第一和第二二次信号部分n_λa(t)和n_λb(t)对于原始信号部分s_λa(t)和s_λb(t)是不相关的并且/或者是无规律的。所述的二次信号部分n_λa(t)和n_λb(t)通常是由于病人在生理测量时运动造成的。

信号S_λa(t)和S_λb(t)被输入到一个参比处理器26中，这个参比处理器26将第二被测信号S_λb(t)乘以因子r_a(r_a＝s_λa(t)/s_λb(t))或因子r_v(r_v＝n_λa(t)/n_λb(t))，然后从第一被测信号S_λa(t)中减去第二被测信号S_λb(t)。确定系数因子r_a和r_v以使当两个信号S_λa(t)和S_λb(t)被相减时，可使原始信号部分s_λa(t)和s_λb(t)或二次信号部分n_λa(t)和n_λb(t)分别被消除。这样，参比处理器26的输出，将是一个如图4a所示的二次参比信号n′(t)＝n_λa(t)-r_an_λb(t)，该参比信号与二次信号部分n_λa(t)和n_λb(t)都相关；或将是一个如图4b所示的原始参比信号s′(t)＝s_λa(t)-r_vs_λb(t)，该参比信号与原始信号部分s_λa(t)和s_λb(t)都相关。将一个参比信号n′(t)或s′(t)与两个被测信号S_λa(t)或S_λb(t)中的一个一道输入到一个相关处理器27中，该相关处理器用参比信号n′(t)或s′(t)从被测信号S_λa(t)或S_λb(t)中消除其二次信号部分n_λa(t)或n_λb(t)或原始信号部分s_λa(t)或s_λb(t)。相关处理器27的输出是原始信号的很好的逼近s″(t)或二次信号的很好的逼近n″(t)。在一个实施例中，所述的逼近值s″(t)或n″(t)被显示在一个显示器 28上。

在一个实施例中，用一种自适应噪声消除器30作为相关消除器27，这种自适应噪声消除器30的一个例子如图5a的方框示意图所示，以从第一信号S_λa(t)或第二信号S_λb(t)中消除无规律的二次信号部分n_λa(t)或n_λb(t)。图5a中的自适应噪声消除器30的一个输入是对一个与二次信号部分n_λa(t)和n_λb(t)相关的二次参比信号n′(t)的采样。通过本文所描述的本发明的处理器26，从两个被测信号S_λa(t)和S_λb(t)中确定所述的二次参比信号n′(t)。所述的自适应噪声消除器的第二个输入是对第一复合信号S_λa(t)＝s_λa(t)+n_λa(t)或对第二复合信号S_λb(t)＝s_λb(t)+n_λb(t)的采样。

如图5b所示的自适应噪声消除器30也可被用于从第一被测信号S_λa(t)或第二被测信号S_λb(t)中消除原始信号部分s_λa(t)或s_λb(t)。这个自适应噪声消除器30的一个输入是对一个与原始信号部分s_λa(t)和s_λb(t)相关的原始参比信号s′(t)的采样。通过本文所描述的本发明的处理器26，从两个被测信号S_λa(t)和S_λb(t)中确定所述的原始参比信号s′(t)。所述的自适应噪声消除器30的第二个输入是对第一被测信号S_λa(t)＝s_λa(t)+n_λa(t)或对第二被测信号S_λb(t)＝s_λb(t)+n_λb(t)的采样。

所述的自适应噪声消除器30的功能是消除参比信号n′(t)或s′(t)与被测信号S_λa(t)或S_λb(t)中所共有的频率成分。由于参比信号与二次信号部分n_λa(t)和n_λb(t)或与原始信号部分s_λa(t)和s_λb(t)是相关的，所以参比信号也相应地具有无规律性或具有很好的表现性。所述的自适应噪声消除器30的工作方式可比喻为是一个基于参比信号n′(t)或s′(t)的频谱分布的动态多阶陷波滤波器。

图5c示出了一个多阶陷波滤波器的典型传递函数。该传递函数幅值的凹陷或下落，表示当信号通过该陷波滤波器时被衰减或被消除的频率。该陷波滤波器的输出是消除了陷波频率后的复合信号。在类似的自适应噪声消除器30中，陷波频率根据自适应噪声消除器30的输入的变化而不断变化。

所述的自适应噪声消除器30(如图5a和5b所示)生成一个输出信号，这里用符号s″_λa(t)、s″_λb(t)、n″_λa(t)和n″_λb(t)表示，该输出信号被反馈至自适应噪声消除器30的一个内部处理器32中。该内部处理器32根据预先设置的算法自动地调整其自身的传递函数，以使该内部处理 器32的输出(该输出在图5a中用符号b_λ(t)表示而在图5b中用符号c_λ(t)表示)与二次信号部分n_λa(t)或n_λb(t)或与原始信号部分s_λa(t)或s_λb(t)接近相同。用被测信号S_λa(t)或S_λb(t)减去图5a所示的内部处理器32的输出b_λ(t)，得到一个信号输出s″_λa(t)＝s_λa(t)+n_λa(t)-b_λ(t)或信号输出s″_λb(t)＝s_λb(t)+n_λb(t)-b_λ(t)。所述的内部处理器对信号s″_λa(t)或s″_λb(t)进行优化，使s″_λa(t)和s”_λb(t)分别近似等于原始信号部分s_λa(t)和s_λb(t)。用被测信号S_λa(t)或S_λb(t)减去图5b所示的内部处理器32的输出c_λ(t)，得到一个信号输出n″_λa(t)＝s_λa(t)+n_λa(t)-c_λ(t)或信号输出n″_λb(t)＝s_λb(t)+n_λb(t)-c_λ(t)。所述的内部处理器对信号n″_λa(t)或n″_λb(t)进行优选，使n″_λa(t)和n″_λb(t)分别近似等于原始信号部分n_λa(t)和n_λb(t)。

可用于调整内部处理器32的传递函数的一个算法为最小二乘法算法，如在1985年由PrenticeHall出版的，由BernardWidrow和SamuelStearns所著的《自适应信号处理》一书的第6章和第12章所论述的一样。该书的全部包括第6章和第12章被本文引用为参考文献。

图5a和5b所示的自适应处理器30已被成功地应用于解决很多问题，包括天线旁瓣消除、模式识别、常规的周期性干扰消除及消除长距离电话传输线上的回音信号等。然而，由于信号部分n_λa(t)、n_λb(t)、s_λa(t)和s_λb(t)很难从被测复合信号S_λa(t)和S_λb(t)中分离出来，所以通常需要依靠独到的设计来找到合适的参比信号n’(t)和s’(t)。如果实际二次信号部分n_λa(t)或n_λb(t)及原始信号部分s_λa(t)或s_λb(t)是先验可知的，则不需要这些相关消除技术了。

原始信号部分和二次信号部分的通常确定

以下描述如何确定参比信号n’(t)和s’(t)。例如，通过一个探测器以一个波长λa测得第一被测信号，生成一个信号S_λa(t)：

                S_λa＝s_λa+n_λa                     (1)这里s_λa为原始信号部分，n_λa为二次信号部分。

同时或几乎同时以一个不同的波长λ_b进行与上述相似的测量，得到：

                S_λb＝s_λb+n_λb                     (2) 因为在测量过程中S_λa和S_λb基本上是同时测量，所以所有随机干扰或无规律干扰几乎以相同的方式作用于两个测量，因此二次信号成分n_λa和n_λb是相关的。基本上可预测的原始信号成分s_λa和s_λb也是相互相关的。

为了得出参比信号n’(t)和s’(t)，需要将被测信号S_λa(t)和S_λb(t)进行变换，以分别从中消除原始信号成分或二次信号成分。根据本发明，进行上述工作的一个方法是在原始信号部分s_λa(t)和s_λb(t)与二次信号部分n_λa(t)和n_λb(t)之间找到比例常数r_a和r_v，以使信号建模如下：

                     s_λa(t)＝r_as_λb(t)

                                            (3)

                     n_λa(t)＝r_vn_λb(t)根据本发明所独创的信号模型，很多种测量都可满足上述这些比例关系，包括但并不只限于能量吸收式测量和生理测量。此外，根据本发明的信号模型，在大多数测量中，所述的比例常数将满足以下关系：

                     n_λa(t)≠r_an_λb(t)

                                            (4)

                     s_λa(t)≠r_vs_λb(t)。

将式(2)乘以r_a，然后将式(1)减去式(2)即得到一个原始信号项s_λa(t)和s_λb(t)已被消除了的单等式：

      n′(t)＝S_λa(t)-r_aS_λb(t)＝n_λa(t)-r_an_λb(t)    (5a)从而得到了一个与二次信号部分s_λa(t)和n_λb(t)都相关的非零信号，该非零信号可在一个例如自适应噪声消除器一类的相关消除器中被用作为二次参比部信号n′(t)。

将式(2)乘以r_v，然后将式(1)减去式(2)即得到一个二次信号项n_λa(t)和n_λb(t)已被消除了的单等式：

   s′(t)＝S_λa(t)-r_vS_λb(t)＝s_λa(t)-r_vs_λb(t)    (5b)从而得到了一个与原始信号部分s_λa(t)和s_λb(t)都相关的非零信号，该非零信号可在一个如自适应噪声消除器一类的相关消除器中被用作为参比部信号s′(t)。

在一个能量吸收式系统中原始参比信号和二次参比信号的确定的一个实例。

相关消除技术特别适应于很多种通常被描述为吸收测量的测量中。一个吸收式监测仪的例子是在吸收材料发生变化时测定吸收材料中能量吸收成分的浓度的监测仪，在该吸收式监测仪中利用了以由本发明的处理器确定的参比信号n′(t)或s′(t)为基础的如自适应噪声消除的相关消除技术。上述的吸收材料的变化可由那些其信息是我们需要的因素或原始因素造成的，另外，也可由随机的或无规律的二次因素，如加在材料上的机械力等因素造成的。如运动一类的随机的或无规律的干扰在被测信号中构成二次成分。如果已知一个适当的二次参比信号n′(t)或原始参比信号s′(t)，即可用相关消除器消除或提取这些二次成分。

图6a示出了一个包括具有N种不同吸收成分的一个容器42的N组分吸收材料的简图，N种组分用符号A₁、A₂、A₃··A_N表示。在图6a中成分A₁至A_N以通常的层叠方式排列在容器42中。一个吸收系统的特定形式的例子是这样一种系统，在该系统中，光能穿过容器42并根据广义的光吸收的Beer-Lambert定律被吸收。对于波长为λ_a的光，其衰减可以用下列公式近似计算： $I=I_0\exp \left(\underset{i=1}{\overset{N}{-\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λa}}{C}_i{X}_i\right)---\left(6\right)$ 首先通过两边取自然对数和同类项运算对信号进行变换，使信号成分由加法式组成而不是由乘法式组成，即： $S_{\mathrm{\λ\α}}=\ln (I_0/I)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λa}}{C}_i{X}_i---\left(7\right)$ 这里I₀为入射光的能量强度；I是经传导后的光能量的强度；∈_i，λa是在波长λ_a时第i种成分的吸收系数；x_i(t)是第i层光学路径的长度，即光能所通过的第i层材料的厚度；c_i(t)是第i种成分在相应于厚度x_i(t)的容积中的浓度值。吸收系数∈₁至∈_N是已知的在任何波长时都不变的值。因为大多数单层的光学路径长度x_i(t)是未知的，所以从c₁(t)至c_N(t)的大多数浓度值一般也是未知的。总体光学路径长度是各个单层光学路径长度x_i(t)之和。

如果没有任何因素使材料各层的厚度发生变化，则每层的光学路径长度x_i(t)通常是恒定的。因而其光学能量的衰减也通常为恒定值，从而在被测信号中造成恒定的偏差。因为所需要求出的通常是有关能扰动材料的因素，所以我们对上述这种信号偏差部分无多大兴趣。所感兴趣的已知带宽之外的任何信号部分，包括当无变化发生时由组分的通常恒定的能量吸收所生成的恒定的不需要的信号部分，将被消除。通过传统的带通滤波技术很容易完成上述的消除。然而，当材料受外因影响时，组分的每一层之间都受到不同的扰动。某些对各层光学路径长度xi(t)的扰动会在代表需要信息或原始信息的被测信号中产生偏差。而另一些对各层光学路径长度xi(t)的扰动则会在被测信号中产生不被需要的偏差或二次偏差，这些偏差淹没了被测信号中的原始信息。为从被测信号中获得原始信息，对应于二次偏差的二次信号成分也必须被消除掉。同样，有能力计算出由二次偏差直接引起的二次信号成分，就可以通过简单的减法或相关消除技术从被测信号中获得原始信号成分。

相关消除器可以选择性地从复合信号中消除由这样的因素引起的原始或二次信号分量(该因素对该材料的干扰或改变，与在此之前已经扰动或改变了所述材料的因素不同)，从而产生原始信号成分或二次信号成分，所述的复合信号是在能量经吸收材料传导后或由吸收材料反射后测得的。为说明方便，假设被测信号中被认为是原始信号s_λa(t)的部分是与感兴趣组分A₅相关的衰减项∈₅c₅x₅(t)，所述的组分A₅这一层所受到扰动的影响与其它组分A₁至A₄及A₆至A_N的各层不同。这种情况的一个例子是当A₅受到那些其信息被认为是原始信号的因素影响时，此外，整个材料还同时受到对每一层都有作用的因素的影响。在这种情况下，由于影响A₅组分层的总体因素不同于影响其它组分层的那些总体因素，并且有关组分层A₅的所有因素和总的扰动的信息被认为是原始 信号，所以由组分A₁至A₄及A₆至A_N所产生的衰减项就构成了二次信号部分n_λa(t)。尽管影响整个材料的另外因素在每一层(包括A₅层)都造成同样扰动，但作用在A₅组分层上的所有因素使A₅层具有与其它A₁至A₄及A₆至A_N组分层不同的总体扰动。

通常情况是，作用于与二次信号有关的层上的全部扰动是由随机或无规律因素引起的。这样导致了所述层的厚度无规律变化，并导致每层的光学路径长度x_i(t)无规律变化，由此产生了随机的或无规律的二次信号成分n_λa(t)。然而，只要作用于A₅组分层的扰动与作用于其它组分层的扰动是不同的，则不论二次信号部分n_λa(t)是否是无规律的，这个二次信号部分n_λa(t)都可通过一个如自适应噪声消除器那样的以根据本发明的处理器所确定的二次参比信号n′(t)或原始参比信号s′(t)作为输入的相关消除器来消除掉或提取出来。所述的相关消除器生成原始信号部分s_λa(t)或二次信号部分n_λa(t)的一个很好的逼近值。只要已知了原始信号部分的逼近值，那么通常也就可以确定所感兴趣的组分的浓度c₅(t)了，因为在一些生理测量中，原始信号成分的厚度，在本例中为x₅(t)，是已知的或可确定的。

相关消除器使用了从两个基本同时测得的信号S_λa(t)和S_λb(t)中确定的二次参比信号n′(t)或原始参比信号s′(t)。S_λa(t)是以上式(7)确定的，S_λb(t)也以类似方式确定，只是以不同的波长λb。为求得二次参比信号n′(t)或原始参比信号s′(t)，在两个不同波长λa和λb下测得经传输衰减后的能量，并进行对数变换。经对数变换后的信号S_λa(t)和S_λb(t)如下： $S_{\mathrm{\λa}}\left(t\right)={\∈}_{5,\mathrm{\λa}}{C}_5{X}_5\left(t\right)+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λa}}{C}_i{X}_i+\underset{i=6}{\overset{N}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λa}}{C}_i{X}_i---\left(8\right)$ S_λa(t)＝∈_5，λaC₅X₅(t)+n_λα(t)                 (9) $S_{\mathrm{\λb}}\left(t\right)={\∈}_{5,\mathrm{\λb}}{C}_5{X}_5\left(t\right)+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λb}}{C}_i{X}_i+\underset{i=6}{\overset{N}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λb}}{C}_i{X}_i---\left(10\right)$ S_λb(t)＝∈_5，λbC₅X₅(t)+n_λb(t)                  (11)对信号的进一步变换是根据本发明的信号模型的比例关系确定r_a和r_v，与式(3)相似，这些变换可确定噪声参比信号n′(t)和原始参比信号 s′(t)。这些变换为：

              ∈_5，λa＝r_a∈_5，λb               (12a)

               n_λa＝r_vn_λb                      (12b)其中

               n_λa≠r_an_λb                      (13a)

               ∈_5，λa≠r_v∈_5，λb              (13b)通常式(12)和式(13)可同时被满足。用r_a乘以式(11)，并用式(9)减去其乘积，则生成了一个非零的二次参比信号，该信号为二次信号成分的线性和：

   n′(t)＝S_λba(t)·r_aS_λb(t)-n_λa(t)·r_an_λb(t)(14a) $=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λa}}{c}_i{x}_i\left(t\right)+\underset{i=6}{\overset{N}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λa}}{c}_i{x}_i\left(t\right)-$ $\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{r}_a{\∈}_{i,\mathrm{\λb}}{c}_i{x}_i\left(t\right)+\underset{i=6}{\overset{N}{\mathrm{\Σ}}}{r}_a{\∈}_{i,\mathrm{\λb}}{c}_i{x}_i\left(t\right)---\left(15a\right)$ $=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{c}_i{x}_i\left(t\right)\[{\∈}_{i,\mathrm{\λb}}.r_a{\∈}_{i,\mathrm{\λb}}\]+$ $\underset{i=6}{\overset{N}{\mathrm{\Σ}}}{c}_i{x}_i\left(t\right)\[{\∈}_{i,\mathrm{\λb}}.r_a{\∈}_{i,\mathrm{\λb}}\]---\left(16a\right)$

用r_v乘以式(11)，并用式(9)减去其乘积，则生成了一个原始参比信号，该信号为原始信号成分的线性和：s′(t)＝S_λa(t)·r_vS_λb(t)＝S_λa(t)·r_vs_λb(t)       (14b)

  ＝C₅X₅(t)∈_5，λa·r_vC₅X₅(t)∈_5λb           (15b)

  ＝C₅X₅(t)[∈_5，λa·r_v∈_5λb].               (16b) 一个二次参比信号n′(t)或原始参比信号s′(t)的采样及一个被测信号S_λa(t)或S_λb(t)的采样被输入到一个如自适应噪声消除器30一类的相关消除器27中，其作为例子在图5a和图6b示出，并且其一个优选例子在本文中题为“应用联合处理估计器装置的优选相关消除器”的部分讨论。所述的相关消除器27从被测信号中消除二次信号部分n_λa(t)或n_λb(t)，或消除原始信号部分s_λa(t)或s_λb(t)，以生成原始信号部分的很好的逼近值s″_λa(t)≈∈_5，λac₅x₅(t)或s″_λb(t)≈∈_5，λbc₅x₅(t)，或生成二次信号部分的很好逼近值n″ _λa(t)≈n_λa(t)或n″_λb(t)≈n_λb(t)。当已知了原始信号部分时，浓度c₅(t)则可根据下式通过原始信号的逼近值s″_λa(t)或s″_λb(t)来确定：

      C₅(t)≈s″_λa(t)/∈_5，λaX₅(t)            (17a)或

      C₅(t)≈s″_λb(t)/∈_5，λbX₅(t)            (17b)如前面所述，在每个波长λa和λb的吸收系数是恒定的，并且原始信号成分的厚度(本例中为x₅(t))通常是已知的或可求得的时间函数，因此，组分A₅的浓度c₅(t)是可计算出的。

在一个包含一种以上组分的容积中测定浓度或饱和度

参照图6b，示出了一种具有分层排列的N种不同组分的另一材料。在这种材料中，两种组分A₅和A₆同在一层中，其厚度x_5，6(t)＝x₅(t)+x₆(t)，这两种组分通常随机地分布在所述的层中。这类似于将图6a中的A₅组分层和A₆组分层合为一体。当两个组分层受到对光学路径x₅(t)和x₆(t)导致同样变化的相同的总体因素的影响时，这种如A₅和A₆组分层合并一类的层间合并是适宜的。

通常需要从一给定厚度的具有一种以上组分的并受到相同因素影响的材料中求出其中一个组分的浓度或饱和度，即百分比浓度。在给定容积内的一种组分的浓度或饱和度的测定可以与该容积中任何数量的受到相同总体因素影响并产生相同扰动或变化的其它组分同时进行。为测定包含多种组分的容积中的一个组分的饱和度，被测信号的数量应与吸收入射光能的组分的数量一样多。可以理解，不吸收光能的组分对于饱和度的测定结果是无影响的。为测定所述的浓度，除需要有与吸收入射光能的组分数量同样多的信号外，还需要有关浓度之和的信息。

通常情况是，一个受唯一一种运动影响的厚度只包含两种组分。例 如，可能需要求得一个包含A₅和A₆两个组分的给定容积中A₅的浓度或饱和度。在这种情况下，原始信号s_λa(t)及s_λb(t)中包含了与A₅和A₆都相关的项，以便能测定容积中A₅或A₆的浓度或饱和度。下面讨论饱和度的确定。可以理解，如果已知A₅+A₆＝1，即容积中没有在所选择的特定测量波长下不吸收入射光能的组分，则包含A₅和A₆组分的容积中的A₅的浓度也可以测出。经对数变换后，被测信号s_λa(t)和s_λb(t)可写作：

        S_λa(t)＝∈_5，λac₅x_5，6(t)+∈_6，λac₆x_5，6(t)+n_λa(t)     (18a)

                        ＝s_λa(t)+n_λa(t)                          (18b)S_λb(t)＝∈_5，λbc₅x_5，6(t)+∈_6，λbc₆x_5，6(t)+n_λb(t)                 (19a)

                                          ＝s_λb(t)+n_λb(t).       (19b)也通常有这种情况，即在一个媒质中有两个或更多的厚度，每个厚度中包含同样的两种组分，但每个厚度的运动都不同，如图6c所示。例如，可能不但需要求得一个包含A₅和A₆两个组分的给定容积中A₅的浓度或饱和度，而且还要求出一个包含A₃和A₄两个组分的给定容积中A₃的浓度或饱和度，其中A₃和A₄分别与A₅和A₆具有相同的成分。在这种情况下，原始信号s_λa(t)及s_λb(t)中同样包含了与A₅和A₆都相关的项，且二次信号部分n_λa(t)及n_λb(t)中包含了与A₃和A₄都相关的项。因为假设了A₃和A₄是受到了不同频率的扰动，或受到了与原始因素不相关的随机的或无规律的二次因素的扰动，所以A₃和A₄层不计入原始等式。由于组分3和5及组分4和6分别具有同样的成分，所以它们分别具有相同的吸收系数(即∈_3，λa＝∈_5，λa；∈_3，λb＝∈_5，λb；∈_4，λa＝∈_6，λa；∈_4，λb＝∈_6，λb)。然而一般地讲，A₃和A₄与A₅和A₆具有不同的浓度，因而具有不同的饱和度。因此媒质中的一个单组分可以具有一个或多个与其相应的饱和度。根据这个模型的原始信号和二次信号可写为：

           s_λa(t)＝[∈_5，λac₅+∈_6，λac₆]x_5，6(t)    (20a) n_λa(t)＝[∈_5，λac₃+∈_6，λac₄]x_3，4(t) $+\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λb}}{c}_i{x}_i\left(t\right)+\underset{i=7}{\overset{N}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λb}}{c}_i{x}_i\left(t\right)---\left(20b\right)$ n_λa(t)＝[∈_5，λac₃+∈_6，λac₄]x_3，4(t)+n_λa(t)    (20c)

                            s_λb(t)＝[∈_5，λbc₅+∈_6，λbc₆]x_5，6(t)  (21a)

                            n_λb(t)＝[∈_5，λbc₃+∈_6，λbc₄]x_3，4(t) $+\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λb}}{c}_i{x}_i\left(t\right)+\underset{i=7}{\overset{N}{\mathrm{\Σ}}}{\∈}_{i,\mathrm{\λb}}{c}_i{x}_i\left(t\right)---\left(21b\right)$ n_λb(t)＝[∈_5，λbc₃+∈_6，λbc₄]x_3，4(t)+n_λb(t)    (21c)式中信号n_λa(t)及n_λb(t)与二次信号n_λa(t)及n_λb(t)相似，只是省略了3，4层。

原始信号或者二次信号中的处在已知的感兴趣的带宽之外的其它任何信号部分，包括在没有受到扰动时由各组分的通常固定的吸收所产生的所不需要的二次信号部分恒量，在确定感兴趣带宽内的原始信号部分或二次信号部分的逼近值时都将被消除掉。这一消除用传统的带通滤波技术很容易实现。如前面的例子，通常的情况是，作用于与二次信号成分有关的层上的总体扰动或变化是由随机或无规律因素产生的，导至每层的厚度或每层的光学路径长度x_i(t)的无规律变化，从而产生了随机的或无规律的二次信号成分n_λa(t)。无论二次信号部分n_λa(t)是否是无规律的，但只要作用于A₅组分层和A₆组分层的扰动与作用于其它非A₅、A₆组分层的扰动是不同的，则这个二次信号部分n_λa(t)都可通过一个如自适应噪声消除器一类的、具有一个以根据本发明的处理器所确定的二 次参比信号n′(t)或原始参比信号s′(t)作为其输入的相关消除器来消除掉或提取出来。无规律的二次信号成分n_λa(t)和n_λb(t)或原始信号成分s_λa(t)和s_λb(t)都可以通过相关消除器进一步从式(18)和(19)中及式(20)和(21)中消除。所述的相关消除器也同样需要原始参比信号s’(t)的采样或二次参比信号n’(t)的采样，以及需要式(18)和式(19)的复合信号S_λa(t)或S_λb(t)的采样。

用于饱和度测量的原始参比信号和二次参比信号的确定

一个根据本发明的一个方面从被测信号S_λa(t)和S_λb(t)中确定参比信号s′(t)或n′(t)方法叫做恒定饱和度逼近法。在这个逼近法中，假设在包括A₅和A₆的容积中的A₅的饱和度与包括A₃和A₄的容积中的A₃的饱和度在某段时期上是保持相对恒定的，即：

Saturation(A₅(t))＝c₅(t)/[c₅(t)+c₆(t)]             (22a)

Saturation(A₃(t))＝c₃(t)/[c₃(t)+c₄(t)]             (22b)

Saturation(A₅(t))＝{1+[c₆(t)/c₅(t)]}^-1             (23a)

Saturation(A₃(t))＝{1+[c₄(t)/c₃(t)]}^-1             (23b)在被测信号S_λa(t)和S_λb(t)的许多采样上基本是恒定的。因为在生理系统中饱和度的相对变化通常较慢，所以这一假设对许多采样是正确的。

恒定饱和度假设相当于假设为：

   c₅(t)/c₆(t)＝constant₁              (24a)

   c₃(t)/c₄(t)＝constant₂              (24b)因为在式(23a)和式(23b)中唯一的其它项是恒量，即为常数1。

根据这个假设，在恒定饱和度方法中用于确定二次参比信号n′(t)和原始参比信号s′(t)的比例常数r_a和r_v为： $r_a=\frac{{\∈}_{5,\mathrm{\λa}}{c}_5{x}_{\mathrm{5,6}}\left(t\right)+{\∈}_{6,\mathrm{\λa}}{c}_6{x}_{\mathrm{5,6}}\left(t\right)}{{\∈}_{5,\mathrm{\λb}}{c}_5{x}_{\mathrm{5,6}}\left(t\right)+{\∈}_{6,\mathrm{\λb}}{c}_6{x}_{\mathrm{5,6}}\left(t\right)}---\left(25a\right)$ ＝s_λa(t)/s_λb(t)                             (26a) $=\frac{{\∈}_{5,\mathrm{\λa}}{c}_5+{\∈}_{6,\mathrm{\λa}}{c}_6}{{\∈}_{5,\mathrm{\λb}}{c}_5+{\∈}_{6,\mathrm{\λb}}{c}_6}---\left(27a\right)$ $=\frac{{\∈}_{5,\mathrm{\λa}}(c_5/c_6)+{\∈}_{6,\mathrm{\λa}}}{{\∈}_{5,\mathrm{\λb}}(c_5/c_6)+{\∈}_{6,\mathrm{\λb}}}---\left(28a\right)$ ≈s″_λa(t)/s″_λb(t)＝constant₃；在此，      (29a)

n_λa(t)≠r_a(t)n_λb(t)                     (30a)和 $r_v=\frac{{\∈}_{5,\mathrm{\λa}}{c}_3{x}_{\mathrm{3,4}}\left(t\right)+{\∈}_{6,\mathrm{\λa}}{c}_4{x}_{\mathrm{3,4}}\left(t\right)}{{\∈}_{5,\mathrm{\λb}}{c}_3{x}_{\mathrm{3,4}}\left(t\right)+{\∈}_{6,\mathrm{\λb}}{c}_4{x}_{\mathrm{3,4}}\left(t\right)}---\left(25b\right)$ ＝n_λa(t)/n_λb(t)                             (26b) $=\frac{{\∈}_{5,\mathrm{\λa}}{c}_3+{\∈}_{6,\mathrm{\λa}}{c}_4}{{\∈}_{5,\mathrm{\λb}}{c}_3+{\∈}_{6,\mathrm{\λb}}{c}_4}---\left(27b\right)$ $=\frac{{\∈}_{5,\mathrm{\λa}}(c_3/c_4)+{\∈}_{6,\mathrm{\λa}}}{{\∈}_{5,\mathrm{\λb}}(c_3/c_4)+{\∈}_{6,\mathrm{\λb}}}----\left(28b\right)$ ≈n″_λa(t)/n″_λb(t)＝constant₄；在此，      (29b)s_λa(t)≠r_v(t)s_λb(t).                        (30b)

根据本发明，通常的情况是式(26)和式(30)可被同时满足以确定比例常数r_a和r_v。另外，每一波长的吸收系数∈_5，λa、∈_6，λa、∈_5，λb、∈_6，λb都为常数，并且恒定饱和度方法的中心假设是c₅(t)/c₆(t)和c₃(t)/c₄(t)在许多 采样时段上是恒定的。因而，每采几个样就可从作为相关消除器输出的原始信号或二次信号的新的逼近值中确定出新的比例常数r_a和r_v。因而，由相关消除器为基本快速处理的被测信号S_λa(t)和S_λb(t)的采样序列建立的原始信号s_λa(t)和s_λb(t)或二次信号n_λa(t)和n_λb(t)的逼近值可用于本发明的处理器，以计算出下一被测信号S_λa(t)和S_λb(t)的采样序列的比例常数r_a和r_v。

用r_a乘以式(19)并用其结果去减式(18)，生成一个非零的二次参比信号：

n′(t)＝s_λa(t)-r_as_λb(t)＝n_λa(t)-r_an_λb(t)    (31a)

用r_v乘以式(19)并用其结果去减式(18)，生成一个非零的原始参比信号：

s′(t)＝s_λa(t)-r_vs_λb(t)＝s_λa(t)-r_vs_λb(t)    (31b)

当在病人监护时采用恒定饱和度法时，初始的比例系数可由下面描述的方法确定。即使在初始阶段也不需要限制病人的运动。当比例常数r_a和r_v确定后，相关消除器就可与二次参比信号n′(t)或原始参比信号s’(t)共同使用。

用恒定饱和度法确定原始参比信号和二次参比信号的信号系数

根据本发明的一个方面，图4a和图4b中的本发明的参比处理器26将被设计为能用多个信号系数r₁，r₂，…r_n分别乘以第二被测假定信号S_λb(t)＝s_λb(t)+n_λb(t)，然后用每一个上述乘积去减第一被测信号S_λa(t)＝s_λa(t)+n_λa(t)，从而得到多个如图7a所示的对应于r＝r₁，r₂，…r_n的参比信号：

R′(r，t)＝s_λa(t)-rs_λb(t)+n_λa(t)-rn_λb(t)      (32)换言之，即选择多个信号系数以便将可能的信号系数表达成一个截面图。

为从上述式(32)的多个参比信号中确定原始参比信号s′(t)或二次参比信号n′(t)，应从多个假设的信号系数r₁，r₂，…r_n中确定信号系数r_a和r_v。系数r_a和r_v选择的原则是：将r_a和r_v代入参比函数R′(r，t)时，将 使原始信号部分s_λa(t)和s_λb(t)或使二次信号部分n_λa(t)和n_λb(t)被消除或基本消除。即：

          s_λa(t)＝r_as_λb(t)                (33a)

          n_λa(t)＝r_vn_λb(t)                (33b)

n′(t)＝R′(r_a，t)＝n_λa(t)-r_an_λb(t)       (33c)

s′(t)＝R′(r_v，t)＝s_λa(t)-r_vs_λb(t)       (33d)

换句话说，选择的系数r_a和r_v将使原始信号部分与二次信号部分的相关最小。在实际工作中，一般不知道被测信号S_λa(t)和S_λb(t)的原始信号部分s_λa(t)及s_λb(t)或二次信号部分n_λa(t)及n_λb(t)的显著的先验信息。这些信息的缺乏使得难以从多个系数r₁，r₂，…r_n中确定哪个系数对应于信号系数r_a＝s_λa(t)/s_λb(t)及r_v＝n_λa(t)/n_λb(t)。

如图7a所示，一个从多个系数r₁，r₂，…r_n中确定信号系数r_a和r_v的途径是采用如自适应噪声消除器的相关消除器27，该相关消除器以被测信号S_λa(t)或S_λb(t)中的一个为第一输入，并逐次地以多个参比信号R′(r₁，t)，R′(r₂，t)…R′(r_n，t)中的一个为第二输入。相应于每个参比信号R′(r₁，t)，R′(r₂，t)…R′(r_n，t)的相关消除器27的输出被输入到能对相关消除器27的输出进行平方的“平方器”28中。平方器28的输出被提供给积分器29，以形成累加输出信号(平方和)。累加输出信号被顺序地输入到极值检测器31中。极值检测器31的目的是通过观察哪个系数能在如图7b和7c所示的累加输出信号中形成最大值的方法，从序列r₁，r₂，…r_n中选出信号系数r_a和r_v。换言之，可为来源于相关消除器27的信号提供最大积分输出(如能量或功率)的系数，对应于可使根据本发明信号模型的原始信号部分与二次信号部分相关最小的信号系数r_a和r_v。也可以设置一种系统几何图形，要求能从序列r₁，r₂，…r_n中检测出 能为累加输出信号提供最小值或拐点的系数，以确定信号系数r_a和r_v。

在与相关消除器27配合的本发明的处理器中使用多个参数以确定信号系数r_a和r_v的方法可用相关消除的特性加以说明。如果x，y和z为三个时间变量信号的任何一种集合，则某些相关消除器的特性C(x，y)可定义为：

特性(1)C(x，y)＝0即x，y相关                (34a)

特性(2)C(x，y)＝x即x，y不相关              (34b)

特性(3)C(x+y，z)＝C(x，z)+C(y，z)          (34c)式中特性(1)，(2)和式(3)可简单地解释如为：第一输入相应于被测信号S_λa(t)或S_λb(t)之一，第二输入逐次地相应于多个参比信号R′(r₁，t)，R′(r₂，t)…R′(r_n，t)中的一个的相关消除器的能量或功率输出，可以确定用于生成原始参比信号s′(t)及二次参比信号n′(t)的信号系数r_a和r_v。如果我们将被测信号S_λa(t)作为相关消除器的第一输入，将多个参比信号R′(r₁，t)，R′(r₂，t)…R′(r_n，t)作为相关消除器的第二输入，则相关消除器的输出C(S_λa(t)，R′(r_j，t))可写为(j＝1，2…，n)：

C(S_λa(t)+n_λa(t)，s_λa(t)-r_js_λb(t)+n_λa(t)-r_jn_λb(t))    (35)式中j＝1，2，3…，n，且已经代入了下式

R′(r，t)＝S_λa(t)-rS_λb(t)                 (36)

S_λa(t)＝s_λa(t)+n_λa(t)                    (37a)

S_λb(t)＝s_λb(t)+n_λb(t)                    (37b)用特性(3)可将式(35)扩展为两项

C(S_λa(t)，R′(r，t))＝C(s_λa(t)，s_λa(t)-rs_λb(t)+n_λa(t)-rn_λb(t))

+C(n_λa(t)，s_λa(t)-rs_λb(t)+n_λb(t)-rn_λb(t))                        (38)同样用特性(1)和(2)可将相关消除器的输出写为：

C(S_λa(t)，R′(r_j，t))＝s_λa(t)δ(r_j-r_a)+n_λa(t)δ(r_j-r_v)             (39)这里δ(x)为单位冲击函数

δ(x)＝0，如果x≠0

                                          (40)

δ(x)＝1，如果x＝0

相关消除器的输出C(S_λa(t)，R′(r_j，t))的时间变量t可以通过计算其能量或功率来消除。相关消除器输出的能量由下式给出： $E_{\mathrm{\λa}}\left(r_j\right)={\∫C}^2(S_{\mathrm{\λa}}\left(t\right),R^{\′}(r_j,t)\mathrm{dt}$ $=\mathrm{\δ}(r_j.r_a){\∫s^2}_{\mathrm{\λa}}\left(t\right)\mathrm{dt}+\mathrm{\δ}(r_j.r_v)\∫{n^2}_{\mathrm{\λa}}\left(t\right)\mathrm{dt}.$ (41a)

可以理解，同样，我们可选择将被测信号S_λb(t)作为相关消除器的第一输入，将多个参比信号R′(r₁，t)，R′(r₂，t)...R′(r_n，t)作为相关消除器的第二输入。在这种情况下，相关消除器输出的能量为： $E_{\mathrm{\λb}}\left(r_j\right)={\∫C}^2(S_{\mathrm{\λb}}\left(t\right),R^{\′}(r,t)\mathrm{dt}$ $=\mathrm{\δ}(r_j.r_a){{\∫s}^2}_{\mathrm{\λb}}\left(t\right)\mathrm{dt}+\mathrm{\δ}(r_j.r_v){\∫n^2}_{\mathrm{\λb}}\left(t\right)\mathrm{dt}.$ (41b)

同样可以理解，在实用情况下，与连续时间的被测信号一样，也可以使用离散时间的被测信号。图11-12描述了一个根据本发明的离散变换(即在本例中的饱和度变换)系统。在使用离散时间被测信号时， 可用如梯形法则、中点法则、Tick法则、Simpson逼近或其它技术一类的积分逼近法来计算相关消除器输出的能量或功率。在离散时间被测信号情况下，使用梯形法则，相关消除器输出的能量可写为： $E_{\mathrm{\λa}}\left(r_j\right)=\mathrm{\δ}(r_j.r_a)\mathrm{\Δt}\{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{s^2}_{\mathrm{\λa}}\left(t_i\right)\·0.5({s^2}_{\mathrm{\λa}}\left(t_0\right)+{s^2}_{\mathrm{\λa}}\left(t_n\right))\}+\mathrm{\δ}(r_j.r_v)\mathrm{\Δt}\{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{n^2}_{\mathrm{\λa}}\left(t_j\right)-$ 0.5(n² _λa(t₀)+n² _λb(tn))}                   (42a) $E_{\mathrm{\λb}}\left(r\right)=\mathrm{\δ}(r_j.r_a)\mathrm{\Δt}\{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{s^2}_{\mathrm{\λb}}\left(t_i\right)\·0.5({s^2}_{\mathrm{\λb}}\left(t_0\right)+{s^2}_{\mathrm{\λb}}\left(t_n\right))\}$ $+\mathrm{\δ}(r_j.r_v)\mathrm{\Δt}\{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{n^2}_{\mathrm{\λb}}\left(t_i\right)\·0.5({n^2}_{\mathrm{\λb}}\left(t_0\right)+{n^2}_{\mathrm{\λb}}\left(t_n\right))\}---\left(42b\right)$ 式中t_i是第i个离散时间，t₀为初始时间，t_n为结束时间，Δt为离散时间被测样本间的时间间隔。

如上所给出的及在图7b中所示的能量函数表明，由于被测信号S_λa(t)或S_λb(t)与许多的多个参比信号R′(r₁，t)，R′(r₂，t)…R′(r_n，t)之间是相关的，所以相关消除器的输出通常为零。然而，当参比信号R′(r_j，t)中r_j的取值与原始信号部分s_λa(t)或s_λb(t)的消除或与二次信号部分n_λa(t)或n_λb(t)的消除相应时，则能量函数是非零的。这些r_j的取值即对应于系数r_a和r_v。

可以理解，有时会出现这样情况，即原始信号部分s_λa(t)和s_λb(t)或二次信号部分n_λa(t)和n_λb(t)可能恒等于零或接近于零。在这种情况下，则只有一个信号系数使相关消除器的输出的能量或功率为最大。

由于可能有一个以上的信号系数值能使相关消除器的输出能量或功率最大，所以出现了多义模糊性。可能不能很快看出哪个信号系数与参比函数R′(r，t)一道可提供原始参比信号或二次参比信号。在这种情况下，需要考虑当前生理系统的约束条件。例如，在脉搏血氧测定时，已知特征为原始体积描记波形的动脉血比特征为二次无规律的或随机信号的静脉血具有更大的血氧饱和度。所以，在脉搏血氧测定时，假设 λa＝660nm且λb＝910nm，则由动脉搏动引起的原始信号比值r_a＝s_λa(t)/s_λb(t)必然是两个信号系数值中较小的一个，而由主要静脉血动力学引起的二次信号的比值r_v＝n_λa(t)/n_λb(t)必然为两个信号系数中较大的一个。

同样，可以理解，在处理多个参比信号的实用装置中或互相关技术中，上述如特性(1)，(2)和(3)的理想特征不能被完全满足，只能接近。因此，在本发明的这个实施例的实用装置中，在图7b中绘出的相关消除能量曲线上将没有无限窄的δ函数，而将有如图7c中所绘出的有限宽度的函数。

同样可以理解，可能有二个以上的信号系数值使相关消除器产生最大能量或功率。当每个都被测信号包含二个以上成分且每个成分间都具下列有比例关系时，这种情况就会出现。 $S_{\mathrm{\λa}}\left(t\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{\λa},i}\left(t\right)$ (43) $S_{\mathrm{\λb}}\left(t\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{\λb},i}\left(t\right)$ 式中f_λa，i(t)＝r_if_λb，i(t)    i＝1…，nr_i≠r_j，

因此，参比信号技术与如自适应噪声消除一类的相关消除技术一起，可用于将信号分解为二个或多个互相成比例关系的信号成分。

应用联合处理估计装置的优选相关消除器

当二次参比信号n′(t)或原始参比信号s′(t)由本发明的处理器确定后，则可用硬件或软件实施相关消除器。优选的相关消除装置是采用了联合处理估计器的自适应噪声消除器。

前面描述的内部处理器32的最小均方装置(LMS)与图5a及图5b的自适应噪声消除器相连，相对易于实施，但其速度不能满足本发明大多数生理监护应用的需求。因而，在一个实施例中使用了一个叫做最小二乘点阵联合处理估计模型的自适应消除的快速手段。图8是联合处 理估计器60的示意图，在由Prentice-Hall在1986年出版的SimonHaykin所著的《自适应滤波理论》一书的第9章中，对联合处理估计器进行了详细描述。包括第9章的该书全部被本文引为参考文献。

所述联合处理估计器的功能是从被测信号S_λa(t)或S_λb(t)中消除二次信号部分n_λa(t)或n_λb(t)或消除原始信号部分s_λa(t)或s_λb(t)，以生成原始信号的逼近值s″_λa(t)或s″_λb(t)或生成二次信号的逼近值n″_λa(t)或n″_λb(t)。因而，所述的联合处理估计器既估计原始信号部分s_λa(t)或s_λb(t)的值也估计二次信号部分n_λa(t)或n_λb(t)的值。所述联合处理估计器60的输入是二次参比信号n′(t)或原始参比信号s′(t)以及复合的被测信号S_λa(t)或S_λb(t)。其输出为消除了原始信号部分或消除了二次信号部分后的被测信号S_λa(t)或S_λb(t)的良好逼近，即s_λa(t)，s_λb(t)，n_λa(t)或n_λb(t)的良好逼近。

图8所示的联合处理估计器结合使用了最小二乘法点阵预测器70和回归滤波器80。将二次参比信号n′(t)或原始参比信号s′(t)输入到最小二乘法点阵预测器70中，同时将被测信号S_λa(t)或S_λb(t)输入到回归滤波器80中。为简单起见，在以下的描述中，S_λa(t)为被测信号，用联合处理估计器60从该被测信号中估计出原始信号部分s_λa(t)或二次信号部分n_λa(t)。然而应该注意到，S_λb(t)也被输入到回归滤波器80中，且这个信号的原始信号部分s_λb(t)或二次信号部分n_λb(t)也将被估计出。

所述的联合处理估计器60将消除参比信号n′(t)和s′(t)以及被测信号S_λa(t)中所共有的频率成分。二次信号部分n_λa(t)所包含的频率成分通常与原始信号部分s_λa(t)的频率成分是不相关的。二次信号部分n_λa(t)的谱成分不可能与原始信号部分s_λa(t)的谱成分完全相同。然而在某些对我们不利情况下，s_λa(t)和n_λa(t)的谱成分相似，此时上述消除手段将不能产生准确的结果。从功能上讲，所述的联合处理估计器60将与二次信号部分n_λa(t)或原始信号部分s_λa(t)相关的输入信号n′(t)或s′(t)与输入信号S_λa(t)进行比较，并消除所有相同的频率成分。所以，所述联合处理估计器60如动态多阶陷波滤波器一样，消除那些在二次信号部分n_λa(t)中因病人运动而无规律变化的频率成分，或消除那些在原始信号部分s_λa(t)中因病人动脉搏动而变化的频率成分。由此生成了一个与原始信号部分s_λa(t)或二次信号部分n_λa(t)具有基本相同谱成分及幅度的信号。所以，所述联合处理估计器60的输出s″_λa(t)或n″_λa(t)是原始信号部分s_λa(t) 或二次信号部分n_λa(t)的很好的逼近值。

如图8所示，所述的联合处理估计器60可分为0至m几个级。除第0级外，其余各级是相同的。第0级是联合处理估计器60的输入级。第1级至第m级每一级对上一级(即第m-1级)处理后的信号进行处理，以使第m级所产生的输出是良好的原始信号逼近值s″_λa(t)或良好的二次信号逼近值n″_λa(t)。

所述的最小二乘法点阵预测器70包括寄存器90和92，加法部件100和102，及延时部件110。所述的寄存器90和92包括前反射系数Γ_f，m倍增值和后和系数Γ_f，m倍增值，该倍增值与参比信号n′(t)或s′(t)及与从参比信号n′(t)或s′(t)中提取出的信号相乘。最小二乘法点阵预测器的每一级都输出一个向前预测偏差f_m(t)和一个向回预测偏差b_m(t)。其下标m代表“级”。

对于每个采样序列，即基本同时提取的一个参比信号n′(t)或s′(t)的采样和一个被测信号S_λa(t)的采样，所述的参比信号n′(t)或s′(t)的采样被输入到最小二乘法点阵预测器70中。第0级的向前预测偏差f₀(t)及向回预测偏差b₀(t)被设置为与参比信号n′(t)或s′(t)相同。所述的向回预测偏差b₀(t)被在最小二乘法点阵预测器70第一级的延时部件110延时一个采样间隔。因而，在包括第一级延时部件110的计算中，使用的是当前参比信号n′(t)或s′(t)的上一点的值。将延时后的第0级向回预测偏差b₀(t-1)乘以寄存器90中的向前反射系数Γ_f，1(t)值，然后将该乘积值加上负号后与第0级的向前预测偏差相加，产生了第一级的向前预测偏差f₁(t)。另外，将第0级的向前预测偏差f₀(t)乘以寄存器92中的向后反射系数Γ_b，1(t)值，然后将乘积与延时后的第0级向回预测偏差b₀(t-1)相加，产生了第一级向回预测偏差b₁(t)。在最小二乘法点阵预测器70的每个后续级m中，上一级的向前预测偏差值f_m-1(t)和上一级的经延时一个采样间隔的向回预测偏差值b_m-1(t-1)，被用以产生当前级的向前预测偏差值和向回预测偏差值f_m(t)和b_m(t)。

所述的向回预测偏差值b_m(t)被反馈给回归滤波器80的与该偏差值共同的级，第m级。在这里它被输入至一个具有一乘法回归系数k_m，λa(t)的寄存器96中。例如，在回归滤波器80的第0级，第0级向回预测偏差b₀(t)乘以第0级回归系数k_0，λa(t)的寄存器96值，然后在加法部件106中用该乘积去减信号S_λa(t)的被测值，以产生第1级的估计偏差信号 e_1，λa(t)。该第1级的估计偏差信号e_1，λa(t)是原始信号或二次信号的第一次逼近。这个第1级的估计偏差信号e_1，λa(t)被输入至回归滤波器80的第1级中，并用其减去第1级向回预测偏差b₁(t)与寄存器96中的第1级回归系数k_1，λa(t)值的乘积，以产生第2级的估计偏差信号e_2，λa(t)。所述的第2级的估计偏差信号e_2，λa(t)是原始信号s_λa(t)或二次信号n_λa(t)的第二次逼近，这个第二次逼近在一定程度上优于第一次逼近。

在最小二乘法点阵预测器70和回归滤波器80中，对每一级重复与上述相同的处理过程，直至能确定产生了一个原始信号s_λa(t)或二次信号n_λa(t)的很好的逼近值e_m，λa(t)。上面讨论的每一个信号，包括向前预测偏差f_m(t)、向回预测偏差b_m(t)和估计偏差信号e_m，λa(t)对于在每一级m中计算前反射系数Γ_f，m(t)、向后反射系数Γ_b，m(t)和在寄存器90，92和96中的回归系数k_m，λa(t)值都是必要的。除向前预测偏差f_m(t)、向回预测偏差b_m(t)和估计偏差信号e_m，λa(t)之外，还需要一些中间变量，才能计算出向前反射系数Γ_f，m(t)、向后反射系数Γ_b，m(t)和在寄存器90，92和96中的回归系数k_m，λa(t)值，所述的中间变量在图8中没有示出，但这些变量是以图8中标出的值为基础的。

中间变量包括向前预测偏差平方的加权和ζ_m(t)、向回预测偏差平方的加权和β_m(t)、标量参数Δ_m(t)、转换因子Y_m(t)和另一个标量参数ρ_m，λa。所述的向前预测偏差平方的加权和ζ_m(t)定义为：这里λ不是代表波长a或b，而是一个与波长无关的恒定的乘数值，一般小于或等于1，即λ≤1。所述的向回预测偏差平方的加权和β_m(t)定义为： ${\mathrm{\β}}_m\left(t\right)=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\λ}}^{t-i}|b_m\left(i\right){|}^2---\left(45\right)$ 同样，这里λ不是代表波长a或b，而是一个与波长无关的恒定的乘数值，一般小于或等于1，即λ≤1。可象前面提到的Haykin的书的第9章第9.3节中所描述的并如本文下面所列的式(59)和(60)所定义的那样处理这些加权和中间偏差信号，以使这些信号更易被求出。

联合处理估计器的描述

联合处理估计器60的操作如下。当打开联合处理估计器时，包括参数Δ_m-1(t)、向前预测偏差平方的加权和ζ_m-1(t)、向回预测偏差平方的加权和β_m-1(t)、参数ρ_m，λa和0级估计偏差信号e_0，λa(t)等的中间变量和信号的初始值被初始化，一些被始化为0，一些初始化为很小的正数δ：

        Δ_m-1(0)＝0；                   (46)

         B_m-1(0)＝δ；                  (48)

        ρ_m，λa(0)＝0；                (49)

         e_0，λa(t)＝S_λa(t)for t≥0.   (50)初始化之后，如图8所示，对被测信号S_λa(t)或S_λb(t)以及对二次参比信号n′(t)或原始参比信号s′(t)的同步采样被输入到联合处理估计器60中。根据下列公式，计算第0级的向前预测偏差f₀(t)、向回预测偏差b₀(t)，及计算包括向前预测偏差平方的加权和ζ₀(t)、向回预测偏差平方的加权和β₀(t)、转换因子Y₀(t)在内的第0级的中间变量，如果用二次参比信号n′(t)，则公式为：f₀(t)＝b₀(t)＝n′(t)                         (51a)

γ₀(t-1)＝1                                  (53a)否则如果用原始参比信号s′(t)则公式为：f₀(t)＝b₀(t)＝s′(t)                         (51b)γ₀(t-1)＝1                                  (53b) 同样，这里λ不是代表波长a或b，而是一个与波长无关的恒定的乘数值。

向前反射系数Γ_f，m(t)、向后反射系数Γ_b，m(t)和寄存器90，92和96中的回归系数k_m，λa(t)值是在每一级之后根据上一级的输出而设定的。第1级的向前反射系数Γ_f，1(t)、向后反射系数Γ_b，1(t)和回归系数k_1，λa(t)在寄存器90，92和96中的值是根据这种算法利用在联合处理估计器60的第0级中的值而设定的。在每一m大于等于1的级中，中间变量值和寄存器值，包括参数Δ_m-1(t)；前反射系数Γ_f，m(t)在寄存器90中的值；向后反射系数Γ_b，m(t)在寄存器92中的值；向前预测偏差信号f_m(t)；向回预测偏差信号b_m(t)；如Haykin的书中第9.3节所处理的向前预测偏差平方的加权和ζ_f，m(t)；如Haykin的书中第9.3节所处理的向回预测偏差平方的加权和β_b，m(t)；转换因子γ_m(t)；参数ρ_m，λa；回归系数k_m，λa(t)在寄存器96中的值；和估计偏差信号e_m+1，λa(t)值，可根据下式设定：Δ_m-1(t)＝λΔ_m-1(t-1)+{b_m-1(t-1)f^* _m-1(t)/γ_m-1(t-1)}     (54)Γ_f，m(t)＝·{Δ_m-1(t)/B_m-1(t-1)}                         (55)

f_m(t)＝f_m-1(t)+Γ^* _f，m(t)b_m-1(t-1)                        (57)b_m(t)＝b_m-1(t-1)+Γ^* _b，m(t)f_m-1(t)                          (58)

γ_m(t-1)＝γ_m-1(t-1)·{|b_m-1(t-1)|²/B_m-1(t-1)}            (61)ρ_m，λa(t)＝λρ_m，λa(t-1)+{b_m(t)∈^* _m，λa(t)/γ_m(t)}   (62)K_m，λa(t)＝(ρ_m，λa(t)/B_m(t)}                           (63)∈_m+1，λa(t)＝∈_m，λa(t)·k^* _m(t)b_m(t)                   (64) 这里(^*)表示共轭复数。

这些等式使得偏差信号f_m(t)，b_m(t)，e_m，λa(t)被平方，或进行与平方效果相同的彼此相乘，并产生了新的中间偏差值，如Δ_m-1(t)。偏差信号和中间偏差值被递归地联系在一起，如上式(54)至(64)所示。它们相互作用，以在下一级减小偏差。

在原始信号部分s_λa(t)或二次信号部分n_λa(t)的一个良好的逼近值已经由联合处理估计器60确定以后，下一个采样序列，包括对被测信号S_λa(t)的采样和对二次参比信号n′(t)或对原始参比信号s′(t)的采样，将被输入到联合处理估计器60中。不用有再初始过程，其目的是用向前反射系数Γ_f，m(t)在寄存器90中的值和向后反射系数Γ_b，m(t)在寄存器92中的值及回归系数k_m，λa(t)在寄存器96中的值反映出用于估计上一次输入的S_λa(t)采样的原始信号部分s_λa(t)或二次信号部分n_λa(t)的乘法因子值。因而，在每一级中，上一次采样的信息都被用于进行当前采样序列的原始或二次信号部分的估计。

在上述的联合处理估计器的一个更为数字稳定的和优选的实施例中，使用了归一化的联合处理估计器。这种形式的联合处理估计器对前面所述的联合处理估计器的几个变量进行了归一化，以使归一化后的变量值处于-1至1之间。归一化联合处理估计器的推导是受Haykin的文章中第640页的问题12的启发，根据下列条件重新定义变量：

$\stackrel{-}{b}\left(t\right)=\frac{b_m\left(t\right)}{\sqrt{{\mathrm{\β}}_m\left(t\right){\mathrm{\γ}}_m\left(t\right)}}$

这一变换使得式(54)-(64)转换为下列归一化等式： ${\stackrel{-}{\mathrm{\Δ}}}_{m-1}\left(t\right)={\stackrel{-}{\mathrm{\Δ}}}_{m-1}(t-1){\[1-|f_{m-1}\left(t\right){|}^2\]}^{1/2}\[1-|{\stackrel{-}{b}}_{m-1}(t-1){|}^2{]}^{1/2}+{\stackrel{-}{b}}_{m-}$ ${\stackrel{-}{b}}_m\left(t\right)=\frac{\[{\stackrel{-}{b}}_{m-1}(t-1)-{\stackrel{-}{\mathrm{\Δ}}}_{m-1}\left(t\right){\stackrel{-}{f}}_{m-1}\left(t\right)\]}{\[1-|{\stackrel{-}{\mathrm{\Δ}}}_{m-1}\left(t\right){|}^2{\]}^{1/2}\[1-|{\stackrel{-}{f}}_{m-1}\left(t\right){|}^2{\]}^{1/2}}$ ${\stackrel{-}{f}}_m\left(t\right)=\frac{\[{\stackrel{-}{f}}_{m-1}\left(t\right)-{\stackrel{-}{\mathrm{\Δ}}}_{m-1}\left(t\right){\stackrel{-}{b}}_{m-1}(t-1)\]}{{\[1-{\left|{\stackrel{-}{\mathrm{\Δ}}}_{m-1}\left(t\right)\right|}^2\]}^{1/2}\[1-|{\stackrel{-}{b}}_{m-1}(t-1){|}^2{\]}^{1/2}}$ ${\mathrm{\β}}_m\left(t\right)=\[1-|{\stackrel{-}{\mathrm{\Δ}}}_{m-1}\left(t\right){|}^2\]{\mathrm{\β}}_{m-1}(t-1)$ ${\mathrm{\γ}}_m\left(t\right)={\mathrm{\γ}}_{m-1}\left(t\right)\[1-|{\stackrel{-}{b}}_{m-1}\left(t\right){|}^2\]$ ${\mathrm{\ρ}}_m\left(t\right)=\mathrm{\λ}\·\[\frac{{\mathrm{\γ}}_m\left(t\right){\mathrm{\β}}_m(t-1)}{{\mathrm{\γ}}_m(t-1){\mathrm{\β}}_m\left(t\right)}{\]}^{1/2}{\mathrm{\ρ}}_m(t-1)+{\stackrel{-}{b}}_m\left(t\right){\mathrm{\ϵ}}_m\left(t\right)$ ${\mathrm{\ϵ}}_{m+1,\mathrm{\λa}}\left(t\right)={\mathrm{\ϵ}}_{m,\mathrm{\λa}}\left(t\right)-{\mathrm{\ρ}}_m\left(t\right){\stackrel{-}{b}}_m\left(t\right)$

归一化联合处理估计器的初始化

将N(t)定义为在时间序号n处的参比噪声输入，U(t)定义为在时间序号t处的混合信号加上噪声输入，则可形成下列等式(见Haykin的书第619页)：1.对于算法的初始化，当时间t＝0时设 ${\stackrel{-}{\mathrm{\Δ}}}_{m-1}\left(0\right)=0$ β_m-1(0)＝δ＝10^-6γ₀(0)＝1 2.在每个时刻t≥1，产生下列可变的0阶变量：γ₀(t-1)＝1β₀(t)＝λβ₀(t-1)+N²(t) ${\stackrel{-}{b}}_0\left(t\right)={\stackrel{-}{f}}_0\left(t\right)=\frac{N\left(t\right)}{\sqrt{{\mathrm{\β}}_0\left(t\right)}}$ 3.对于回归滤波器，通过在时间序号t＝0时进行设定，使算法初始化：

                   ρ_m(0)＝04.在每个时刻t≥1，产生下列0阶变量：

                   ε₀(f)＝U(t).

因此，归一化的联合处理估计器可用于更稳定的系统。

在另外一个实施例中，其相关消除使用了一个如图8a所示的QRD算法，该算法在1986年由Prentice-Hall出版的SimonHaykin所著的《自适应滤波理论》一书的第18章中有详细描述。

下列等式是相应于图8a所示的QRD-LSL示意图从所述的HayKin的书中修改出来的。图8a也是由Haykin的书中修改出来的。

计算

a.预测：对于时间t＝1，2，……及预测阶数m＝1，2，……，M，这里M为最终预测阶数，计算： β_m-1(t-1)＝λβ_m-1(t-2)+|∈_b，m-1(t-1)|² $c_{b,m-1}(t+1)=\frac{{\mathrm{\λ}}^{1/2}{\mathrm{\β}}_{m-1}^{1/2}(t-2)}{{\mathrm{\β}}_{m-1}^{1/2}(t-1)}$ $s_{b,m-1}(t-1)=\frac{{\∈}_{b,m-1}^{*}(t-1)}{{\mathrm{\β}}_{m-1}^{1/2}(t-1)}$ ${\∈}_{f,m}\left(t\right)=c_{b,m-1}(t-1){\∈}_{f,m-1}\left(t\right)-s_{b,m-1}^{*}(t-1){\mathrm{\λ}}^{1/2}{\mathrm{\π}}_{f,m-1}^{*}(t-1)$ ${\mathrm{\π}}_{f,m-1}^{*}\left(t\right)=c_{b,m-1}(t-1){\mathrm{\λ}}^{1/2}{\mathrm{\π}}_{f,m-1}^{*}(t-1)+s_{b,m-1}(t-1){\∈}_{f,m-1}(i$ ${\mathrm{\γ}}_m^{1/2}(t-1)=C_{b,m-1}(t-1){\mathrm{\γ}}_{m-1}^{1/2}(t-1)$

${\∈}_{b,m}\left(t\right)=C_{f,m-1}\left(t\right){\∈}_{b,m-1}(t-1)-S_{f,m-1}^{*}\left(t\right){\mathrm{\λ}}^{1/2}{\mathrm{\π}}_{b,m-1}^{*}(t-1)$ ${\mathrm{\π}}_{b,m-1}^{*}\left(t\right)=C_{f,m-1}\left(t\right){\mathrm{\λ}}^{1/2}{\mathrm{\π}}_{b,m-1}^{*}(t-1)+S_{f,m-1}\left(t\right){\∈}_{b,m-1}(t-1)$ b.滤波：对于阶m＝0，1，2，……，m-1，及时间t＝1，2……，计算β_m(f)＝λβ_m(t-1)+|∈_b,m(t)|² $C_{b,m}\left(t\right)=\frac{{\mathrm{\λ}}^{1/2}{\mathrm{\β}}_m^{1/2}(t-1)}{\·{\mathrm{\β}}_m^{1/2}\left(t\right)}$ $S_{b,m}\left(t\right)=\frac{{\∈}_{b,m}^{*}\left(t\right)}{{\mathrm{\β}}_m^{1/2}\left(t\right)}$ ${\∈}_{m+1}\left(t\right)=C_{b,m}\left(t\right){\∈}_m\left(t\right)-S_{b,m}^{*}\left(t\right){\mathrm{\λ}}^{1/2}{\mathrm{\ρ}}_m^{*}(t-1)$ ${\mathrm{\ρ}}_m^{*}\left(t\right)=C_{b,m}\left(t\right){\mathrm{\λ}}^{1/2}{\mathrm{\ρ}}_m^{*}(t-1)+S_{b,m}\left(t\right){\∈}_m\left(t\right)$ ${\mathrm{\γ}}_{m+1}^{1/2}\left(t\right)=C_{b,m}\left(t\right){\mathrm{\γ}}_m^{1/2}\left(t\right)$ ${\mathrm{\ϵ}}_{m+1}\left(t\right)={\mathrm{\λ}}_{m+1}^{1/2}\left(t\right){\∈}_{m+1}\left(t\right)$ 5.初始化a.辅助参数的初始化：对于阶m＝1，2，……M，设π_f，m-1(0)＝π_b，m-1(0)＝0p_m(0)＝0b.软约束条件初始化：对于阶m＝0，1，…M，设β_m(-1)＝δ这里δ为一个很小的正常数。 c.数据初始化：对于t＝1，2……，计算∈_f，0(t)＝∈_b，0(t)＝μ(f)∈₀(t)＝d(f)γ₀(f)＝1这里μ(t)为输入，d(t)是在时间t处所需要的响应。

联合处理估计器的流程图

在一个信号处理器中，例如与本发明的参比处理器相结合的以便为相关消除器的输入确定一个参比信号n′(t)或s′(t)的生理监护仪中，联合处理估计器60形式的自适应噪声消除器通常由一个具有迭代循环的软件程序实现。循环中的一个迭代近似于图8中所示的联合处理估计器的一个单级。因而，如果循环进行了m次迭代，则它等效于m级联合处理估计器60。

图9示出了一个进行被测信号S_λa(t)的原始信号部分s_λa(t)或二次信号部分n_λa(t)估计的子程序的流程图。该流程图表明了参比处理器确定二次参比信号n′(t)或原始参比信号s′(t)的功能。联合处理估计器的流程图由软件实现。

如在“噪声消除器的初始化”功能块120所说明的，当生理监护仪通电时将进行一个一次性的初始化过程。所述的初始化将所有的寄存器90，92和96及延时部件变量110设置为上述等式(46)至(50)所描述的值。

接下来，一个对被测信号S_λa(t)和S_λb(t)的同步采样序列被输入到图9流程图所示的子程序中。然后，如在“Z-1部件的时间更新”功能块130所说明的，对每个延时部件的程序变量进行时间更新。每个延时部件变量110的存贮值被设置为延时部件变量110输入时的值。由此，第0级的向回预测偏差b₀(t)被存贮为第1级的延时部件变量，第1级的向回预测偏差b₁(t)被存贮为第2级的延时部件变量，以此类推。

然后，使用被测信号S_λa(t)和S_λb(t)的采样序列时，用前面所述的恒定饱和度法或比例法求得参比信号。这在“为两个被测信号样本计算参比信号[n’(t)或s’(t)”功能块140中进行了说明。

接下来，如在“0阶更新”功能块150所说明的，进行0阶更新。第0级的向回预测偏差b₀(t)和第0级的向前预测偏差f₀(t)被设置为与参比信号n’(t)或s’(t)值相等。另外，向前预测偏差的加权和ζ_f，m(t)及向回预测偏差的加权和β_m(t)被设置为与式(47)和(48)所定义的值相等。

下一步是如在“m＝0”的功能块160所说明的，将循环计数器m进行初始化。确定图9的流程图所示的子程序所使用的总级数的m的最大值也将被设定。所述的循环一般设计为，当原始信号或二次信号的最隹逼近的收敛指标被联合处理估计器60满足时，迭代即停止。此外，也可以选择使循环迭代停止的循环迭代最大次数。在一个本发明的生理监护仪的优选实施例中，最大迭代次数m＝6至m＝10都是较好的选择。

在循环中，如在图9中的“最小二乘法点阵的第M级的阶更新”功能块170所说明的，首先计算最小二乘法点阵滤波器的向前反射系数Γ_f，m(t)及向后反射系数Γ_b，m(t)在寄存器90和92中的值。这需要计算中间变量和信号值，所述的中间变量和信号值在本级、下级及在回归滤波器80中被用于确定寄存器90，92，及96中的值。

接下来进行的是回归滤波器寄存器96中的值k_m，λa(t)的计算，如“回归滤波器的第M级的阶更新”功能块180所说明。二个阶更新功能块170和180按顺序工作m次，直至m达到其预定的最大值(在优选实施例中，m＝6或m＝10)，或如由“循环”判断功能块190中的“是”路径所说明的，直至其结果已经收敛。在一个计算机子程序中，收敛是通过判断向前预测偏差的加权和ζ_f，m(t)及向回预测偏差的加权和β_m(t)是否小于一个很小的正数来确定的。接下来如“计算输出”功能块200所说明的那样计算输出。所述的输出是原始信号或二次信号的一个良好的逼近值，该逼近值由参比处理器26及联合处理估计器60子程序根据图9的流程图来确定。如“显示”功能块210所说明的那样，上述输出被显示出来(或用于其它子程序的计算)。

两个被测信号S_λa(t)和S_λb(t)的一个新的采样序列被输入到处理器和一个对应于图9流程图的联合处理估计器60自适应噪声消除子程序中，并且对这些样本重复上述过程。然而，应注意到没有重复进行初始化过程。被测信号S_λa(t)和S_λb(t)的新的采样序列被连续地输入到参比处理器26中和被输入到联合处理估计器自适应噪声消除子程序中。其输出形成了一个代表一个连续波形的样本链。这个波形是在波长λa下的原 始信号波形s_λa(t)或二次波形n_λa(t)的一个良好逼近值。这个波形也可以是在波长λb下的原始信号波形s_λb(t)或二次波形n_λb(t)的一个良好逼近值。

图9a绘出了一个与图8a的QRD算法相应的流程图，其标记是相应的数字后加“a”。

从相关消除器的输出计算饱和度

生理监护仪可以利用所述的原始信号逼近值s″_λa(t)或s″_λb(t)或二次信号的逼近值n″_λa(t)或n″_λb(t)计算其它量，如计算某种组分在包含该种组分以及一个或多个其它组分的容积中的饱和度。通常，这些计算需要有关在两个波长下的原始信号部分或二次信号部分的信息。例如，恒定饱和度法需要二个被测信号S_λa(t)和S_λb(t)的原始信号部分s_λa(t)及s_λb(t)的良好的逼近。动脉血氧饱和度是从两个信号的良好逼即s″_λa(t)和s″_λb(t)中确定的。恒定饱和度法还需要二次信号部分n_λa(t)或n_λb(t)的良好逼近。静脉血氧饱和度的估计是从这些信号的良好逼即n″_λa(t)和n″_λb(t)中确定的。

图10示出了一个具有两个回归滤波器80a和80b的联合处理估计器60。第一个回归滤波器80a接收被测信号S_λa(t)。第二个回归滤波器80b接收被测信号S_λb(t)，以便用恒定饱和度法确定参比信号s′(t)或n′(t)。第一回归滤波器80a与第二回归滤波器80b是相互独立的。向回预测偏差b_m(t)被输入到每个回归滤波器80a和80b中，第二个回归滤波器80b的输入是第一个回归滤波器80a的旁路。

第二回归滤波器80b中具有排列结构与在第一回归滤波器中相似的寄存器98和加法部件108。第二回归滤波器通过另外一个中间变量与式(54)至(64)所定义的变量一起进行工作，所述的另外一个中间变量是：ρ_m，λb(t)＝λρ_m，λb(t-1)+{b_m(t)e^* _m，λb(t)/γ_m(t)}；和                                    (65)ρ_0，λb(0)＝0.                       (66)第二回归滤波器80b具有一个其定义与第一回归滤波器偏差信号值e_m+1，λa(t)相似的偏差信号值，即：e_m+1，λb(t)＝e_m，λb(t)·K^* _m，λb(t)b_m(t)；和      (67)e_0，λb(t)＝S_λb(t)for t≥0.                        (68) 第二回归滤波器具有一个其定义与第一回归滤波器偏差信号值相似的回归系数在寄存器98中的值，k_m，λb(t)，即：K_m，λb(t)＝{ρ_m，λb(t)/B_m(t)}；或           (69)这些值与那些由式(46)至(64)定义的中间变量值、信号值、寄存器和寄存器值共同使用。这些信号以一个顺序进行计算，所述的顺序是通过将这些另外的信号紧邻着与它相似的对应于波长λa的信号而确定的。

对于恒定饱和度法，S_λb(t)被输入到第二回归滤波器80b中。因而其输出为原始信号的良好的逼近s″_λb(t)或二次信号的良好逼近n″_λb(t)。

加上第二个回归滤波器基本上不用改变由图9的流程图所示的计算机子程序。所不同的是，不是只对一个回归滤波器的第m级的阶进行更新，而是对两个回归滤波器80a和80b的第m级的阶进行更新。这由图9中的“对回归滤波器(组)的第m级的阶进行更新”功能块180的双重含义来区分。由于回归滤波器80a和80b的工作是独立的，所以在参比处理器中和在由图9的流程图所建模的联合处理估计器60的自适应噪声消除器子程序中，所作的计算也可以是独立的。

图10a示出了一个用于图10的联合处理估计器的一个另外的程序，该程序使用了QRD算法，并具有两个回归滤波器。这种形式的联合处理估计器可用于进行采用Haykin的书中所描述的QRD算法的相关消除。

饱和度的计算

当用联合处理估计器60确定了对原始信号部分的良好逼近s″_λa(t)及s″_λb(t)或确定了对二次信号部分的良好逼近n″_λa(t)及n″_λb(t)之后，例如在包含A₅和A₆的容积中的A₅组分的饱和度就可用多种已知的方法进行计算。从数学上，对原始信号的逼近可用λa项和λb项写为：s″_λa(t)≈∈_5，λac₅x_5，6(t)+∈_6，λac₆x_5，6(t)；和       (70)s″_λb(t)≈∈_5，λbc₅x_5，6(t)+∈_6，λbc₆x_5，6(t).          (71)式(70)和式(71)对于两个具有三个未知项c₅(t)，c₆(t)和x_5，6(t)的等式是等效的。可以通过在两个不同但邻近的时间t₁和t₂求得原始信号部分或二次信号部分的逼近的方式来确定饱和度，在上述两个时间区间内，包含A₅和A₆的容积中A₅的饱和度及包含A₃和A₄的容积中A₃的饱和度基本不 变。例如，对于在时间t₁和t₂估计的原始信号：s″_λa(t₁)≈∈_5，λac₅x_5，6(t₁)+∈_6，λac₆x_5，6(t₁)               (72)s″_λb(t₁)≈∈_5，λbc₅x_5，6(t₁)+∈_6，λbc₆x_5，6(t₁)               (73)s″_λa(t₂)≈∈_5，λac₅x_5，6(t₂)+∈_6，λac₆x_5，6(t₂)               (74)s″_λb(t₂)≈∈_5，λbc₅x_5，6(t₂)+∈_6，λbc₆x_5，6(t₂)               (75)则可以确定与式(72)至(75)有关的差值信号，即：

Δs_λa＝s″_λa(t₁)-s″_λa(t₂)≈∈_5，λac₅Δx+∈_6，λac₆Δx；和(76)

Δs_λb＝s″_λb(t₁)-s″_λb(t₂)≈∈_5，λbc₅Δx+∈_，λbc₆Δx；   (77)这里，Δx＝x_5，6(t₁)-x_5，6(t₂)。在时间t＝(t₁+t₂)/2的平均饱和度为：Saturation(t)＝c₅(t)/[c₅(t)+c₆(t)]                                (78) $=\frac{{\∈}_{6,\mathrm{\λa}}\·{\∈}_{6,\mathrm{\λb}}({\mathrm{\Δs}}_{\mathrm{\λa}}/{\mathrm{\Δs}}_{\mathrm{\λb}})}{{\∈}_{6,\mathrm{\λa}}\·{\∈}_{5,\mathrm{\λa}}\·({\∈}_{6,\mathrm{\λb}}\·{\∈}_{5,\mathrm{\λb}})({\mathrm{\Δs}}_{\mathrm{\λa}}/{\mathrm{\Δs}}_{\mathrm{\λb}})}---\left(79\right)$ 可见，用相除将Δx项从饱和度计算中消除掉。因而，在饱和度计算中，无需知道原始组分的厚度。

脉搏血氧测量

一个用本发明的处理器确定做为相关消除器输入的二次参比信号n’(t)的生理监护仪的特别例子是脉搏血氧计，所述的相关消除器可消除由运动引起的无规律的二次信号部分。脉搏血氧测量也可以通过使用本发明的处理器来确定原始参比信号s’(t)的方式进行，所述的原始参比信号可用于显示或可做为用于提取有关病人运动信息及静脉血氧饱和度的相关消除器的输入。

脉搏血氧计通常是使能量在一个血流靠近表面的媒质中传播，如耳垂、如手指的趾部、前额或胎儿头皮。通过媒质的传播和反射后，测量衰减后的信号。血氧计估计含氧血的饱和度。

新鲜的含氧血从心脏以高压泵入动脉之中供身体使用。动脉血量随心脏搏动变化，因而导致能量吸收随心率或脉搏而变化。

氧释放或脱氧后的血液与未使用过的含氧的血液一起沿着静脉返回心脏。静脉血量也随着呼吸频率变化，其变化通常比心率变化慢得多。因而，当不存在由运动引起的静脉的尺寸变化时，则静脉血一般在能量吸收中引起低频变化。当存在由运动导致的静脉尺寸发生时，则能量吸收的低频变化是与由运动偏差造成的能量吸收的无规律变化同时存在的。

在利用能量经媒质传输的方式进行的吸收测量中，将两个发光二极管(LED)放置在如手指一类的血液靠近体表的身体端部的一侧，并将一个光电检测器放置在手指的另一侧。一般，在脉搏血氧测量时，一个LED发射一种可见波长光，优选为红光，而另一个LED则发射一种红外波长光。然而，本领域的技术人员都知道，其它的波长组合也是可以采用的。手指由皮肤、组织、肌肉、动脉血和静脉血、脂肪等组成。由于吸收系数、密度、厚度及光学路径的变化不同，上述各种成分吸收的光能不同。当病人不动时，除了血液流动的影响，能量吸收基本是恒定的。所述的恒定的衰减可通过传统的滤波技术从信号中确定和减去。当病人运动时，将由于背景液体(例如具有与动脉血不同饱和度的静脉血)的运动，引起如光学路径变化之类的扰动。因此，被测信号变得无规律。无规律的运动造成的噪声通常不能被预测和/或不能通过传统的滤波技术从被测信号中减去。因而，动脉及静脉血氧饱和度的确定变得更加困难。

图11-13示出了一个用于脉搏血氧测量的生理监护仪的框图。图11绘出了一个脉搏血氧计299的通用硬件模块图。传感器300具有两个如LED之类的光发射器301和302。一个LED301发射一种红光波长的光，而另一个LED302则发射一种红外波长光，这两个LED被紧贴着手指310放置。一个能产生相应于被衰减后的可见光和红外光的能量信号的电信号的光电检测器320被放置在LED301和302的对侧。所述的光电检测器与前端模拟信号调节电路330相连。

前端模拟信号调节电路330的输出与模-数转换电路332相连。模-数转换电路332的输出与数字信号处理系统334相连。数字信号处理系统334为显示器336的输出提供参数。显示器的输出例如可为血氧饱和度、心率及干净的体积描记波形。

所述的信号处理系统也为数-模转换电路338提供一个发射电流控 制输出337，该数-模转换电路为光发射驱动器340提供控制信息。光发射驱动器340与光发射器301，302相连。所述的数字信号处理系统334还为前端模拟信号调节电路330提供一个增益控制输出342。

图11a示出了一个综合了发射驱动器340和数-模转换电路338的优选实施例。如图11a所绘出的，所述的驱动器具有第一输入锁存器321和第二输入锁存器322、一个同步锁存器323、一个基准电压源324、一个数-模转换电路325、第一开关组326和第二开关组327、第一电压-电流转换器328和第二电压-电流转换器329、以及与图11中的LED发射器301，302相应的LED发射器301、302。

图11a中所示的优选的驱动器的先进性在于本发明认识到图11中的血氧计299的多数噪声是由LED发射器301，302引起的。因而，图11a中的发射驱动器电路被设计为可减小由发射器301，302所引起的噪声。第一输入锁存器321和第二输入锁存器322直接与数字信号处理器总线相连。因此这些锁存器可显著减小由数字信号处理器总线提供的传导至图11a的驱动器电路上的带宽(可导致噪声)。只有当这些锁存器在数字信号处理器总线上检测到它们的地址时，第一和第二输入锁存器的输出才能改变。第一输入锁存器接收用于数-模转换电路325的设定信息。第二输入锁存器接收用于开关组326、327的开关控制数据。同步锁存器接收能保持发射器301、302与模-数转换电路332的动作同步性的同步脉冲。

基准电压源是一个用于数-模转换电路325的低噪声直流基准电压源。另外，在本实施例中，基准电压源具有一个转角频率很低的(在本实施例中为1HZ)低通输出滤波器。数-模转换器325也在其输出端具有一个转角频率很低的(即1HZ)低通输出滤波器。数-模转换器为每个发射器301、302提供信号。

在本实施例中，电压-电流转换器328、329的输出经开关控制，使发射器301、302以相反方向连接，使得在任何一个给定时刻只有一个发射器是工作的。此外，非工作状态的发射器的电压-电流转换器也将在其输入处被关闭，以确保其完全停止工作。这样可降低由开关和电压-电流转换电路而来的噪声。在本实施例中，选用了低噪声电压-电流转换器(即，op27运算放大器)，并且反馈环被设置为具有一个低通滤波器以降低噪声。在本实施例中，电压-电流转换器328、329的低 通滤波函数的转角频率只在625HZ以上，如下面将要讨论的，该频率为发射器的开关速度。所以，图11a的优选驱动器电路可以降低发射器301、302的噪声。

一般，红光发射器301及红外光发射器302所发射的能量被手指310吸收且被光电检测器320接收。所述的光电检测器320产生相应于投射到光电检测器320上的光能强度的电信号。前端模拟信号调节电路330接收所述的二个强度信号并对其进行如下面将要进一步描述的滤波和调节。其结果信号被输入到模-数转换电路332中，将模拟信号转换为数字信号以便数字信号处理系统334进行进一步处理。所述的数字信号处理系统334将用上述二个信号，以提供所谓的“饱和度变换”。可以理解，对于不是血饱和度监护的其它参数，所述的饱和度变换也可以根据所求的参数用如浓度变换、体内变换之类的更好的变换来代替。所述的饱和度变换通常指的是，通过下面的讨论将进行说明的将时域采样数据变换为饱和度域值的操作。在本实施例中，数字信号处理系统334的输出提供一个所探测到的信号的干净的体积描记波形，并为显示器336提供血氧饱和度值和脉率值。

可以理解，在本发明的不同的实施例中，可提供一个或更多个的输出。数字信号处理系统334还通过在发射电流控制输出337上的一个发射电流控制信号为光发射器301、302提供控制。这个信号值是由数-模信号转换器电路338转换出的数字值，所述的转换电路338为发射电流驱动器340提供一个控制信号。发射电流驱动器340为红光发射器301和红外光发射器302提供适当的驱动电流。有关脉搏血氧测量的生理监护操作的进一步的描述将在下面进行。在本实施例中，光发射器由发射电流驱动器340驱动，并提供在625HZ数字调制的光传播。在本实施例中，以一个功率水平驱动光发射器301、302，所述的功率水平能提供一个可由探测器接收到的、并可由前端模拟信号调节电路330调节的合适的光强度。当这个能量水平通过数字信号处理系统334根据给定的病人确定后，用于红光和红外光发射的电流水平则保持恒定。然而，可以理解，这个电流水平可根据室内环境光线的变化或其它能影响前端模拟信号调节电路330的输入电压的变化而调整。在本发明中，红光和红外光发射器的调制如下：对于一个完整的625HZ红光周期，红光发射器301在第一个1/4周期被激活，而在其余3/4周期内关闭；对于一个完整 的625HZ红外光周期，红外光发射器302在1/4周期内被激活而在其余3/4周期内被关闭。为了在一个时间只接收一个信号，二个发射器按顺序交替地激活和关闭，在每个625HZ周期中每个发射器只被激活1/4周期，并且有1/4周期将激活时间分隔开。

所述的光信号被通过手指310(或其它样品媒质)血液的搏动而衰减(调幅)。所述的衰减(调幅)信号被光电检测器320在用于红光和红外光的625HZ载频探测到。因为只用了一个光电检测器，所以光电检测器320既接收红光还接收红外光信号，并形成了一个复合的时间分隔信号。

所述的复合的时间分隔信号被提供给前端模拟信号调节电路330。图12更加详细地示出了前端模拟信号调节电路330和模-数信号转换电路332。如图12所绘出的，前端模拟信号调节电路330具有一个前置放大器342、一个高通滤波器344、一个放大器346、一个程控增益放大器348和一个低通滤波器350。前置放大器342是一个阻抗匹配放大器，将光电检测器320的复合电流信号转换为相应的电压信号，并对其进行放大。在本实施例中，前置放大器具有一个预定的增益来增强信号幅度，以方便后续处理。在本实施例中，前置放大器342的电源电压为直流-15伏和+15伏。如大家所理解的，在有些情况下，衰减信号在包含代表红光或红外光的成分的同时，还包含一种代表环境光的成分。如果在传感器300周围的光不是红光或红外光，这个环境光也将被光电检测器320探测到。所以，为防止信号中环境光在正常和合理的工作状态下使前置放大器饱和，应选择前置放大器的增益。

在本实施例中，前置放大器342包括一片Analog Devices公司的AD743JR运算放大器。这个阻抗匹配放大器在下列方面具有其特殊的优点，即它在低等效输入电压噪声、低等效电流输入噪声、低输入偏置电流、高增益带宽积、低总体谐波失真、高共模抑制、高开环增益和高的电源减弱系数等特性方面满足所述的系统的需要。

前置放大器342的输出作为高通滤波器344的输入。前置放大器342的输出还为模数转换器电路332提供了一个第一输入346。在本实施例中，所述的高通滤波器是一个单阶滤波器，其转角频率可在1/2至1HZ之间。但是，在一个实施例中，所述的转角频率已经升高到90HZ。可以理解，所述红光及红外光的625HZ载频远高于90HZ的转角频率。高 通滤波器334的输出作为放大器346的输入。在本实施例中，放大器346具有一个单位增益放大器。但放大器346的增益是可通过一个电阻的变化来调整的。如果为补偿环境光的影响而降低前置放大器342的增益，则应提高放大器346的增益。

放大器346的输出作为程控增益放大器的348的输入。所述的程控增益放大器348还从数字信号处理系统334的增益控制信号线343上接收一个程控输入。程控放大器348的增益是数字程控的。所述的增益在初始状态或在放置传感器时是根据不同病人的被测媒质的变化而动态调整的。例如，不同手指的信号就存在某些不同。因而，动态可调的放大是由程控增益放大器348提供的，以获得适于处理的信号。

所述的程控增益放大器在另一个其发射器驱动电流保持恒定的实施例中也是适用的。在本实施例中，发射器驱动电流根据根据每个病人进行调节，以在模-数转换电路332的输入端获得合适的动态输入范围。然而，发射器驱动电流的改变可能改变发射光的波长，从而影响血氧计算的最终结果。所以，最好是对所有的病人固定发射器驱动电流。在本发明的另外一个实施例中，程控增益放大器可由数字信号处理器调节，以在模-数转换电路的输入端获得一个在模-数转换电路332的动态范围之内的信号(本实施例中的动态范围为+3V至-3V)。在这种方式下，发射器驱动电流可以对所有的病人是固定的，以消除由于发射器电流驱动的变化而造成的波长偏差。

程控增益放大器348的输出被作为低通滤波器350的一个输入。最好，在本实施例中的低通滤波器350是一个其转角频率接近10KHZ的单极点滤波器。这个低通滤波器在本实施例中起到了去假频作用。

低通滤波器350的输出为模-数转换器电路332提供了一个第二输入352。图12中还绘出了所述的模-数转换电路的缺陷。在本实施例中，模-数转换电路332具有一个第一模-数转换器354和一个第二模-数转换器356。最好，第一模-数转换器354从第一输入346处为模一数转换电路332接收到输入信号，并且第二模-数转换器356从第二输入352处为模-数转换电路332接收到输入信号。

在一个较好的实施例中，第一模-数转换器354是一个判别模-数转换器。其判别任务(由信号处理系统执行)是读经前置放大器342放大后的探测器的输出，以确定信号是否使所述的高通滤波器344的输入 饱和。在本实施例中，如果高通滤波器344的输入是饱和的，则前端模拟信号调节电路330的输出将为“0”。另外，所述的第一模-数转换器354将不工作。

第二模-数转换器356从前端模拟信号调节电路330接收经调节后的模拟信号并将其转换为数字形式。在本实施例中，第二模-数转换器356具有一个单通道δ-∑转换器。在本实施例中，使用了一个晶体半导体CS5317-KSδ-∑模-数转换器。该转换器具有价格低、低噪声特性等优点。更为准确地说，δ-∑转换器由一个噪声调制器和一个分频滤波器两个主要部分组成。所选的转换器用一个二阶模拟δ-∑调制器以进行噪声整形。噪声整形涉及到改变噪声的谱，使其从平坦响应曲线变成一种低频噪声已被高频噪声的增多所抑制的响应曲线。然后，所述的分频滤波器把已被整形的、较高频率的噪声消除，以在较低频率上提供16位的形式。为形成其产生的每个16位数据字，本转换器都需要对数据进行128次采样。以这种方式，所述的转换器可提供很好的噪声抑制、动态范围和低谐波失真，这对在如低灌注和电灸之类的严格测量环境下进行测量是有益的。

此外，由于使用了单通道转换器，所以不用在两个或更多个通道之间进行切换。所述的δ-∑转换器还表现出了较好的噪声整形性能，以加强噪声控制。一个模-数转换器的例子是晶体半导体CS5317。在本实施例中，第二模-数转换器356以20Khz的采样率对信号进行采样。第二模-数转换器356的输出为数字信号处理系统334(图11中)提供了在20Khz的样本数据。

图13进一步详细说明了数字信号处理系统334。在本实施例中，数字信号处理系统由一个微控制器360、一个数字信号处理器362、一个程序存储器364、一个采样缓冲器366、一个数据存储器368、一个只读存储器370和一个通讯寄存器372组成。在本实施例中，所述的数字信号处理器362采用Analog Decices公司的AD21020。在本实施例中，所述的微控制器360包括一个Motorola公司的内部具有程序存储器的芯片68HC05。在本实施例中，所述的采样缓冲器366是一个从所述的模-数转换器电路332接收所述的20Khz采样数据并将其存储在数据存储器368中的缓冲器。在本实施例中，所述的数据存储器368是由一个32千字(本实施例中每字为40位)静态随机存取存储器组成的。

所述的微控制器360通过一个常规的JTAG抽头线与数字信号处理器362连接。微控制器360通过抽头线为数字信号处理器362将自举加载程序传输到程序存储器364中，然后使数字信号处理器362从程序存储器364自举。然后在程序存储器364中的自举程序使数字信号处理器362的操作指令从只读存储器370向程序存储器364中传输。另外，所述的程序存储器364是数字信号处理器362的一个速度很高的存储器。

所述的微控制器360通过通讯寄存器372提供发射电流控制和增益控制信号。

图14至20绘出了由数字信号处理系统334执行的脉搏血氧计操作的功能块示意图。下述描述的信号处理功能在本实施例中由数字信号处理器362执行，同时由微控制器360提供系统管理。在本实施例中，所述的操作是由软件/硬件控制。图14绘出了在20Khz采样数据输入所述数字信号处理系统334时的操作的一个通用功能块示意图。如图14所示，首先进行由图中的解调模块400所示的解调操作。然后如图中分样模块402所示，对解调数据进行分样操作。然后如统计模块404所示，对分样操作的结果数据进行某些统计计算，同时如饱和度变换模块406所示对分样操作的结果数据进行饱和度变换。经统计计算后的数据和经饱和度变换后的数据被进一步如图中饱和度计算模块408所示进行饱和度操作，及如图中脉率计算模块410所示进行脉率计算。

通常，解调操作可将红光和红外光信号从复合信号中区分出来，并消除625Hz载频而保留原始数据点。所述的原始数据点被以625Hz的采样间隔提供给分样操作，所述的分样操作可按照10中取1来降低采样频率至62.5Hz。所述的分样操作还对样品提供一些滤波。其结果数据将进行统计和饱和度变换操作，以计算饱和度值，该饱和度值对信号中的运动干扰和其它噪声有很强的耐受力。所述的饱和度值在所述的饱和度计算模块408中被确定，而脉率和干净的体积描记波形通过脉率模块410获得。有关不同操作的其它详细描述将结合图15至21进行。

图15示出了解调模块400的操作。在图15中绘出了调制信号的格式。图15绘出了复合信号的一个完整625Hz周期，其第一个1/4周期为激活的红光加上环境光信号，第二个1/4周期为环境光信号，第三个1/4周期为激活的红外光加上环境光信号，第四个1/4周期为环境光信号。如图15中所绘出的，在20Khz采样频率下，上述在625Hz的一个 完整的信号周期由32个20KHz采样点组成，8个采样点与红光加环境光有关，8个采样点与环境光有关，8个采样点与红外光加上环境光有关，而最后8个采样点与环境光有关。

由于所述的信号处理系统334控制光发射器301和302的激活，所以整个系统是同步的。所述的数据通过进行由多路分离模块421所示的时分多路分离操作，被同步地分解(进而解调)为四个8样本点组。一个8样本点组422代表红光加上环境光信号；第二个8样本点组424代表环境光信号；第三个8样本点组426代表红外光加上环境光信号；第四个8样本点组428代表环境光信号。一个“选择”信号同步地控制多路分离操作，以将在多路分离器421的输入处的时分多路复用的复合信号分离成它的四个子部分。

然后如图15中的430、432、434、436的求和操作所示，对每组数据的后4点进行求和计算。在本实施例中，使用数据组的后4点是因为在本实施例的模-数转换器356中的低通滤波器具有一个建立时间。因而，从每个8点样本“包”中收集后四个样本使前面的信号清零。这个求和操作提供了一个能增强抗干扰能力的积分操作。然后如减法模块438、440所示，将红光样本和及红外光样本和分别减去一个环境光样本和。所述的减法操作使数据中的环境光信号有所衰减。在本实施例中，已发现经过上述模块438、440的减法操作可使环境光衰减接近于20dB。如在图中除4模块442、444所示，将上述所产生的红光和值及红外光和值除以4。所得的值分别为红光信号及红外光信号的在625Hz的一个采样值。

可以理解，上述625Hz载频已经被解调操作400所消除。所述的在解调操作400输出端的625Hz采样数据是没有载频的采样数据。20Hz以下的采样频率都可以满足奈奎斯特采样要求(因为人体的脉率一般在每分钟25至250次之间，即约0.4Hz至4Hz之间)。因此，在分样操作中将625Hz的采样率降低为62.5Hz。

图16示出了分样模块402的操作。所述的红光和红外光数据以625Hz的采样频率被提供给各自的红光缓冲器/滤波器450和红外光缓冲器/滤波器452。在本实施例中，红光和红外光缓冲器/滤波器为519样本深度。可取的是，所述的缓冲器/滤波器450、452的功能为连续的“先入、先出”缓冲器。所述的519个样本将经过低通滤波。所述的低 通滤波最好具有大约为7.5Hz的截止频率，在截止频率处衰减约为-110dB。所述的缓冲器/滤波器450、452形成了一个相对于519个抽头具有系数的有限冲击响应(FIR)滤波器。为将采样频率降低10倍，如分别在红光及红外光的10倍分样器模块454和456中所示，需要对每10点采样数据进行低通滤波计算。换句话说，在将每10个新的采样数据传输到缓冲器/滤波器450、452中的同时，通过将冲击响应(系数)乘以519个滤波抽头来进行新的滤波计算。每次滤波计算为各自的红光输出缓冲器458和红外光输出缓冲器460提供一个输出样本。在本实施例中，红光及红外光输出缓冲器458、460也是可存贮570个样本数据的连续的先入先出缓冲器。所述的570个样本分别提供了红光和红外光样本或提供样本“包”(在这里也可称为抽样，即snapshot)。如图14中所绘出的，输出缓冲器为统计操作模块404、饱和度变换模块406及脉率模块410提供样本数据。

图17示出了统计模块404的更加详细的功能操作。总的说，统计模块404为红光通道和红外光通道提供第一阶血氧计算和均方根信号值。统计模块还提供一个表明红光与红外光信号之间的互相关的互相关输出。

如图17所示，所述的统计模块接收代表衰减后的红光和红外光信号的两个已经消除了载频的样本“包”(例如，本实施例中的在62.5Hz的570个样本)。红光和红外光信号的各自的样本“包”如log模块480、482所示经log函数进行归一化。归一化之后，如直流消除模块484、486所示，消除信号中的直流部分。在本实施例中，直流消除包括对红光和红外光抽样的各自的第一样本(或头几个样本的均值或全部抽样的均值)的直流值的判定，然后从每个样本“包”中消除这个直流值。

当直流信号消除后，如红光和红外光带通滤波模块488、490所示，将对信号进行带通滤波。在本实施例中，由于每个样本“包”中有570个数据，所以带通滤波器被设置为具有301个抽头，以提供一个具有线性相位响应和很小偏差或无偏差的有限冲击响应滤波器。在本实施例中，所述的带通滤波器的通带为34次(beats)/分至250次/分。所述的301个抽头覆盖570个样本，以获得代表滤波后的红光信号的270个滤波后样本及获得代表滤波后的红外光信号的270个滤波后样本。在理想情况下，所述的带通滤波器488、490消除了信号中的直流成分。然而， 在本实施例中还用直流消除操作484、486辅助直流消除。

滤波之后，如在选择后120个采样数据模块492、494中所示，选择每个样本“包”(在本实施例中现在已经是由270个采样数据组成)的后120个采样数据进行后续的处理。之所以选择后120点，是因为在本实施例中，前150点采样数据落在了将要在下面讨论的处理同一个样本“包”的饱和度变换模块406的建立时间之内。

对所述的红光和红外光的含120个样本的样本“包”进行常规的饱和度等式计算。在本实施例中，以两种不同的方法进行常规的饱和度计算。一种计算是如红光和红外光均方根模块496、498所示的，对120个样本的样本“包”进行处理，以得到其总的均方根值。所述的红光和红外光的均方根结果值为第一个红光均方根/红外光均方根(RED_RMS/IR_RMS)比值操作500提供了输入值，所述的RED_RMS/IR_RMS比值操作500为饱和度等式模块502提供了一个均方根红光值比上均方根红外光值的比值作为其输入。如本领域的技术人员所知道的，在已知的红光和红外光波长(典型的为λ_red＝650nm，λ_IR＝910nm)下所探测的衰减后的红光与红外光的强度的比值与病人的血氧饱和度相关。因而，所述的饱和度等式模块502代表一个常规的查表或相似的操作，以进行比值预测及在其输出504处提供已知的饱和度值。所述的红光均方根值和红外光均方根值也可由统计操作模块404的输出提供。

除进行常规饱和度操作502之外，如图中一个第一互相关模块506所示，所述的120个样本的样本“包”还将被进行互相关操作。所述的第一互相关模块506判定在红外光信号与红光信号之间是否存在着良好的相关。这个互相关在次品检测或其它的故障检测也是很有用的。当信号模型(即模型等式(1)-(3))被满足时，所述的互相关在检测中也是有用的。如果两个通道之间的相关性太小，则信号模型没有被满足。为确定这些，可通过互相关模块506对每个数据抽样进行归一化互相关计算。一个这样的相关函数如下： $\frac{\mathrm{\Σ}{s}_1{s}_2}{\sqrt{\mathrm{\Σ}{s}_1^2\mathrm{\Σ}{s}_2^2}}$

如果互相关太低，则血氧计299将对操作者提供一个报警(例如视觉、听觉等报警)。在本实施例中，如果一个被选择的抽样能生成一个小于0.75的归一化相关，则该抽样不合格。满足信号模型的信号将具有大于某个阈值的相关。

所述的红光和红外光的120样本的样本“包”还将经过与上述方式相同的第二次互相关和饱和度操作，只是所述的120个样本被分为5个相等的“箱”(即，每个“箱”中有24个样本的5个“箱”)。均方根、饱和度和互相关操作都是在一“箱”接一“箱”的基础上进行的。这些操作在图17的“分为5个相等的‘箱’”模块510、512中、“第二红光及红外光均方根”模块514、516中、“第二RED_RMS/IR_RMS比值”模块518中、“第二饱和度等式模块”520和“第二互相关模块522”中示出。

图18示出了图14中所绘出的饱和度变换模块406的更加详细的说明。如图18所示，所述的饱和度变换模块406包括一个参比处理器530、一个相关消除器531、一个主功率曲线模块554和一个“箱”功率曲线模块533。所述的饱和度变换模块406可以与图7a有关，图7a具有一个参比处理器26和一个相关消除器27及一个积分器29，可为图7c中所绘出的独立的信号系数提供一个功率曲线。所述的饱和度变换模块406从所述的数据抽样中求得一个饱和度谱。换句话说，所述的饱和度变换406提供出了一个在所述的抽样之内的饱和度值的信息。

如图18所绘出的，用于饱和度变换模块406中的参比处理器530具有一个饱和度等式模块532、一个参比信号发生器模块534、一个直流消除模块536及一个带通滤波器模块538。经分样操作后的红光及红外光的570个样本的样本包被提供给参比处理器530。另外，多个可能的饱和度值(“饱和度轴扫描”)也作为输入被提供给饱和度参比处理器530。在本实施例中，共提供117个饱和度值作为饱和度轴扫描。在一个优选实施例中，所述的117个饱和度值范围均匀分布在34.8至105.0血氧饱和度之间。因而，在本实施例中，117个饱和度值提供给可以产生一个用于相关消除器531的参比信号的参比处理器530进行轴扫描。换言之，每给所述的参比处理器提供一个饱和度值，则生成一个相应于该饱和度值的参比信号结果。在本实施例中，相关消除器是由一个联合处理估计器550和一个低通滤波器552组成的。

可以理解，所述的扫描值可选择比上述117个扫描值更高或更低的值。扫描值的分布也可以是不等间隔的。

如图18所示，所述的饱和度等式模块532以输入的形式接收饱和度轴扫描值，并以输出的形式提供一个比值“r_n”。与图7a-7c的一般讨论相比，这个比值“r_n”通常与上面所讨论的多个扫描值相对应。所述的饱和度等式只不过是提供一个相应于作为输入接收到的饱和度值的已知的比值“r”(红光/红外光)。

所述的比值“r_n”作为一个输入与红光和红外光样本包一起被提供给参比信号发生器534。所述的参比信号发生器534将每个红光样本或红外光样本乘以比值“r_n”，然后分别将红光或红外光样本值减去所得的各自的乘积值。例如，在本实施例中，所述的参比信号发生器534就是将红光样本乘以比值“r_n”，然后将红光样本减去上述的乘积值。上述运算的结果值成为参比信号发生器534的输出。对每一个饱和度扫描值(在本实施例中有117个可能值)都要完成这个操作。因而，其结果可被描述为每570个数据点的117个参比信号向量，下面将这个结果都称为参比信号向量。这个数据可以以矩阵或类似的形式贮存。

换言之，假设红光和红外光样本包分别代表包括原始信号部分s(t)及二次信号部分n(t)的红光被测信号S_red(t)和红外光被测信号S_IR(t)，则参比信号发生器的输出将为二次参比信号n’(t)，遵循前面讨论的信号模型，即为：

                  n′(t)＝S_ir(t)-r_nS_red(t)

在本实施例中，所述的参比信号向量和红外光信号以输入的方式被提供给参比信号处理器530的直流消除模块536。与统计模块404中的直流消除模块484、486相似，所述的直流消除模块536先检测出每路输入的第一样本(可以是样本包的前几个样本的均值，也可以是样本包的全部样本的均值)的直流值，然后将每个样本中减去其各自的直流基线。再将其结果样本值提供给带通滤波器538进行带通滤波。

参比信号处理器530的带通滤波器538将进行与统计模块404中的带通滤波器488、490相同的滤波操作。因而，每个570个样本序列都将经过带通滤波以剩下270个样本。在带通滤波器538的第一输出542 的结果数据是一个有270个样本的向量(在本实施例中代表滤波后的红外光信号)。在带通滤波器538的第二输出540的结果数据是每270数据点的相应于每个提供给饱和度参比信号处理器530的饱和度轴扫描值的117个参比信号向量。

可以理解，红光与红外光样本包在参比信号处理器530中的使用位置可以交换。另外，也可以理解，所述的直流消除模块536和带通滤波器模块538可在数据输入到参比信号处理器530之前执行，因为参比信号处理器内的计算是线性的。这样可明显地节省过程。

参比信号处理器530的输出为前面参照图8所描述的联合处理估计器550提供了第一输入和第二输入。联合处理估计器550的第一输入是270个样本的样本包，在本实施例中代表红外光信号。这个信号包括原始信号部分和二次信号部分。联合处理估计器的第二输入是每270个样本的117个参比信号向量。

所述的联合处理估计器还接收一个λ输入543、一个最小误差544和一个单元数设置输入545。这些参数在本领域中很易被理解。所述的λ参数通常被称为联合处理器的“遗忘参数”。所述的λ输入543为联合处理估计器提供一个消除率的控制。在本实施例中，λ被设置为一个较低值如0.8。因为信号的统计特性为不稳定的，所以较低的值可改进跟随性能。所述的最小误差输入544为联合处理估计器550提供了一个初始参数(通常所知的“初始值”)。在本实施例中，所述的最小误差值为10^-6。这个初始参数可防止所述的联合处理估计器550在进行初始计算时出现被零除的现象。联合处理估计器550的单元数输入545可设置联合处理估计器的单元数。在本实施例中，饱和度变换操作406的单元数为6。如本领域所公知的，对于每个正弦波，联合处理估计器都需要两个单元。如果有两个在35至250次/分范围内的正弦波，则就应有6个单元，用于两个心跳正弦波和一个噪声正弦波。

所述的联合处理估计器550使在输出542上的第一输出向量经过相关消除处理，所述的相关消除处理是以由第二输入540提供给相关消除器531的每一个参比信号向量(在本实施例中，全部117个参比向量是按顺序提供给相关消除器的)为基础的。对于117个参比向量中的每一个，所述的相关消除器都产生一个输出向量。每个输出向量都代表了第一输入向量与相应的参比信号向量所不共有的信息。所述的输出向量结 果被以一个联合处理估计器的输出的形式提供，并经低通滤波器模块552处理。在本实施例中，所述的低通滤波器552包括一个具有25个抽头的有限冲击响应滤波器，且其在62.5Hz采样频率(即在分样频率)上的转角频率为10Hz。

本实施例的联合处理估计器550的建立时间为150个数据点。因而，后续处理中只能用270个点的输出向量中的后120数据点。在本实施例中，所述的输出向量被作为一个整体一起进行进一步处理，并被分为具有相同数据点数的多个“箱”。如图18中所绘出的，输出向量被提供给主功率曲线模块554，并同时提供给分为5个相等的“箱”模块556。所述的分为5个相等的“箱”模块556将每个输出向量分为5个具有相等数量数据点的“箱”(即每个向量有120点，每个“箱”具有24个数据点)。然后，每个“箱”被提供给箱功率曲线模块558。

主功率曲线模块554进行如下的饱和度变换：对于每个输出向量，确定数据点的平方和。这提供了相应于每一输出向量(相应于一个饱和度扫描值的每一个输出向量)的平方和值。这些值为如图22中所示的主功率曲线558提供了基础。功率曲线的水平轴代表饱和度轴扫描值，功率曲线的竖直轴代表每一输出向量的平方和值(或输出能量)。换言之，如图22所示，每个平方和可用平方和值的大小，对应于水平轴上的产生这个输出向量的相应的饱和度扫描值点的位置，在竖直能量输出轴上绘出。这样就形成了主功率曲线558，其一个例子在图22中绘出。这样就提供了一个饱和度变换，其中，衰减后的能量的谱成分通过观察每个可能的饱和度值及测量相应于假设的饱和度值的输出值的方式确定。可以理解，当相关消除器531的第一输入与第二输入为最大相关时，则相应的相关消除器531的输出向量的平方和将会很低。反之，当相关消除器531的第一输入与第二输入无显著相关性时，则相应的相关消除器531的输出向量的平方和将会很高。因而，当参比信号的谱成分和相关消除器的第一输入基本上是被生理噪声(如，由于呼吸引起的静脉血运动)干扰及非生理噪声(如由运动引起的)干扰时，所述的输出能量较低。当参比信号的谱成分和相关消除器的第一输入为不相关的时，则所述的输出能量特别高。

通过“‘箱’功率曲线”模块558也完成一个相应的变换，只是饱和度变换功率曲线是从每“箱”中产生的。所述的饱和度功率曲线的结 果被作为饱和度变换模块406的一个输出。

一般，如在图22中所绘出的，根据本发明的信号模型，在功率曲线上将有两个峰。一个峰对应于动脉血氧饱和度，一个峰对应于静脉血氧浓度。参照本发明的信号模型，与最高饱和度值相对应的峰(不一定是具有最大幅值的峰)与比例系数r_a相对应。换言之，所述的比例系数r_a对应于红光/红外光比值，该比值是被测来用于动脉饱和度的。类似地，与最低饱和度值相对应的峰(不一定是具有最低幅值的峰)，通常对应于在本发明的信号模型中与比例系数r_v相对应的静脉血氧饱和度。因而，比例系数r_v是对应于静脉血氧饱和度的红光/红外光比值。

为求得动脉血氧饱和度，应选择功率曲线中相应于最高饱和度值的峰值。然而，为提高所述值的可靠性，将进行进一步处理。图19示出了基于饱和度变换模块406的输出的和基于统计模块404的输出的饱和度计算模块408的操作。如图19所示，箱功率曲线和箱统计值被提供给饱和度计算模块408。在本实施例中，主功率曲线没有被提供给饱和度模块408，但可以被显示以用于进行系统操作的视觉对照。所述的箱统计值包括红光和红外光的均方根值、种子饱和度值和一个统计模块404提供的代表红光与红外光信号间的互相关的值。

如在计算“箱”特性模块560中所示，所述的饱和度计算模块408首先确定多个“箱”的特性。所述的计算“箱”特性模块560从箱功率曲线和箱统计值的信息中收集到一个数据箱。在本实施例中，这个操作包括将与最高饱和度值相应的每个功率曲线的饱和度峰值放入所述的数据箱中。在本实施例中，最高峰值的选择是通过首先用一个平滑微分滤波器函数对功率曲线进行卷积来计算所述功率曲线的一次导数的方法进行的。在本实施例中，所述的平滑微分滤波器函数(用一个有限冲击滤波器)具有下列系数：

0.014964670230367

0.098294046682706

0.204468276324813

2.717182664241813

5.704485606695227

0.000000000000000

-5.704482606695227

-2.717182664241813

-0.204468276324813

-0.098294046682706

-0.014964670230367这个滤波器进行微分和平滑。接下来，在所述的最初的功率曲线上的每一点都将被评价，并且，如果满足下列条件，则被确定作为一个可能的峰值：(1)该点至少是功率曲线最大值的2％；(2)该一次导数值从大于零变化到小于或等于零。对于所发现的每个可能的峰值点，与其相邻的两个点也将被考查，这三点中的最大点被认为是真正的峰值点。

还将计算这些被选出的峰的峰宽。所述功率曲线的峰宽的计算是通过求功率曲线上所有点的和并减去功率曲线最小值与功率曲线的点数的乘积的方法进行的。在本实施例中，所述的峰宽计算应用到每个箱功率曲线。最大值被选为峰宽。

另外，整个抽样的红外光均方根值、红光均方根值、每个箱的种子饱和度值及从统计模块404得来的红光与红外光之间的互相关也都被放在所述的数据箱中。然后，如在箱考核逻辑模块562中所示，用所述的特性来确定是否所述的数据箱中包括了可接受的数据。

如果红光与红外光信号间的相关太低，则舍弃这个箱。如果对于给定箱所选择的峰的饱和度值低于同一个箱的种子饱和度值，则该峰值被所述的种子饱和度值替换。如果红光或红外光均方根低于一个很小的阈值，该“箱”也将被舍弃，并且因为被测信号被认为是太小而不能得到有意义的数据，所以没有饱和度值提供。如果没有包含了可接收数据的“箱”，则旁路处理模块563将为显示器336提供一个数据出错信息。

如果有一些“箱”合格，则那些具有可接收数据的“箱”将被选上，而那些不合格的“箱”将被那些可被接收的“箱”的平均值来代替。给每个“箱”一个时间标记以保持时间顺序。表决器操作565将对每个箱进行判断以选出三个最高的饱和度值。这些值将被传给限幅和平滑操作566。

所述的限幅和平滑操作566基本上是以一个低通滤波器进行平均。所述的低通滤波器按选择平滑滤波器模块568的选择提供可调节的平滑。所述的选择平滑滤波器模块568是在由高可靠性测试模块570进行的可靠性确定的基础上工作的。所述的高可靠性测试就是测试箱功率曲 线的峰宽。峰的宽度代表病人运动的一些信息—较宽的峰代表运动。因而，如果峰是宽的，则平滑滤波器将慢下来。如果峰是窄的，则平滑滤波器的速度将提高。所以，所述的平滑滤波器566是以可靠性水平为基础而进行调节的。限幅和平滑模块566的输出提供根据本发明的血氧饱和度值。

在本优选的实施例中，限幅和平滑滤波器566将提取每个新的饱和度值，并将其与当前的饱和度值进行比较。如果它们之间相差的幅度小于16(百分比氧饱和度)，则这个新值就合格了。另外，如果新饱和度值小于滤波后的饱和度值，则这个新饱和度值将被变为比滤波后的饱和度值低16的值。如果新饱和度值大于滤波后的饱和度值，则这个新饱和度值将被变为比滤波后的饱和度值大16的值。

在可靠性很高时(没有运动时)，平滑滤波器只是一个单极点或指数平滑滤波器，按下式计算：

             y(n)＝0.6^*x(n)+0.4^*y(n-1)式中x(n)为经限幅后的新饱和度值，y(n)是滤波后的饱和度值。

在有运动时，需要用一个三极点的IIR(无限冲击响应)滤波器。其特性是由三个分别为0.985、0.900、0.94的常数t_a、t_b和t_c控制的。对于用于直接I型IIR滤波器的系数，可用下列公式从这些时间常数中计算出来：

a₀＝0

a₁＝t_b+(t_c)(t_a+t_b)

a₂＝(-t_b)(t_c)(t_a+t_b+(t_c)(t_a))

a₃＝(t_b)²(t_c)²(t_a)

b₀＝1-t_b-(t_c)(t_a+(t_c)(t_b))

b₁＝2(t_b)(t_c)(t_a-1)

b₂＝(t_b)(t_c)(t_b+(t_c)(t_a)-(t_b)(t_c)(t_a)-t_a)图20和图21更详细地示出了脉率模块410(图14中的)。如图20所示，心率模块410具有一个瞬态消除和带通滤波器模块578、一个运动干扰抑制模块580、一个饱和度等式模块582、一个运动状态模块584、第一和第二谱估计模块586、588、一个谱分析模块590、一个转换率 限制模块592、一个输出滤波器594和一个输出滤波器系数模块596。

如在图20中进一步描述，心率模块410从分样模块402的输出接收红外光和红光的570个样本抽样。心率模块410还接收由饱和度计算模块408输出的饱和度值。另外，由可靠性测试模块570计算(与上述的峰宽计算相同)出的最大峰宽值也被作为一个输入提供给心率模块410。红外光和红光样本包、饱和度值和运动状态模块584的输出被提供给运动干扰抑制模块580。

平均峰宽值作为一个输入提供给运动状态模块584。在本实施例中，如果峰是宽的，则峰宽代表运动。如果运动没有被测出，则无需进行运动干扰抑制而直接对信号进行谱估计。

在有运动时，用运动干扰抑制模块580来抑制运动干扰。所述的运动干扰抑制模块580基本上与饱和度变换模块406相同。所述的运动干扰抑制模块580提供一个输出，作为第二谱估计模块588的输入。所述的第一和第二谱估计模块586、588的输出为谱分析模块590提供了输入。所述的谱分析模块590还接收一个输入，该输入是运动状态模块584的输出。谱分析模块590的输出是由心率模块410确定的初始的心率，并被提供给转换率限制模块592作为它的一个输入。所述的转换率限制模块592与输出滤波器594相连。输出滤波器594还从输出滤波器系数模块596处接收到一个输入。输出滤波器594为显示器336(图11中)提供滤波后的心率。

在运动情况下，一个信号(在本实施例中为红外光)经如直流消除和带通滤波器模块578所示的直流消除和带通滤波。所述的直流消除和带通滤波器模块578提供与直流消除和带通滤波器模块536、538相同的滤波。在没有运动的情况下，被滤波后的红外光信号被提供给第一谱估计模块586。

在本实施例中，所述的谱估计模块由一个可提供心率信息的频谱的ChirpZ变换组成。用所述的ChirpZ变换而不用常规的富里叶变换是因为在ChirpZ变换中所需输出的频率范围是可以指定的。因而，在本实施例中，心率的频谱在30至250次/每分钟。在本实施例中，频谱被提供给谱分析模块590，该谱分析模块从上述谱中选出第一谐波作为脉率。通常，第一谐波就是频谱中的具有最大幅值的并代表脉率的峰。然而，在某些情况下，第二或第三谐波也可能较大的幅值。在这个意义下， 为选出第一谐波，将选择频谱中其幅值至少为频谱最大峰的1/20的第一峰。这样减小了将由噪声在ChirpZ变换中引起的峰选为心率峰的可能性。

在运动情况下，用运动干扰抑制模块580对抽样进行运动干扰抑制。在图21中更详细地绘出所述的运动干扰抑制模块580。如在图21中可见，所述的运动干扰抑制模块580基本上与饱和度变换模块406(图18中)相同。因而，运动干扰抑制模块具有一个干扰参比处理器570和一个运动干扰相关消除器571。

所述的运动干扰参比处理器570与饱和度变换模块406中的参比信号处理器530是相同的。然而，所述的参比信号处理器570使用的是从饱和度模块408来的饱和度值，而不是对117个饱和度扫描值进行完整的饱和度变换。因而，参比信号处理器570具有一个饱和度等式模块581、一个参比信号发生器582、一个直流消除模块583和一个带通滤波器模块585。这些模块与饱和度变换参比信号处理器530中的相应模块都是相同的。在本实施例中，饱和度等式模块581从饱和度计算模块408处接收动脉饱和度值，而不是象在饱和度变换模块406中那样进行饱和度轴扫描。这是因为动脉饱和度已经被选择了，没必要进行轴扫描。因而，饱和度等式模块581的输出对应于比例常数ra(即，红光与红外光动脉饱和度值比值的希望值)。另外，所述的参比处理器570与饱和度变换模块406中的参比处理器530进行同样的工作。

运动干扰相关消除器571同样类似于饱和度变换的相关消除器531(图18中)。然而，所述的运动干扰抑制相关消除器571使用了一个稍稍不同的运动干扰联合处理估计器572。因而，运动干扰抑制相关消除器571具有一个联合处理估计器572和一个低通滤波器573。所述的运动干扰联合处理估计器572与饱和度变换联合处理估计器550的不同之处，在于与由单元数输入574所选择的单元数不同(在本实施例中为6至10个)，在于遗忘参数不同(本实施例中为0.98)，在于由适应引起的时间延时不同。所述的低通滤波器573与饱和度变换相关消除器531中的低通滤波器552是相同的。

因为只有一个饱和度值被提供给参比处理器，所以在运动干扰抑制相关消除器571的输出处，对于每个有570样本的样本包输入只产生一个有270个样本的输出向量。在本实施例中，当红外光波长被做为第一 输入提供给相关消除器时，则相关消除器571的输出提供一个干净的红外光波形.可以理解，如前面所述，红外光与红光波长信号可对换位置以使在运动干扰抑制相关消除器571的输出处能提供一个干净的红光波形。因为已知病人饱和度值的实际值并用它使参比处理器570产生一个噪声参比信号做为相关消除器571的参比信号输入，所以相关消除器571的输出是干净的波形。所述的在运动干扰抑制模块580的输出处的干净波形是一个可传送给显示器336的干净的体积描记波形。

如前面所述，另外一种联合处理估计器使用QRD最小二乘法点阵方法(图8a、9a和10a)。所以，所述的联合处理估计器573(及联合处理估计器550)可用一个执行QRD最小二乘法点阵操作的联合处理估计器来代替。

图21a示出了用联合处理估计器572a代替联合处理估计器572的运动干扰抑制模块的另一个实施例。所述的联合处理估计器572a是由图10a所示的QRD最小二乘法点阵系统组成的。根据本实施例，根据QRD算法的需要，使用不同的初始参数。

参照图21a，所述的初始参数为“单元数”、“λ”、“最小误差和”、“GAMS初始值”和“误差和初始值”等。单元数和λ与在联合处理估计器572中的类似参数相应。GAMS初始值相应于用于除第0级外的所有级的γ初始变量，如在上述QRD等式中所设置的，该变量被初始化为“1”。误差和初始值提供了参照前面QRD等式的δ初始参数。为防止溢出，在QRD等式和最小误差和的各步都使用了较大的实际计算单位。在本实施例中，优选的初始参数为：

单元数＝6

λ＝0.8

最小误差和＝10^-20

GAMS初始值＝10^-2

误差和初始值＝10^-6

运动干扰抑制模块580的干净波形输出也给第二谱估计模块588提供一个输入。第二谱估计模块588进行与第一谱估计模块586相同的ChirpZ变换。在没有运动情况下，第一谱估计模块586的输出被提供给谱分析模块590；在有运动时，第二谱估计模块588的输出被提供给谱分析模块590。所述的谱分析模块590以适当的谱估计模型对频谱进 行考核以确定脉率。在有运动时，所述的谱分析模块590选择谱中具有最大幅值的峰，因为运动干扰抑制模块580已经将所有其它频率的幅值衰减到低于实际心率峰值了。在没有运动的情况下，如前面所述，谱分析模块选择谱的第一谐波作为心率。

谱分析模块590的输出提供了作为转换率限制模块592的输入的原始心率，所述的转换率限制模块592为输出滤波器594提供了一个输入。在本实施例中，转换率限制模块592防止每2秒间隔的变化大于20次/分。

输出滤波器594由一个与前面描述限幅和平滑滤波器566时论述的指数平滑滤波器相似的指数平滑滤波器组成。所述的输出滤波器由一个输出滤波器系数模块596控制。如果运动很大，这个滤波器将被减速，如果运动较小或没有运动，这个滤波器的采样速度将加快并仍能维持一个干净值。输出滤波器594的输出就是病人脉搏，这个脉搏将被进一步提供给显示器336。

饱和度变换的一个替换实施例-滤波器组

对饱和度变换模块406的饱和度变换的替换实施例可由一个如图23所示的滤波器组完成。如在图23中所见，提供了两个滤波器组，一个第一滤波器组600和一个第二滤波器组602。所述的第一滤波器组600从与其相应的第一滤波器组输入604上接收第一被测信号S_λb(t)(在本实施例中为红外光信号的采样)，而所述的第二滤波器组602从与其相应的第二滤波器组输入606上接收第二被测信号S_λa(t)(在本实施例中为红光信号的采样)。在一个优选实施例中，第一和第二滤波器组使用了具有固定的中心频率和转角频率的静态递归多相带通滤波器。递归多相滤波器在Harris等人的文章“用有效多相递归全通滤波器进行数字信号处理”中被详细论述，该文章被本文引用为附录A。但是，自适应的方法也是可能的。在本实施例中，每一个所述的递归多相带通滤波器部件都被设计为具有特定的中心频率和带宽。

在每个滤波器组中有N个滤波器部件。在第一滤波器组600中的每一个滤波器部件都与在第二滤波器组602中的滤波器部件相匹配(即，具有相同的中心频率和带宽)。如图23所示，N个部件的N个中心频率和转角频率被设计成分别占有N个频率范围，即0至F₁、F₁＝F₂、F₂-F₃、F₃＝F₄、……F_N-1-F_N。

可以理解，滤波器部件的数量可以从1至无穷大。但在本实施例中，具有大约120个独立的滤波器部件，它们的中心频率均匀地分布在25次/分至250次/分的范围内。

滤波器的输出包含有在特定频率上的第一和第二被测信号(在本例中为红光和红外光)的原始信号部分和二次信号部分的信息。每一对相匹配的滤波器(一个在第一滤波器组600中，一个在第二滤波器组602中)的输出都被提供给饱和度测定模块610。为便于表示，图23只示出了一个饱和度测定模块610。但对每一对匹配的滤波器部件都可提供一个饱和度测定模块以进行并行处理。每个饱和度测定模块都具有一个比值模块616和一个饱和度等式模块618。

所述的比值模块616将计算第二输出与第一输出的比值。例如，在本例中，由比值模块616求出每个红光均方根值与每个相应的红外光均方根值的比值(Red/IR)。比值模块616的输出为饱和度等式模块618提供了一个输入，该饱和度等式将根据输入的比值核定一个相应的饱和度值。

饱和度等式模块618的输出被按每一对匹配滤波器收集(如直方图模块620所示)。但是，收集的数据最初为频率和饱和度的函数。为形成与图22中曲线相似的饱和度变换曲线，则产生了一个图24所示的直方图或类似的图。其水平轴代表饱和度值，竖直轴代表在每个饱和度值上所收集的点(饱和度等式模块618的输出)的数量和。换言之，如果对于10对不同的匹配滤波器，饱和度等式模块618的输出代表的饱和度值为98％，则在图24的直方图上的一点将在98％饱和度值上反映为10。这将产生一个与图22中的饱和度变换曲线相似的曲线。这一操作由直方图模块620完成。

直方图的结果提供了一个与图22的功率曲线相似的功率曲线。因而，通过选择出与最高饱和度值(例如，图中与最高饱和度值峰相应的峰“c”)相应的峰(在感兴趣处发生的最大次数)的方法，可以从直方图中计算出动脉血氧饱和度。类似，静脉或背景饱和度也可通过选择出与最低饱和度值相应的峰(即在图24中的峰“d”)的方法从直方图中确定，其方式与在饱和度计算模块408中的处理相似。

可以理解，作为直方图的另一种形式，相应于最高饱和度值的饱和度输出(不必是直方图中的一个峰)可被选择为具有相应比值r_a的动脉 血氧饱和度。类似，相应于最低饱和度值的饱和度输出也可被选择为具有相应比值r_v的静脉或背景饱和度。例如，在这个实施例中，图24中的直方图的项“a”可能被选择出作为动脉血氧饱和度，具有最小饱和度值的直方图项“b”，可能被选出作为静脉或背景饱和度。

系数r_a和r_v的另一种确定方法

如前面所解释的，根据本发明，特别是对于脉搏血氧仪，原始及二次信号部分可进行如下建模：

S_red＝s₁+n₁(红光)                   (89)

S_IR＝s₂+n₂(红外光)                  (90)

s₁＝r_as₂及n₁＝r_vn₂                  (91)将式(91)代入式(89)得到下式：

S_red＝r_as₂+r_vn₂(红光)               (92)注意在式(89)至(92)的模型中使用了S_red和S_IR。这是因为下面的讨论是专门对血氧测量进行的。S_red和S_IR对应于前文中的S₁和S₂，并且下面的讨论对于任何被测信号S₁和S₂是通用的。

如前面所解释，r_a和r_v(这两个系数通过一饱和度等式与动脉和静脉血氧饱和度相对应)的确定可用前面所述的饱和度变换对许多可能的系数进行扫描的方法来实现。在红光和红外光数据的基础上求得r_a和r_v的另一个方法是寻找能使s_k与n_k间的相关最小的r_a和r_v，假设s_k至少与n_k(这里k＝1或2)有某些不相关(最好是完全不相关)。这些值可通过使下列k＝2时的统计计算函数最小的方法求得： $\mathrm{Correlation}(s_2,n_2)=\left|\underset{i}{\mathrm{\Σ}}{s}_2(S_{{\mathrm{red}}_i},S_{{\mathrm{IR}}_i},r_a,r_v)n_2\right(S_{{\mathrm{red}}_i},S_{{\mathrm{IR}}_i},r---\left(93\right)$ 这里i代表时间。

可以理解，其它如归一化相关一类的相关函数也是可用的。

如果噪声信号成分与所需信号成分是不相关的，则使相关值最小的方法通常可提供唯一一对r_a和r_v。通过解式(90)和式(92)以求得s₂和n₂，并找到对于某个r_a和r_v可能值的最小相关值，可完成上述使相关值最小化。对s₂和n₂求解方法如下：反转2×2矩阵，提供： $\left[\begin{array}{c}{S}_{\mathrm{red}}\\ S_{\mathrm{IR}}\end{array}\right]=\left[\begin{array}{cc}{r}_a& r_v\\ 1& 1\end{array}\right]\left[\begin{array}{c}{s}_2\\ n_2\end{array}\right]$ ${\left[\begin{array}{cc}{r}_a& r_v\\ 1& 1\end{array}\right]}^{-1}=\frac{1}{r_a-r_v}\left[\begin{array}{cc}1& -r_v\\ -1& r_a\end{array}\right]$ 所以， $\left[\begin{array}{c}{s}_2\\ n_2\end{array}\right]=\frac{1}{r_a-r_v}\left[\begin{array}{cc}1& {-r}_v\\ -1& r_a\end{array}\right]\left[\begin{array}{c}{S}_{\mathrm{red}}\\ S_{\mathrm{IR}}\end{array}\right]$ 或： $s_2=\frac{1}{r_a-r_v}(S_{\mathrm{red}}-r_v{S}_{\mathrm{IR}})$ $n_2=\frac{1}{r_a-r_v}({-S}_{\mathrm{red}}+r_a{S}_{\mathrm{IR}})$ 优选的，用下列特定的窗函数可使式(93)的相关增强： $\mathrm{Correlation}(s_2,n_2)=\left|\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_1{s}_2(S_{{\mathrm{red}}_i},S_{{\mathrm{IR}}_i},r_a,r_v)n_2\right(S_{{\mathrm{red}}_i},S_{{\mathrm{IR}}_i},$ (93a)

Blackman窗在此是一个优选实施例。可以理解，有很多其它函数可使信号与噪声间的相关变小。上述函数是一个较简单的。所以， $\mathrm{Correlation}(s_2,n_2)=|\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\[\frac{W_i}{{(r_a-r_v)}^2}(S_{{\mathrm{red}}_i}-r_v{S}_{{\mathrm{IR}}_i})({-S}_{{\mathrm{red}}_i}$ $=\frac{1}{{(r_a-r_v)}^2}|-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(S_{{\mathrm{red}}_i}\right)}^2{W}_i+(r_a+r_v)\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{S}_{{\mathrm{IR}}_i}{S}_{{\mathrm{red}}_i}{W}_i+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(S_{{\mathrm{IR}}_i}\right)}^2{W}_i|$ (93b) 为实现对离散数据点的最小化，首先就计算红光样本点的平方和、红外光样本点的平方和、红光乘以红外光样本点的乘积之和(包括窗函数w_i)： $\mathrm{RR}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(S_{{\mathrm{red}}_i}\right)}^2{W}_i$ $\mathrm{II}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left(S_{{\mathrm{IR}}_i}\right)}^2{W}_i$ $\mathrm{IRR}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(S_{\mathrm{IR}}\right)\left(S_{{\mathrm{red}}_i}\right)W_i$

这些值被用于相关式(93b)中。因而，相关等式变成两个变量项r_a和r_v的等式。为求得r_a和r_v，需要对较好的r_a和r_v可能值断面(例如分别相应于范围在30至105的饱和度值的值20至50)进行彻底的扫描。然后选择相关函数的最小值，并且那些能导致最小值的r_a和r_v值也被选出。

当求出r_a和r_v后，动脉血氧饱和度和静脉血氧饱和度就可通过将r_a和r_v提供给饱和度等式而确定，如将r_a和r_v提供给统计模块404的饱和度等式502，可相应于比值r_a和r_v提供出血氧饱和度值。

在下面另一个求得r_a和r_v的过程中，与前面所建立的同样的信号模型又被使用。为根据这个过程确定r_a和r_v，在s₂与n₂不相关的约束条件下，要使信号s₂的能量最大化。同样，这个过程是以使s与n的相关最小为基础及以本发明的信号模型为基础，在该信号模型中s与动脉脉搏有关且信号n为噪声(包括静脉血信息、运动干扰和其它噪声)；r_a是一个与动脉血氧饱和度相关的比值(红光/红外光)，r_v为一个与静脉血氧饱和度相关的比值(红光/红外光)。因而，在本发明的这一过程中，r_a和r_v的确定方法是，当s₂与n₂不相关时使信号s₂的能量最大。信号s₂的能量由下式给出： $\mathrm{ENERGY}\left(s_2\right)=\frac{1}{{(r_a-r_v)}^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(S_{\mathrm{red}}-r_v{S}_{\mathrm{IR}})}^2---\left(94\right)$ $=\frac{1}{{(r_a-r_v)}^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(S_{{\mathrm{red}}_i}^2\right)-{2r}_v\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(S_{{\mathrm{red}}_i}{S}_{{\mathrm{IR}}_i}\right)+r_v^2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(S_{{\mathrm{IR}}_i}^2\right)---\left(95\right)$ $=\frac{1}{{(r_a-r_v)}^2}\[R_1-{2r}_v{R}_{\mathrm{1,2}}+r_v^2{R}_2\]---\left(96\right)$ 这里R₁是红光信号的能量，R₂是红外光信号的能量，R_1，2为红光与红外光信号之间的相关。

s₂与n₂之间的相关由下式给出 $=\frac{1}{{(r_a-r_v)}^2}\[-R_1+(r_a+r_v)R_{\mathrm{1,2}}-r_v{r}_a{R}_2\]---\left(97\right)$ $\mathrm{Correlation}(s_2,n_2)=\frac{1}{{(r_a-r_v)}^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(S_{{\mathrm{red}}_i}-r_v{S}_{{\mathrm{ir}}_i})({-S}_{{\mathrm{red}}_i}+r_a{S}_{{\mathrm{IR}}_i})$

如前面所解释的，约束条件是s_k与n_k不相关(在本例中为k＝2)。这个“不相关约束”是通过下列将式(97)的相关设置为0的方法求得：

-R₁+(r_a+r_v)R₁₂-r_ar_vR₂＝0                 (98)换言之，其目标是在式(98)的约束下使式(94)最大。

为达到这一目标，下面定义了一个成本函数(例如，在本实施例中的一个拉格郎日最佳化)： $J(r_a,r_v,\mathrm{\μ})=\frac{1}{{(r_a-r_v)}^2}\[R_1+2r_v{R}_{\mathrm{1,2}}+r_v^2{R}_2+\mathrm{\μ}(-R_1+(r_a+r_v)R.$ (99) 这里μ为拉格郎日乘法因子。可解出所述的成本函数的值r_a，r_v和μ可用约束最佳化的方法求出，该方法在1984年由Addison-Wesley第二版的Luenberger的《线性和非线性程序》一书中进行描述。

沿着相同思路，如果我们假设红光和红外光信号是不稳定的，上述定义的函数R₁、R₂和R₁₂是与时间有关的。因而，用两个等式，通过将式(98)中的不相关约束条件在两个不同的时间下写出，可以求出两个未知数。在两个不同时间t₁和t₂下，所述的不相关约束条件可表达为：

-R₁(t₁)+(r_a+r_v)R₁₂(t₁)-r_ar_vR₂(t₁)＝0         (100)

-R₁(t₂)+(r_a+r_v)R₁₂(t₂)-r_ar_vR₂(t₂)＝0         (101)因为式(100)和式(101)对r_a和r_v是非线性的，所以必须用转换变量的方法，才能用线性技术去解这两个等式。因而，设x＝r_a+r_v；y＝r_ar_v，则式(100)和式(101)可变为：

R₁₂(t₁)×-R₂(t₁)y＝R₁(t₁)                    (102)

R₁₂(t₂)×-R₂(t₂)y＝R₁(t₂)                    (103)用式(102)和式(103)可以解出x和y。然后用下列变量转换关系式可以解出r_a和r_v： $r_v+\frac{y}{r_v}=x=>r_v^2-x{r}_v+y=0---\left(104\right)$ 在解式(104)时可求出两个r_v解。在本实施例中，选用的是满足x²-r_vy＞0的r_v值。如果两个r_v解都满足x²-r_vy＞0，选用那个能使在t₂时的s₂的能量(能量(s₂))最大的r_v值。然后将r_v值代入上述等式中以求得r_a。此外，r_a也可用与求r_v同样的方式直接求得。

饱和度变换的另一种方法-复数快速富里叶变换(FFT)

如参照图25A-25C所解释的，病人的血氧饱和度、脉率和干净的体积描记波形都可用本发明的信号模型用一个复数FFT来求得。通 常，通过式(89)-(92)的具有两个被测信号的信号模型的使用，一个在离散基础上的快速饱和度变换可用于由分样操作402输出的采样点上。所述的两个被测信号中每个都具有原始信号部分和二次信号部分，其中原始信号部分代表信所需要的号部分，二次信号部分代表信号中不被需要的部分，且被测信号与系数r_a及r_v相关，在离散的基础上的快速饱和度变换可被用在来自分样操作402的输出中的样本点上。

图25A总体上与图14对应，只是用一个快速饱和度变换代替前面所描述的饱和度变换。换句话说，图25A的操作可替代图14的操作。如图25A中所绘出的，所述的快速饱和度变换可在一个快速饱和度变换/脉率计算模块630中进行。如图14所示，其输出为动脉血氧饱和度、干净的体积描记图波形和脉率。图25B和图25C更加详细地示出了所述的快速饱和度变换/脉率计算模块630。如图25B所示，快速饱和度变换模块630具有一个红外光求对数和红光求对数模块640、642，以和如图17中所示的红外光对数模块480及红光对数模块482一样进行对数归一化。类似地，也具有红外光直流消除模块644和红光直流消除模块646。另外，还有红外光高通滤波器模块645和红光高通滤波器模块647、窗函数模块648、650、复数FFT模块652、654、选择模块653、655、幅度模块656、658、阈值模块660、662、一个逐点比值模块670、一个饱和度等式模块672和一个选择饱和度模块680。还有相位模块690、692、相位差模块694和一个相位阈值模块696。选择饱和度模块680的输出在一条动脉饱和度输出线682上提供了一个动脉饱和度。

在这个另外的实施例中，红光和红外光信号的抽样为从分样模块402来的562个样本。红外光直流消除模块644和红光直流消除模块646与图17中的红外光和红光直流消除模块484、486有一些差别。在图25B中的红外光和红光直流消除模块644、646中，计算每个单独通道的全部562个样本点的平均值。然后从各自抽样的每个独立的样本点中消除这个平均值，以从每个样本中消除直流基线。红外光直流消除模块644和红光直流消除模块646的输出分别为红外光高通滤波器模块645和红光高通滤波器模块647提供了输入。

所述的高通滤波器模块645、647由具有51个系数抽头的有限冲击响应滤波器组成。优选地，高通滤波器由一个其旁瓣电平参数为30， 其转角频率为0.5Hz(即，30次/分)的切比雪夫滤波器组成的。可以理解，这个滤波器可以为多种形式。由于562个样本输入至高通滤波器中后，且由于有51个系数抽头，所以在高通滤波器模块的输出处有512个样本分别从这些红外光抽样和红光抽样中提供。所述的高通滤波器模块的输出分别为每个通道的窗函数模块648、650提供输入。

所述的窗函数模块648、650实现的是一个常规的开窗功能。在本实施例中使用了一个Kaiser开窗函数。所述的函数通过图25B保持逐点分析。在本实施例中，Kaiser窗函数的时间宽度结果是7。窗函数模块的输出分别为复数FFT模块652、654提供了输入。

所述的复数FFT模块652、654分别对红外光通道和红光通道的数据抽样进行复数FFT变换。然后将从复数FFT来的数据在两个路径进行分析，一个对从复数FFT来的数据点进行幅度确定，一个对从复数FFT来的数据点进行相位确定。但是，在进一步处理之前，所述的数据被分别提供给红外光和红光选择模块653、655，因为FFT操作的输出将分别提供从0-1/2采样率的信息及从1/2-1采样率的信息。所述的选择模块只选择从0-1/2采样率的样本(例如本实施例中的0-31.25Hz)，然后从这些样本中选择出可覆盖心率频率范围的样本并选出一个或多个心率的谐波。在本实施例中，选择的是那些在20至500次/分样率范围内的样本。为根据需要求得心率的谐波，这个值是可以变化的。因而，选择模块的输出将少于256个样本。在本实施例中，FFT输出的第2至68样本点被用于进一步处理。

在第一处理路径中，选择模块653、655的输出被分别提供给红外光和红光幅度模块656、658。所述的幅度模块656、658执行一个幅度函数，它可以在复数FFT点的逐点基础上分别对于每个通道选择出幅度。幅度模块656、658的输出为红外光和红光阈值模块660、662提供了输入。

所述的阈值模块660、662在逐点基础上对采样点进行考核，以选择那些其幅度大于一个特定阈值的点，所述的阈值被设置为从所有现有的抽样点中求出的最大幅度的百分数。在本实施例中，阈值操作的百分数为最大幅度的1％。

阈值操作后，数据点将被传入逐点比值模块670。所述的逐点比值模块在逐点的基础上计算红光比红外光的值。但还需要进一步测试以判 断从哪些点中选择比值。如在图25B中所见到的，选择模块653、655输出的采样点还被提供给红外光和红光相位模块690、692。所述的相位模块690、692从复数FFT点中选择相位值。然后，将相位模块690、692的输出提供给相位差模块694。

所述的相位差模块694计算与相位模块690、692相应的数据点的相位差。如果任意两个相应采样点的相位差幅度小于一个特定的阈值(例如，在本实施例中为0.1弧度)，则该采样点是合格的。如果两个相应采样点的相位相差太大，则该采样点将不被使用。相位阈值模块696的输出为红光/红外光比值模块670提供了一个启动输入。因而，为求得特定采样点对的比值，需进行三个测试：6.红光样本必须通过红光阈值660；7.红外光样本必须通过红外光阈值662；且8.两点的相位差必须小于如在相位阈值模块696中确定的预定的阈值。

对于那些合格的采样点，将在所述的比值模块670中进行比值计算。对于那些不合格的采样点，则在饱和度等式672的输出处将其饱和度设置为0。

比值结果将被提供给与统计模块504中的饱和度等式模块502、520相同的饱和度等式模块。换言之，所述饱和度等式模块672接受逐点比值，并以作为其输出的方式提供一个相应于离散比值点的饱和度值。饱和度等式模块672所输出的饱和度点提供了一个可绘出相对于频率的饱和度值的饱和度点序列。所述的参比频率被输入至复数FFT各步骤的点中。

如在选择动脉饱和度模块680所示，可以根据本发明的一个或二个方法选择动脉(和静脉)饱和度。根据本发明的一个方法，动脉饱和度可简单地选择为从饱和度等式模块672输出的关于样本包的所有点中相应于最大饱和度值的点。另外，也可以产生一个类似于图22中的直方图的直方图，在该直方图中，将不同频率(点)下的饱和度值的数量相加，形成表示每个特定饱和度值的出现次数的直方图。在每一方法中，动脉饱和度值可以获得并作为输出而提供给在动脉饱和度输出线682上的选择动脉饱和度模块。为求得静脉饱和度值，选择的是其值不为0的点的最小动脉饱和度值，而不是选择最大动脉饱和度值。所述的饱和度可以提供给显示器336。

如在图25C中所示，快速饱和度变换信息也可被用于提供脉率和干净的体积描记波形。为获得脉率和干净的体积描记波形，需要几个其它函数。如在图25C中所见，用一个窗函数模块700、一个谱分析模块702和一个逆窗函数模块704可确定脉率和干净的体积描记波形。

如图25C所绘出的，窗函数模块700的输入是从复数FFT模块652或654的输出处获得的。在本实施例中，只需要一个被测信号。窗函数模块700的另一个输入是从选择动脉饱和度模块680的输出处获得的动脉饱和度。

所述的窗函数模块进行一种选择性开窗函数操作，以通过那些与“某些频率”显著相关的频率，这里所述的“某些频率”所展示的饱和度值十分接近动脉饱和度值。在本实施例中，选用的是下述开窗函数： $1-{\[\frac{{\mathrm{SAT}}_{\mathrm{art}}-{\mathrm{SAT}}_n}{100}\]}^{15}---\left(105\right)$ 式中SAT_n等于与样本点的每个特定频率相应的饱和度值，而SAT_art代表的是在选择动脉饱和度模块680的输出处所选择的动脉饱和度。这个窗函数被加到一个窗函数的输入端，该输入是对红光或红外光信号进行的复数FFT。窗函数模块700的输出是用由FFT确定的频谱代表的红光或红外光信号，其运动干扰已经被开窗函数消除。可以理解，可提供许多种可能的窗函数。另外，可以理解，对于上述的窗函数，用更高的功率可提供更强的噪声抑制。

为求得脉率，窗函数模块700的输出点被提供给谱分析模块702。所述的谱分析模块702与图20中的谱分析模块590相同。换句话说，谱分析模块702通过确定用开窗函数700的输出点所代表的频谱中的第一谐波来确定脉率。频谱分析模块702的输出为脉率。

为求得干净的体积描记波形，开窗函数模块700的输出被用于一个逆窗函数模块704中。所述的逆窗函数模块704所进行的是图25B中的窗函数模块648或650的Kaiser窗函数的逆运算。换言之，所述的逆窗函数704对尚需确定的点进行逐点Kaiser窗逆运算。其输出为干净的体积描记波形。

所以，通过使用复数FFT和开窗函数，可将噪声从体积描记波形中 消除，以获得动脉饱和度、脉率和干净的体积描记波形。可以理解，尽管上述描述所涉及的操作基本上是在频域，但那些可获得相似结果的时域操作也是可行的。

与通用等式的关系

现在将前面所描述的有关脉搏血氧计的测量与上述更通用的讨论联系起来。以波长λ_a和λ_b传过手指310的信号(经对数转换后的)为：S_λa(t)＝s_λred1(t)＝∈_HbO2，λac^A _HbO2x^A(t)+∈_Hbλac^A _Hbx^A(t)+∈_HbO2，λac^V _HbO2x^V(t)+∈_Hb，λac^V _Hbx^V(t)+n_λa(t)；        (105a)S_λa(t)＝∈_HbO2，λac^A _HbO2x^A(t)+∈_Hb，λac^A _Hbx^A(t)+n_λa(t)；(105b)S_λa(t)＝s_λa(t)+n_λa(t)；                                  (105c)S_λb(t)＝S_λred2(t)＝∈_HbO2，λbc^A _HbO2x^A(t)+∈_Hb，λbc^A _Hbx^A(t)+∈_HbO2λbc^V _HbO2x^V(t)+∈_Hb，λbc^V _Hbx^V(t)+n_λb(t)；          (106a)s_λb(t)＝∈_HbO2，λbc^A _HbO2x^A(t)+∈_Hb，λbc^A _Hbx^A(t)+n_λb(t)  (106b)S_λb(t)＝ s_λb(t)+n_λb(t)                                   (106c)联系到图6c，上述变量可很好地理解为：假设图6c中的包括A₃和A₄的层代表测试媒质中的静脉血，其中A₃代表静脉血中的脱氧血红蛋白(Hb)，A₄代表静脉血中的氧合血红蛋白(HBO2)。类似地，假设图6c中的包括A₅和A₆的层代表测试媒质中的动脉血，其中A₅代表动脉血中的脱氧血红蛋白(Hb)，A₆代表动脉血中的氧合血红蛋白(HBO2)。则c^VHbO2代表静脉血中氧合血红蛋白的浓度，c^VHb代表静脉血中脱氧血红蛋白的浓度，x^V代表静脉血的厚度(例如，包括A₃和A₄的层的厚度)。类似地，c^AHbO2代表动脉血中氧合血红蛋白的浓度，c^AHb代表动脉血中脱氧血红蛋白的浓度，x^A代表动脉血的厚度(即包括A₅和 A₆的层的厚度)。

所选用的波长通常一个是在可见的红光范围内，即λ_a，一个是在红外光范围内，即λ_b。一般所选的波长值为λ_a＝660nm，λ_b＝910nm。根据恒定饱和度法，假设c^A _HbO2(t)/c^A _Hb(t)＝常数1，c^V _HbO2(t)/c^V _Hb(t)＝常数2。如果总的来讲相对于采样频率动脉和静脉的血氧饱和度变化较慢，则这个假设就是有效的。因而等式(105)和(106)的比例系数可以写为： $r_a\left(t\right)=\frac{{\∈}_{\mathrm{HbO}2,\mathrm{\λa}}{C}_{\mathrm{HbO}2}^{A}X\left(t\right)+{\∈}_{\mathrm{Hb},\mathrm{\λa}}{C}_{\mathrm{Hb}}X\left(t\right)}{{\∈}_{\mathrm{HbO}2,\mathrm{\λb}}{C}_{\mathrm{HbO}2}^{A}X\left(t\right)+{\∈}_{\mathrm{Hb},\mathrm{\λb}}{C}_{\mathrm{Hb}}^{A}X\left(t\right)}---\left(107\right)$ s_λa(t)＝r_a(t)s_λb(t)                           (108a)n_λa(t)≠r_a(t)n_λb(t)                           (109a)n_λa(t)＝r_v(t)n_λb(t)                           (108b)s_λa(t)≠r_v(t)s_λb(t)                           (109b)在脉搏血氧测量中，通常是式(108)和式(109)可被同时满足。

用r_a(t)乘以式(106)，然后从式(105)中减去式(106)，则用下式可确定一个非零的二次参比信号n’(t)：

                       n′(t)＝S_λa(t)·r_a(t)S_λb(t)          (110a)

  ＝∈_HbO2，λac^V _HbO2x^V(t)+∈_Hb，λac^V _Hbx^V(t)+n_λa(t)

-r_a(t)[∈_HbO2，λbc^V _HbO2x^V(t)+∈_Hb，λbc^V _Hbx^V(t)+n_λb(t)].    (111a)

用r_v(t)乘以式(106)，然后从式(105)中减去式(106)，则用下式可确定一个非零的原始参比信号s’(t)：

       s′(t)＝S_λa(t)·r_v(t)S_λb(t)              (110b)

           ＝s_λa(t)·r_v(t)s_λb(t)                (111b)

所述的恒定饱和度假设不会使静脉对能量的吸收部分与原始信号部分S_λa和S_λb一起被消除。因而，病人安静时由静脉能量吸收所引起的与低频调制吸收有关的频率和在病人运动时由静脉吸收引起的调制吸收都可在二次参比信号n’(t)中反映出来。所以，所述的相关消除器或前面所描述的其它方法可消除或提取由运动中的手指的静脉血引起的无规律的调制吸收，及静脉血的恒定的低频周期性吸收。

为表示图11的获得干净波形的血氧计的操作，图26和图27绘出了用作为本发明的参比处理器输入的被测信号，即信号S_λa(t)＝S_λred(t)和信号S_λb(T)＝S_λIR(t)，该参比信号处理器采用了恒定饱和度法。每个信号的第一段26a和27a为相对没有受运动干扰的信号，即在测量这段信号的时间内，病人基本没有运动。因而通常用这些段26a和27a来代表在每个测量波长下的原始体积描记波形。每个信号的第二段26b和27b受到运动干扰的影响，即在测量这段信号期间，病人在运动。在每个段26b和27b上都可见到许多由于运动对被测信号造成的波动。每个信号的第三段26c和27c又相对没有受运动干扰的影响，因而它们也通常可以代表在每个测量波长下的原始体积描记波形。

图28示出了由本发明的参比处理器确定的二次参比信号n’(t)＝n_λa(t)-r_an_λb(t)。同样，所述二次参比信号n’(t)与二次信号部分n_λa和n_λb相关。因而，二次参比信号n′(t)的第一段28a通常是平坦的，相应于在每个信号的第一段26a和27a由运动造成的噪声很小这一事实。在二次参比信号n′(t)的第二段28b上可见较大的波动，相应于由运动对每个被测信号造成的较大的波动。噪声参比信号n′(t)的第三段28c通常是平坦的，也相应于在每个被测信号的26c和27c段上没有运动干扰。

可以理解，所述的参比处理器也可用于求得原始参比信号s′(t)＝s_λa(t)-r_vs_λb(t)。原始参比信号s′(t)通常表示体积描记波形。

图29和图30示出了由相关消除器用二次参比信号n′(t)估计出的原 始信号s_λa和s_λb(t)的逼近s″_λa和s″_λb(t)。注意图26至图30的标尺不同，以更好地示出每个信号的变化。图29和图30表示了用由参比处理器确定的二次参比信号n′(t)进行相关消除的效果。如被测信号的段26b和27b一样，段29b和30b不受运动引起的噪声的支配。另外，段29a，30a，29c和30c与没有运动噪声引起的噪声的被测信号段26a，27a，26c和27c相比基本没有变化。

可以理解，由相关消除器用原始参比信号s′(t)估计出的二次信号n_λa(t)和n_λb(t)的逼近n″_λa(t)和n″_λb(t)也可以根据本发明来确定。

在脉搏血氧计中估计被测信号的原始信号部分和二次信号部分的方法

上述多个相关消除器实施例的软件实现是由前面所设置的并详细描述的有关等式直接给出。但是，在后面所设的附录B中复制了用C语言写成的计算机子程序，该子程序用恒定饱和度法及用式(54)至式(64)实现联合处理估计的联合处理估计器572来计算原始参比信号s’(t)。这个联合处理估计器可估计出相对于两个被测信号的原始信号部分的良好逼近，所述的两个被测信号每个都包含与原始参比信号s’(t)相关的原始信号部分和与二次参比信号n’(t)相关的二次信号部分。这个子程序是实现图9所示的特别适用于脉搏血氧测量的监护仪的框图的另一途径。两个信号是在两个波长λ_a和λ_b下测量到的，其中λa通常在可见光区，λ_b通常是在红外光区。例如，在本发明的一个实施例中，特别对于用恒定饱和度法进行脉搏血氧测量，波长为λ_a＝660nm，λ_b＝940nm。

与在联合处理估计器的讨论中的式(54)-(64)中所定义的变量相应，程序中的变量定义如下：Δ_m(t)＝nc[m].DeltaΓ_f，m(t)＝nc[m].frefΓ_b，m(t)＝nc[m].breff_m(t)＝nc[m].ferrb_m(t)＝nc[m].berrB_m(t)＝nc[m].Bswsqrγ_m(t)＝nc[m].Gammaρ_m，λa(t)＝nc[m].Roh_aρ_m，λb(t)＝nc[m].Roh_b e_m，λa(t)＝nc[m].err_ae_{m_λb}(t)＝nc(m].err_bK_m，λa(t)＝nc[m].K_aK_{m_λb}(t)＝nc[m].K_b

程序的第一部分是如在“初始化的相关消除器”功能块120中所述对寄存器90、92、96和98以及对中间变量进行初始化。程序的第二部分如“左移〔Z^-1〕部件的时间更新”功能块130所述，用把在每个时间延时部件变量110的输入处的值存入时间延时部件变量110的方法，进行时间延时部件变量110的时间更新。饱和度的计算是在一个单独的模块中进行。在本领域中有多种计算氧饱和度的方法。在前面引用的G.A.Mook等人和MichaelR.Neuman的文章中描述了一个这种计算。当氧合血红蛋白的浓度及脱氧血红蛋白的浓度被测定后，则类似于式(72)至式(79)，饱和度的值也就被测定，其测量是在两个不同但很接近的时刻t₁和t₂进行的，在这两个时间上饱和度值相对恒定。对于脉搏血氧测量，在时间t＝(t₁+t₂)/2上的平均饱和度值可确定为： ${\mathrm{Sat}}_{\mathrm{arterial}}\left(t\right)=\frac{C_{\mathrm{HbO}2}^A\left(t\right)}{C_{\mathrm{HbO}2}^A\left(t\right)+C_{\mathrm{Hb}}^A\left(t\right)}---\left(112a\right)$ $=\frac{{\∈}_{\mathrm{Hb},\mathrm{\λa}}-{\∈}_{\mathrm{Hb},\mathrm{\λb}}({\mathrm{\Δs}}_{\mathrm{\λa}}/{\mathrm{\Δs}}_{\mathrm{\λb}})}{{\∈}_{\mathrm{HB},\mathrm{\λa}}-{\∈}_{\mathrm{HbO}2,\mathrm{\λa}}-({\∈}_{\mathrm{HB},\mathrm{\λb}}-{\∈}_{\mathrm{HbO}2,\mathrm{\λb}})({\mathrm{\Δs}}_{\mathrm{\λa}}/{\mathrm{\Δs}}_{\mathrm{\λb}})}---\left(112b\right)$ ${\mathrm{Sat}}_{\mathrm{venous}}\left(t\right)=\frac{C_{\mathrm{HbO}2}^V\left(t\right)}{C_{\mathrm{HbO}2}^V\left(t\right)+C_{\mathrm{Hb}}^V\left(t\right)}---\left(113a\right)$ $=\frac{{\∈}_{\mathrm{Hb},\mathrm{\λa}}-{\∈}_{\mathrm{Hb},\mathrm{\λb}}({\mathrm{\Δn}}_{\mathrm{\λa}}/{\mathrm{\Δn}}_{\mathrm{\λb}})}{{\∈}_{\mathrm{HB},\mathrm{\λa}}-{\∈}_{\mathrm{HbO}2,\mathrm{\λa}}-({\∈}_{\mathrm{HB},\mathrm{\λb}}-{\∈}_{\mathrm{HbO}2,\mathrm{\λb}})({\mathrm{\Δn}}_{\mathrm{\λa}}/{\mathrm{\Δn}}_{\mathrm{\λb}})}---\left(113b\right)$

如在“对两个被测信号采样计算原始或二次参比信号(s′(t)或n′(t))”功能块140所示，子程序的第三部分用如式(3)的恒定饱和度法所确定的比例常数r_a(t)和r_v(t)来计算信号S_λa(t)和S_λb(t)的原始参比信号和二次参比信号。在一个单独的子程序中计算饱和度，并且，值r_a(t)和值r_v(t)是被输入到本子程序中的，以估计复合信号S_λa(t)和S_λb(t)的原始信号部分s_λa(t)和s_λb(t)，或二次信号部分n_λa(t)和n_λb(t)。

如在“零级更新”功能块150所述，程序的第四部分进行的是零级更新，其中零级的向前预测偏差F₀(t)和零级向回预测偏差b₀(t)被设置为与刚刚计算出的参比信号n′(t)或s′(t)值相等。另外，零级中间变量ζ₀和β₀(t)(程序中的nc[m].Fswsqr和nc[m].Bswsqr)的值也将被计算出，以用于在回归滤波器80a和80b的最小二乘法点阵预测器70中设置寄存器90、92、96和98的值。

程序的第五部分是迭代循环，如在图9中的“m＝0”功能块160所述，其中循环计数器M在最大值m＝NC_CELLS时被重设为0。NC_CELLS是循环迭代值的一个预定的最大值。例如，NC_CELLS的通常值为6至10。这样设置循环条件是为了使循环迭代至少为五次，并不断进行迭代直至一个换算试验被满足或m＝NC_CELLS。所述的换算试验即判断向前预测偏差的加权和加上向回预测偏差的加权和是否小于一个很小的数，该很小的数一般为0.00001(即，ζ_m(t)+β_m(t)≤0.00001)。

如在“最小二乘法点阵预测器第m级的阶更新”功能块170所述，程序的第六部分计算寄存器90和92中的向前和向回反射系数Γ_m，f(t)和Γ_m，b(t)值(即程序中的nc[m].fref和nc[m].bref)。然后计算向前预测偏差f_m(t)和向回预测偏差b_m(t)(即程序中的nc[m].ferr和nc[m].berr)。另外，中间变量ζ_m(t)、β_m(t)和γ(t)(即程序中的nc[m].Fswsqr、nc[m].Bswsqr和nc[m].gamma)的值也将被计算出。循环的第一周期使用的是在程序的“零级更新”部分计算出的nc[0].Fswsqr和nc[0].Bswsqr值。

如在“回归滤波器的第m级的阶更新”功能块180所述，程序的第七部分仍处于程序第五部分的循环的起始部位，计算每个回归滤波器的回归系数寄存器96和98的值k_m，λa(t)和k_m，λb(t)(在程序中即为nc[m].k和nc[m].k_b)。还计算中间偏差信号和变量e_m，λa(t)、e_m，λb(t)、ρ_m，λa(t)和ρ_m，λb(t)(在子程序中为nc[m].err_a、nc[m].err_b、nc[m].roh_a和 nc[m].roh_b)。

所述的迭代循环直至通过了收敛测试才结束。联合处理估计器的收敛测试在类似“循环”功能块190的每一个循环迭代中进行。如果向前预测偏差的加权和加上向回预测偏差的加权和ζ_m(t)+β_m(t)小于或等于0.00001，则循环结束。否则程序的第六和第七部分将被重复。

本子程序的输出为输入给该程序的采样序列S_λa(t)和S_λb(t)的原始信号部分的很好的逼近s″_λa(t)和s″_λb(t)，或二次信号部分的很好逼近n″_λa(t)和n″_λb(t)。在由联合处理估计器对被测信号的多个采样序列的原始信号部分或二次信号部分的逼近值进行了估计之后，用一个输出的编码来提供体积描记图波形的良好逼近波形，或提供在每个波长λ_a和λ_b下的运动干扰。

可以理解，附录B中的子程序只是一个可实现式(54)至(64)的实施例。虽然归一化和QRD-LSL等式还可通过直接方法实现，但附录C中列出了用于归一化等式的子程序，附录D中列出了用于QRD-LSL算法的子程序。

很明显，对本领域的技术人员来讲，当利用了本发明处理器的生理监护仪的实施例被描述之后，则其它形式的生理监护器也可以使用上述技术，所述的本发明的处理器是用以确定如自适应噪声消除器的相关消除器用的参比信号，以从生理测量中消除或提取原始信号部分或二次信号部分。

进而，本发明所描述的信号处理技术也可以用于在连续或接近连续的时间基础上计算生理系统的动脉和静脉血氧饱和度。不论生理系统是否处于随意运动状态，这些计算都可以进行。

进而，可以理解，被测信号的转换(而不是算法变换)和可允许提取或消除原始信号部分或二次信号部分以确定参比信号的比例因子的确定是可能的。另外，尽管这里描述的比例因子r为第一信号的一部分与第二信号一部分的比值，但在本发明的处理器中，也可同样使用类似的第二信号的一部分与第一信号的一部分的比值常数。在后一种情况下，二次参比信号通常可以类似地写为：

                  n′(t)＝n_λb(t)-rn_λa(t)

进而，可以理解，相关消除技术(而不是联合处理估计)可与本发明的参比信号一起使用。这些相关技术之中可以包含但不仅限于最小均 方根算法、子波转换、谱估计技术、神经网络、维纳滤波和卡尔曼滤波。

本领域技术人员都将知道，本发明的技术可应用在许多种形式的生理监护仪中。其它形式的生理监护仪包括但不仅限于心电图仪、血压监护仪、血液浓度(而不是血氧饱和度)监护仪、二氧化碳分析、心率监护、呼吸监护或麻醉深度监护。另外，上述技术还可用于进行体内物质的压力和量的监护仪，如呼吸分析器、药物监护器、胆固醇监护仪、葡萄糖监护仪、二氧化碳监护仪或一氧化碳监护仪。

进而，本领域技术人员都将知道，上述从包括原始信号成分和二次信号成分的复合信号中提取或消除原始信号或二次信号的技术也可被用于从身体上的紧密和高度相关的不同位置上提取的心电图(ECG)信号。可以理解，图31所示的作为一种双级Laplacian电极传感器的改进的三极Laplacian电极传感器可用作为心电传感器，关于所述的双极电极传感器的讨论在Bin He和Richard J.Cohen的文章“体表Laplacian心电图的绘图”(Body Surface Laplacian ECG Mapping)中，该文章发表在IEEE Transactions on Biomedical Engineering杂志的第39卷1992年11月的第11期。必须理解，有无数种心电传感器的几何形式可用以满足本发明的需要。同类传感器也可被用于脑电图和肌电图测量。

进而，本领域技术人员都将知道，前面所述的技术也可用于由反射能量形成的信号而不是能量穿透所形成的信号。本领域技术人员都将知道，任何形式能量的被测信号的原始信号部分或二次信号部分，包括但不仅限于声能、X线能、γ射线能或光能，都可用上述技术进行估计。因而，本领域技术人员都将知道，本发明的技术也可应用于使用超声监护仪，其超声信号穿过身体的一个部分并被该部分身体反射，从这部分身体中穿透回来。另外，如回波心动图这类监护仪也可应用本发明的技术，因为它们也依赖于能量的穿透和反射。

在本发明的技术被以生理监护仪的方式进行了描述之后，本领域技术人员都将知道，本发明的信号处理技术可用于多种领域，包括但不仅限于生理信号的处理。本发明也可被应用于其信号处理器具有一个可接收第一信号和第二信号的探测器的任何情况，所述的第一信号含有第一原始信号部分和第一二次信号部分，所述的第二信号含有第二原始信号部分和第二二次信号部分。因而，本发明的信号处理器具备应用于多种信号处理领域的能力。

                    附录A

用高效多相递归全通滤波器进行数字信号处理

Fred Harris^*，Maximilien d’Oreye de Lantremange^*和

           A.G.Constantinides^**著^*Department of Electrial and Computer Engineering，San Diego StateUniversity，San Diego，California92182-0190，U.S.A.(San Diego州立大学

                 电子和计算机工程系，美国)

    ^**Signal Processing Section，Department of Electrical

  Engineering，Imperial College of Science，Technology and

    Medicine，Exhibition Road，London DW7-2BT，England。

(帝国科学、技术和医药学院电子工程系信号处理分部，英国)

摘要：可以用非常小的计算负荷以多相递归全通网络的形式实现数字滤波器。这些网络为M个并行的全通子滤波器的总和，所述这些滤波器的相移被选择为在通带内相互建设性相加而在阻带内相互毁坏性相加。我们这里所述的设计技术开始于从一个新的最优化算法而得出的典型的M路递归全通滤波器(在其它文献中有详细描述)。这些滤波器与全通变换、再采样和串联状态的组合结合在一起操作。与由所述的技术所产生的滤波器系统的例子一起，我们论述了多个用所述的新算法所进行的设计。

1、引言

如图32所示，标准有限冲击响应(FIR)滤波器可被建模成抽头延时线成分的加权和。式(1)示出了这个加权和，式(2)示出了这个滤波器的传递函数。 $y\left(n\right)=\underset{m=0}{\overset{M-1}{\mathrm{\Σ}}}h(m-n)x\left(m\right)---\left(1\right)$ $Y\left(Z\right)=X\left(Z\right)\underset{n=0}{\overset{M-1}{\mathrm{\Σ}}}h\left(n\right)Z^n---\left(2\right)$

我们注意到，滤波器输出的频率选择特性是由于在抽头延时线中的连续的样本间的相移造成的。在图33中示出了两个不同频率的这一相位和。

应注意到，是相移而不是加权项决定着滤波器的频率依靠性增益变化。加权项主要是用于控制滤波器的通带宽度和阻带衰减。从空间波束形成(一般叫做波束分解)(1)和信号合成(峰-均方根控制)(2)方面所形成的思想，是利用结构式的相移(具有任意幅度)以实现相同目的。

这里所描述的这类滤波器代替了具有全通子滤波器的FIR滤波器的加权，所述的子滤波器相对于频率依靠性相移具有单一的增益。为得到多相结构，如图34和式(3)所示，所述的全通子滤波器为Z^m的第一阶多项式，其中M为结构中抽头的数量。这一复合形式在图41a中示出，且它具有一个反映多相结构的改进形式，如图41b所示。这一结构的传递函数如式(4)所示。

图44a和44b示出了从这种新算法中获得的等波动设计的例子，这两个例子分别为每个通路具有2个全通级的2通路滤波器和每个通路具有3个全通级的5通路滤波器。最优化设计的相互制约的约束条件(在前面所提到的文献中描述)限制了5通路滤波器的每通路中的级的可能的序号为序列(1，1，1，1，0)，(2，2，2，1，2)，(3，3，2，2，2，)，等，以使所述的最优化5通路滤波器只使用3级，少于分配给该设计的级数。类似地，所述的2通路滤波器被限制为序列(1，0)，(1，1)，(2，1)，(2，2)，(2，3)，(3，3)，等。

2、二通路滤波器

即便我们将讨论仅限于对2通路滤波器，我们仍发现了这种结构的许多令人感兴趣的特性和巧妙的应用方法。按设计，所述的2通路滤波器为一个在0.25f_具有3dB边缘宽度的半带宽滤波器。如果零点都被限制在1/2采样频率之内，则滤波器等同于由标准arped双线性变换所得到的半带宽巴特沃斯(Butterworth)滤波器。对于这种特殊情况，根位置的实数部分则接近于零。如果对于等波动阻带响应的零点进行优化，则滤波器就变成了约束椭圆滤波器。所述的约束与互补全通滤波器的特性有关。如图35所示，我们定义2通路滤波器的全通段在H₀(0)和H₁(0)、换算为1/2求和运算、两个通路的区分分别为A(0)和B(0)以及低通和高通。我们知道，全通段满足式(5)，从式(5)可推导出低通滤波器和高通滤 波器之间的功率关系，如式(6)所示：

|H₀(θ)|²＝|h₁(θ)|²＝1                             (5)

|A(θ)|²+|B(θ)|²＝|0.5[H₀(θ)+H₁(θ)]|²

                 +|0.5[H₀(θ)-H₁(θ)]|²             (6a)

             ＝0.5[|H₀(θ)|²+|H₁(θ)|²]             (6b)

             ＝1                                    (6c)

现在解释上述关系是如何作用于所述的2通路滤波器的。对于所述的互补滤波器，我们定义其最小通带增益为1-∈₁、峰值阻带增益为∈₂。将这些增益代入式(6)我们得到式(7)。

(1-∈₁)²+(∈₂)²＝1                                 (7a)

(1-∈₁)²＝1-(∈₂)²                                 (7b)

1-2∈₁+(∈₁)²＝1-(∈₂)²                            (7c)对于很小的∈₁，我们可以忽略(∈₁)²，则得到式(8)。

∈₁＝0.5(∈_x)²                                     (8)

因而，如果将阻带衰减选为0.001(60dB)，则通带波动为0.0000005(126.0dB)或通带最小增益为0.9999995(-0.00000022dB)。可见，这些滤波器具有十分平坦的通带。我们的结论是，所述的2通路等波动阻带滤波器为具有成对通带和阻带波动的椭圆滤波器，在0.25f具有-3.0dB的增益。在所述的等效椭圆滤波器的2通路与标准形式之间有两个显著差别。第一个差别是将乘法次数减少了4倍：第5阶半带宽2通路滤波器只需要2个系数，而直接形式则需要8个(包括换算)。第二个差别是全通结构对其内部状态有统一的增益，因而不需要象标准形式滤波器那样用扩展的精密寄存器来存贮内部状态。

如任何滤波器设计一样，可以用增大固定阶滤波器的带衰减的方法 来换取过渡带宽减小，或者可用增加滤波器的阶数的方法使过渡带宽对于一个固定的衰减更为陡峭。如果有关于椭圆滤波器和可用所述的2通路结构实现的Butterworth滤波器的示意图，则等波动滤波器的简单的近似关系可由式(9)给出，式中A(dB)为以dB为单位的衰减，Δf为过渡带宽，N为滤波器中的全通部分的总数。

A(dB)＝(72Δf+10)N                              (9)

2A.希尔波特(Hilbert)变换滤波器

希尔波特变换(HT)可以被认为是半带滤波的一种特殊形式。它由一个宽带90’相移网络进行建模和实现。所述的HT通常用于DSP(数字信号处理)应用，以形成如式(10)所示的分解信号a(n)，该信号的谱被限于正(或负)频率段。

a(n)＝x(n)+jx(n)                                (10)

我们可以用多种方法将所述的2通路滤波器设计为希尔波特变换(HT)式，但一个简单的方法，类似于在半带FIR滤波器中所进行的变换(4)，是将半带滤波器与1/4采样频率相结合。如果原始滤波器的响应和变换分别为h(n)和H(Z)，则可用式(11)很方便地表示出结合后的表达式。

  h(n)＝＞h(n)e^jm/2＝h(n)(j)ⁿ                  (11a)

  H(Z)＝＞H(Ze^jr/2)＝H(jZ)                     (11b)

通过将传递函数的每一个Z¹用-jZ^-1来代替，以将半带滤波器变换成为HT滤波器。由于所述全通子滤波器的多项式为二阶的，所以上述变换过程可通过改变每个全通子滤波器所用的系数的正负号的方法以及将-j与较低的通路延时结合起来的方法来实现。这些操作在图36中示出。

2B.插值法和分样法滤波器

任何半带滤波器都可以用于进行2至1再采样(正行或逆行，通常 定义为插值和分样)。有限冲击响应滤波器可用多相分割方法进行操作，所述的多相分割不对插入的零输入点进行处理(正向采样时)或不计算已废弃的输出点(逆向采样时)。尽管这种情况不适于通常的递归滤波器，但这种情况适合于递归全通M通路滤波器。由于第M阶子滤波器的内部延时和每一通路延时线的相互作用，所述的M通路滤波器可被分为多相位部分。这个关系在所述2通路滤波器中特别容易看出。一个作用于系数n₀的冲击将在同一时间通过上面的通路对输出产生一个作用，而由于有另外一个延时Z^-1，所以在下面的通路上直到下一个指示时才能得到输出。在这个下一个指示期间，由于没有与其Z²多项式相关联的Z¹通路，所以在上面的通路不能对输出产生作用。因而，所述滤波器从其二个交替的通路提供其冲击响应的顺序的样本。

逆行采样是通过以降低的输入率给滤波器的每一通路提供交替的输入样本的方法实现的。由于第二通路的延时是由输入换算来实现的，所以在这个通路中的物理延时被消除了。对两个通路的响应求和或求差以产生滤波后的和逆向采样后的输出。应注意到，每个输入样本点的计算率为未经再采样的滤波器的相应计算率的一半。因而，如果使用图44a的2通路滤波器进行逆向采样，我们将对每个输入点进行3次乘法。

正向采样是通过保留逆向采样的过程来实现。这要求为两个通路提供相同的输入，并在两个输出之间进行换算。图37示出了两个再采样的形式。如前面的例子，当图44a中的所述2通路滤波器被用于正向采样时，我们将对每个输出点进行3次乘法。

所述的互补输出的逆向采样和正向采样的串联操作将进行两带最大分样直角相移镜像滤波和再现(5)。

正向采样和逆向采样滤波器的串联的多个级可在每数据点的工作负荷十分小的情况下达到很高级别的采样率转换。例如，一个对信号具有96dB动态范围的其截止频率为0.4f的1至16的正向采样器需要顺序地具有较小全通滤波器级序号的2通路滤波器，所述的级序号为(3，3)，(2，2)，(2，1)和(1，1)。这样，对16个输出，总共需要42次乘法，其平均工作负荷大约为每个输出点2.7次操作。

2C.迭代多相全通滤波器

前面所述的全通滤波器网络是由Zⁿ的多项式组成的，特别是对于所述的2通路滤波器，是由Z²的多项式组成的。一个有用的变换是用 Z^2k来代替每个Z²，以得到其谱特性为原来的滤波器谱的K次复制的较高阶滤波器。若K＝2，则中心频率在直流处的半带滤波器就变成了一对中心频率在直流处和f/2处的1/4带滤波器。所述迭代滤波器的谱复制的例子如图38所示。

应注意到，这一变换将原滤波器的频谱缩小到原来的1/K，既减少了通带也减少了过渡带。因而，通过使用通过延时部件得到的幂为2K的低阶多项式可实现很陡峭的过渡带和通带很窄的滤波器。在复制后的谱区域内的能量可用一个滤波器序列来消除，所述的滤波器序列中有多种再采样的幂数和已经被降低了幂数的迭代滤波器。

3.有效的全通滤波器组

有效的谱分割可通过串联和对迭代低通滤波器或HT滤波器的输出再采样来得到。例如，如图39左侧所示，一个以四个象限为中心的4通路滤波器组的谱可用一个互补的半带滤波器连接一对再采样HT滤波器来形成。这个70dB衰减滤波器组的工作负荷为每个输出通道3次乘法运算。

一个回顾前面序列的4通道滤波器组(即，其中心在4个主方向上)可由两个互补半带滤波器各自连接一个互补半带再采样滤波器和一个再采样HT滤波器迭代而构成。这个滤波器组的这种谱在图39的右侧示出。这个70dB衰减滤波器组的工作负荷是每个输出通道2次乘法运算。

4.其它全通变换

通过标准的全通变换(6)，也可以将原型互补滤波器组变换为一些具有任意带宽和任意中心频率的滤波器。式(12)表示了用于半带滤波器的低通变换。 $z^{-1}=\frac{b+z}{1+{\mathrm{bz}}^{-1}}b=\frac{1-\tan ({\mathrm{\θ}}_0/2)}{1+\tan ({\mathrm{\θ}}_0/2)}---\left(12\right)$ 这一次变换将改变滤波器的频率变量，使-3dB点出现在频率θ处。当θ不等于π/2时，全通子滤波器的第二阶多项式得到Z^-1项的系数。所得到的滤波器在其每一对极零点处需要两次乘法，其工作负荷仍为传统常规 型滤波器的一半。此外，在原点处的极点(由于第二通路的延时)变换成一个第一阶全通滤波器，因而，将无活性的极点转换为有活性的极点需要一个另外的第一阶级。图40示出了图44a所示的滤波器的频率改变形式。这个滤波器和它的互补形式都适用于所述的频率改变结构。

式(13)表示了带通变换。 $z^{-1}=>{-z}^{-1}\frac{c-z^{-1}}{1-{\mathrm{cz}}^{-1}}c=\cos \left({\mathrm{\θ}}_1\right)---\left(13\right)$ 这一变换改变了滤波器的频率变量，使其中心频率处于频率θ₁处。如果θ₁等于0.0，则这个变换等效于在2.C中描述的迭代变换。对于其它任何频率，这个变换都可将第二阶全通滤波器转换成为第四阶全通结构。这需要四次乘法，以为所得到的滤波器形成四个极零点对，其工作负荷仍为传统常规型滤波器的一半。另外，需要一个第二阶全通级，所述的转换才能将实数的极点(是一个通常处于原点的假想的极点)转换成一对复数极点。图45示出了图45所示的滤波器的频率改变形式。如前面所述，这个滤波器和它的互补形式都适用于所述的频率改变结构。

其它几种变换和几何形式[7]也可用于数字全通结构，读者可直接从本文所列出的文献中得到多种丰富的选择。 $H_n\left(Z^{-M}\right)=\frac{a_n+Z^{-M}}{1+a_n{Z}^{-M}}---\left(3\right)$ $Y\left(Z\right)=X\left(Z\right)\underset{n=0}{\overset{M-1}{\mathrm{\Σ}}}{H}_n\left(Z^{-M}\right)Z^{-n}---\left(4\right)$

式(3)的根，-a_n的第M个根和其倒数，如说明幂为M的图42所示均匀地分布在原点的周围。应注意到，我们已知了在全通级中的每个乘法式中的M个极点和M个零点。这意味着，例如，两通路滤波器在每个乘法式中提供两个极点和两个零点，而标准的(因式分解前或因式分解后的)常规形式的滤波器为每个乘法式一个极点(或零点)。

当围绕着归一园，我们看到全通子滤波器在每个极-零点对附近的相位呈快速变化。通过适当地选择极点位置，可以使M通路滤波器的每一分支的相移相互匹配或在所选择的谱间隔内通过乘以2π/M而相区分开。这在图43A-43D中对于M＝2和M＝4的展示出来。所述全通子滤波器的系数可通过标准算法[3]或通过由Harris和d’Oreye最近交付发表的论文(信号处理)中所提出的一种新算法来确定。

5.结论

我们已经回顾了全通多相滤波结构的形式和效果。接着，我们还提出了几种能够方便地用于M通路全通滤波器组的几种全通变换。重点放在二通路网络，但这些内容可方便地扩展到任意的M通路。我们提到过用于设计M通路滤波器的一组新算法，这些算法将在一篇即将发表的信号处理文章中公开。我们通过利用这些算法来形成本文中的一些例子，证实了这一算法的能力。

这些结构的主要优点是，为了完成一个给定的滤波任务所需要的工作负荷非常小。其它文章[8，9，10]讨论了由这些滤波器对于有限算法表现出的低灵敏度。使用这些滤波器的主要障碍是，它们比较新，以及缺乏用于计算滤波器加权函数的可行性设计方法。本文(以及列在下面的文献中的十分好的综述)致力于第一个问题，即将发表的一篇论文致力于第二个问题。

6.致谢

本文的一部分工作是由集成电路和系统(ICAS)工业/大学合作研究中心(I/UCRC)在圣地亚哥州立大学(SDSU)和圣地亚哥的加利福尼亚大学(UCSD)完成的。

7.文献

(1)F.J Harris和Stan Acks(EI Segundo，CA，1983，休斯飞机、雷达系统集团)之间的非公开通讯。

(2)M.R.Schroeder的“在科学和通讯中的数字理论”，Springer-Verlag，1984，第28章：波形和辐射模式，pp278-288。

(3)R.A.Valenzuela和A.G.Constantinides的“有效内插和分样的数字信号处理方案”，IEE Proceedings，Vol.130，Pt.G.No.6，Dec，1983，pp.225-235。

(4)D.EHiot的“数字信号处理和工程应用手册”，Academic Press，1987，Chapter 3，pp.227-233。

(5)Phillip A.Regalia，Sanjit K.Mitra和P.P.Vaidyanathan的“数字全通滤波器：灵活的信号处理结构块”，Proc.of IEEE，Vol.76，No.1，Jan.1988，pp.19-37。

(6)A.G.Constantinides的“数字滤波器的谱变换”Proc.IEE，Vol.117，No.8，Aug，1970，pp.1585-1590。

(7)S.K.Mitra，K.Hirano，S.Nishimura和K.Sugahara的“具有独立调谐特性的数字带通/带阻滤波器设计”，FREQUENZ，44(1990)3-4，pp.117-121。

(8)R.Ansari和B.Liu的“应用于采样率变换的低噪声计算有效的递归数字滤波器”，IEEE Trahs.声音、语言、信号处理，Vol.ASSP-33，No.1，Feb.1985，pp.90-97。

(9)H.Samueli的“低复杂性无倍增的半带递归数字滤波器设计”，IEEE Trahs.声音、语言、信号处理，Vol.ASSP-37，No.3，Mar.1989，pp.442-444。

(10)P.P.Vaidyanathan和Zinnur Doganata的“现代数字信号处理中的无损耗系统的作用：指导，”IEEE Trans.on Education，Vol.32，No.3，Aug.1989，pp.181-197。

      附录B

      最小二乘法点阵噪声消除

      用比值逼近法消除噪声的实例

Example for ratiometric approach to noise canceling
/define LAMBDA 0.95
void OxiLSL NC(   int reset，

                  int passes，

                  int *signal_1，

                  int *signal_2，

                  int *signal_3，

                  int *target_1，

                  int *target_2)

            int   i，ii，k，m，n，contraction；
static      int   *s_a，*s_b，*s_c，*out_a，*out_c；
static      float Delta_sqr，scale，noise_ref；
if(reset＝＝TRUE){

    s_a       ＝signal_1；

    s_b       ＝signal_2；

    s_c       ＝signal_3；

    out_a     ＝target_1；

    out_c     ＝target_2；

    factor    ＝1.5；

    scale     ＝1.0/4160.0；

    * noise canceller initialization at time t＝0 */

    nc[0].berr     ＝0.0；

    nc[0].Gamma    ＝1.0；
for(m＝0；m＜NC_CELLS；m++){

    nc[m].err_a    ＝0.0；

    nc[m].err_b    ＝0.0；

    nc[m].Rob_a    ＝0.0；

    nc[m].Roh_c    ＝0.0；

    nc[m].Delta    ＝0.0；

    nc[m].Fswsqr   ＝0.00001；

    nc[m].Bswsqr   ＝0.00001；
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝END INITIALIZATION＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
for(k＝0；k<passes；k++){
contraction＝FALSE；
for(m＝0；m＜NC_CELLS；m++){/* Update delay elements

    nc[m].berr1  ＝nc[m].berr；

    nc[m].Bswsqr1＝nc[m].Bswsqr；
    noise ref     ＝factor*log(1.0-(*s_a)*scale)

              -log(1.0-((s_b)*scale)；
nc[0].err_a   ＝log(1.0-(*s_b)*scale)；
nc[0].err_b   ＝log(1.0-(*s_c)*scale)；
++s_a；
++s_b；
++s_c；
nc[0].ferr    ＝noise_ref；
nc[0].berr    ＝noise_ref；
nc[0].Fswsqr  ＝LAMBDA*nc[0].Fswsqr+noise_ref*noise_ref；
nc[0].Bswsqr  ＝nc[0].Fswsqr；
/* Order Update    */
for(n＝1；(n＜NC CELLS &amp;&amp;(contraction＝＝FALSE)；n++)
     /* Adaptive Lattice Section */
m＝n-1；
ii＝n-1；
nc[m].Delta   *＝LAMBDA；
nc[m].Delta   +＝nc[m].berr1*nc[m].ferr/nc[m].Gamma；
Delta_sqr     ＝nc[m].Delta*nc[m].Delta；
nc[n].fref    ＝-nc[m].Delta/nc[m].Bswsqr1；
nc[n].bref    ＝-nc[m].Delta/nc[m].Fswsgr；
nc[n].ferr    ＝nc[m].ferr+nc[n].fref*nc[m].berr1；
nc[n].berr  ＝nc[m].berr1+nc[n].bref*nc[m].ferr；
nc[n].Fswsqr＝nc[m].Fswsqr-Delta_sqr/nc[m].Bswsqr1；
nc[n].Bswsqr＝nc[m].Bswsqr1-Delta_sqr/nc[m].Fswsqr；
if((nc[n].Fswsqr+nc[n].Bswsqr)＞0.00001||(n＜5)){
  nc[n].Gamma＝nc[m].Gamma-nc[m].berr1*nc[m].berr1/
nc[m].Bswsqr1；
  if(nc[n].Gamma＜0.05)nc[n].Gamma＝0.05；
  if(nc[n].Gamma＞1.00)nc[n].Gamma＝1.00；
/*Joint Process Estimation Section*/

    nc[m].Rob_a     *＝LAMBDA；

    nc[m].Roh_a +＝nc[m].berr*nc[m].err a/nc[m].Gamma；

    nc[m].k_a   ＝nc[m].Roh_a/nc[m].Bswsqr；

    nc[n].err_a      ＝nc[m].err_a-nc[m].k_a*nc[m].berr；

    nc[m].Roh_c  *＝LAMDBA；

    nc[m].Roh_c +＝nc[m].berr &amp; nc[m].err_b/nc[m].Gamma；

    nc[m].k_c         ＝nc[m].Roh_c/nc[m].Bswsqr；

    nc[n].err_b           ＝nc[m].err_b-nc[m].k_c*nc[m].berr；
)
else{
  contraction＝TRUE；
  for(i＝n；i＜NC_CELLS；i++){

     nc[i].err_a           ＝0.0；

     nc[i].Roh_a           ＝0.0；

     nc[i].err_b           ＝0.0；

     nc[i].Roh_c           ＝0.0；

     nc[i].Delta           ＝0.0；

     nc[i].Fswsqr          ＝0.00001；

     nc[i].Bswsqr    ＝0.00001；

     nc[i].Bswsqr1   ＝0.00001；
*out_a++＝(int)((-exp(nc[ii].err_a)+1.0)/scale)；
*out_c++＝(int)((-exp(nc[ii].err_b)+1.0)/scale)；

        ************Least Square Lattic************

附录C/*归一化自适应噪声消除器*/

#include ＜stdlib.h＞
#include ＜math.h＞
#define TRUE           1
#define FALSE          0
#define FLOAT32             float
#define INT32          long int
#define VOID           void
#define FABSF          fabs
#define SQRTF          sqrt
#define MAX(a，b)  (a)＞(b)？(a)：(b)
#define MIN(a，b)  (a)＜(b)？(a)：(b)
#define MIN_VAL            0.01
#define MAX_DEL            0.999999
#define MIN_DEL           -0.999999
#define MAX_RHO            2.0
#define MIN_RHO           -2.0
#define MIN_BSERR         IE-15
typedef struct{

     FLOAT32    berr；

     FLOAT32    berr_1；

     FLOAT32    delta；

     FLOAT32    err；

     FLOAT32    ferr；

     FLOAT32    gamma；

     FLOAT32    gamma_1；

     FLOAT32    rho；

     FLOAT32    delta_1；

     FLOAT32    Bserr；

     FLOAT32    Bserr_1；
}    LANC_CELLS；
typedef struct{
				
				<dp n="d97"/>
     INT32       cc；   /* number of cells

     FLOAT32 lambda；/*put in value for lambda

     FLOAT32 min_error；  /* parameter

     LANC_CELLS   *cells；/* point to array of ANC CELLS

     LANC_Context；
extern LANC_Context*
LANC_Init(

     INT32       num_cells，/*number of cells

     FLOAT32 lambda，/*lambda param

    FLOAT32 min_error)；/*min error
extern VOID
LANC_Done(

     LANC_Context *c；
extern VOID
LANC_Reset(

     LANC_Context     *anc)；
extern FLOAT32
LANC_Calc(

     LANC_Context *anc，      /*input，context handle

     FLOAT32      nps，   /*input，noise plus signal

     FLOAT32      noise)；/*input，noisereference
/*The following macros provide efficient access to the lattice
#define ANC_CELL_CIZE      11
#define xBERR   0
#define xBERR_1       1
#define xDELTA  2
#define xDELTA_1      3
#define xGAMMA  4
#define xGAMMA_1      5
#define xBSERR  6
#define xBSERR_1      7
#define xERR    8
#define xFERR   9
#define xRho    10
				
				<dp n="d98"/>
#define berr     (*(p+xBERR))
#define P_berr_1     (*(p+xBERR_1-ANC_CELL_SIZE))
#define P_berr   (*(p+xBERR-ANC_CELL_SIZE))
#define berr_1   (*(p+xBERR_1))
#define Bserr    (*(p+xBSERR))
#define Bserr_1      (*(p+xBSERR_1))
#define P_Bserr_1    (*(p+xBSERR_1-ANC_CELL_SIZE))
#define P_delta      (*(p+xDELTA-ANC_CELL_SIZE))
#define delta    (*(p+xDELTA))
#define delta_1      (*(p+xDELTA_1))
#define P_delta_1    (*(p+xDELTA_1-ANC_CELL_SIZE)
#define err          (*(p+xERR))
#define N_err    (*(p+xERR+ANC_CELL_SIZE))
#define P_ferr   (+(p+xFERR-ANC_CELL_SIZE))
#define ferr     (*(p+xFERR))
#define gamma    (*(p+xGAMMA))
#define P_gamma       (*(p+xGAMMA-ANC_CELL_SIZE))
#define N_gamma       (*(p+xGAMMA+ANC_CELL_SIZE))
#define P_gamma_1     (*(p+xGAMMA_1-ANC_CELL_SIZE))
#define gamma_1       (*(p+xGAMMA_1))
#define rho           (*(p+xRho))
/*   ---------------------------------------

     Name：LANC_Init

     Abstract：Create an ANC context

     ---------------------------------------
extern LANC_Context*
LANC_Init(

     INT32       num cells，      /* number of cells

     FLOAT32 lambda，   /*lambda param

     FLOAT32 min_error){/*min error
				
				<dp n="d99"/>
     LANC_Context    *anc；       /*context

     anc＝(LANC_Context *)malloc(sizeof(LANC_Context))；

     assert(anc！＝NULL)；

     anc-＞cc＝num_cells；

     anc-＞lambda＝lambda；

     anc-＞min_error＝min_error；

     anc-＞cells＝(LANC CELLS*)malloc(sizeof(LANC_CELLS)

          *(num_cells+2))；

     assert(anc-＞cells！＝NULL)；

     return(anc)；
＞
------------------------------------

     Name：LANC_Reset

     Abstract：Reset an ANC context
-------------------------------------
extern VOID
LANC_Reset(
     LANC_Context*anc){

     FLOAT32       *p；

     INT32            m；

     p＝(FLOAT32*)anc-＞cells；

     for(m＝0；m，＝anc-＞cc；m++){

         rho      ＝0.0；

         err      ＝0.0；

         ferr     ＝0.0；

         berr     ＝0.0；

         berr_1   ＝0.0；

         delta         ＝0.0；

         delta_1  ＝0.0；

         Bserr        ＝anc-＞min_error；

         Bserr_1  ＝anc0＞min_error；

				
				<dp n="d100"/>
         gamma      ＝MIN_VAL；

         gamma_1＝MIN_VAL；

         p     +＝ANC_CELL_SIZE；

     }

     p＝(FLOAT32*)anc-＞cells；   /* Cell # O special case

     gamma        ＝1.0；

     gamma_1＝1.0；

     --------------------------------------

     Name：LANC_Done

     Abstract：Delete an ANC context

     --------------------------------------
extern VOID
LANC_Done(

      LANC_Context*anc){

      free(anc-＞cells)；

      free(anc)；
------------------------------------
      Name：LANC_Calc

      Abstract：Calculate
------------------------------------
FLOAT32
LANC_Calc(

     LANC_Context *anc，     /* input，context handle

     FLOAT32      nps， /* input，noise plus signal

     FLOAT32      noise)/* input，noise reference

     INT32        m；

     FLOAT32 *p；

     FLOAT32 B，F，B2，F2；

     FLOAT32 qd2，qd3；
				
				<dp n="d101"/>
    INT32          output_cell；

    /* Update time delay elements in cell structure

    p＝(FLOAT32*)anc-＞cells；

    for(m＝0；m＜＝anc-c＞c；m++){

        gamma_1＝gamma；

        berr_1 ＝berr；

        Bserr_1＝Bserr；

        delta_1＝delta；

        p+＝ANC_CELL_SIZE；

    /*Handle Cell # 0---------------------------

    p＝(FLOAT32*)anc-＞cells；

    Bserr＝anc-＞lambda*Bserr_1+noise*noise；

    Bserr＝MAX(Bserr，MIN_BSERR)；

    ferr＝noise/SQRTF(Bserr)；

    ferr＝MAX(ferr，MIN_DEL)；

    ferr＝MIN(ferr，MAX_DEL)；

    berr＝ferr；

    rho ＝anc-＞lambda*SQRTF(Bserr_1/Bserr)*rho+berr*
nps；
    Nerr＝nps-rho*berr；

    output_cell＝anc-＞cc-1；/* Assume last cell for
starter

    for(m＝1；m＜anc-＞cc；m++)

       p+＝ANC_CELL_SIZE；

       B＝SQRTF(1.0-P_berr_l*P_berr_l)；B2＝
F＝SQRTF(1.0-P_ferr*P_ferr)；F2-1.0/F；
P_delta＝P_deltal*F*B_P_berr_1*P_ferr；
P_delta＝MAX(P_delta，MIN_DEL)；
P_delta＝MIN(P_delta，MAX_DEL)；
				
				<dp n="d102"/>
qd3 ＝1.0-P_delta*P_delta；
qd2 ＝1.0/SQRTF(qd3)；
ferr＝(P_ferr-P_delta*P_berr_1)*qd2*B2；
ferr＝MAX(ferr，MIN_DEL)；
ferr＝MIN(ferr，MAX_DEL)；
berr＝(P_berr_1-P_delta * P_ferr)*qu2*F2；
berr＝MAX(berr，MIN_DEL)；
berr＝MIN(berr，MAX_DEL)；
gamma＝P_gamma*(1.0-P_berr*P_berr)；
gamma＝MAX(gamma，MIN_VAL)；
gamma＝MIN(gamma，MAX_DEL)；
Bserr＝P_Bserr_1*qd3；
Bserr＝MAX(Bserr，MIN_BSERR)；
rho*＝anc-＞lambda*SQRTF((Bserr_1/Bserr)*(gamma/gamma_1)
rho+＝berr*err；
rho＝MAX(rho，MIN_RHO)；
rho＝MIN(rho，MAX_RHO)；
Nerr＝err-rho*berr；
p＝(FLOAT32*)&amp;(anc-＞cells[output_cell/**ANC_CELL_SIZE */])；
return(N_err)；

附录D

/*    QRD
#include ＜stdlib.h＞
#include ＜math.h＞
#define TRUE   1
#define FALSE  0
#define FLOAT32       float
#define INT32  long int
#define VOID   void
#define FABSF  fabs
#define SQRTF  sqrt
typedef struct {

     INT32        dummy；
}LQRDJPEF_CONTEXT；
typedef LQRDJPEF_CONTEXT & LQRDJPEF_Handle；
extern LQRDJPEF_Handle
LQRDJPEF_Init(

     INT32       NumCells，

     FLOAT32 Lambda，

     FLOAT32 SumErrInit，

     FLOAT32 GamsInit，

     FLOAT32 MinSumErr)；
extern VOID
LQRDJPEF_Done(

     LQRDJPEF_Handle hJPE)；
extern VOID
#define Reset(

     LQRDJPEF_Handle hJPE)；
extern FLOAT32
LQRDJPEF_Calc(

     LQRDJPEF_Handle hJPE，/* handle
				
				<dp n="d104"/>
     FLOAT32 nps      /* noise plus signal

     FLOAT32 noise)； /* noise reference
#define MAX(a，b)(a)＞(b)？(a)：(b)
#define MIN(a，b)(a)＜(b)？(a)：(b)
#define LQRDJPEF_CELL_SIZE              27
typedef   struct{

     FLOAT32 sinf，sinf_1；

     FLOAT32 sinb，sinb_1；

     FLOAT32 cosf，cosf_1；

     FLOAT32 cosb，cosb_1；

     FLOAT32 epsf；

     FLOAT32 epsb，epsb_1；
     FLOAT32 pief，pief_1；

     FLOAT32 pieb，pieb_1；

     FLOAT32 Fserr，Fserr_1，SQRTF_Fserr，SQRTF_Fserr_1；

     FLOAT32 Bserr_1，Bserr_2，SQRTF_Bserr_1，SQRTF_Bserr_2；

     FLOAT32 p_1，p_2；

     FLOAT32 gams_1；

     FLOAT32 epsi_1；
LQRDJPEF_CELL；

     struct{

     INT32        NumCells；    /*number of cells

     FLOAT32  Lambda；     /* Lambda
     FLOAT32  SumErrInit；       /*Initial value for

                                 Fserr，

                                Bserr

     FLOAT32  GamsInit；    /* Initial value for gams

     FLOAT32  MinSumErr；        /*Minimum for Fserr，
Bserr
     FLOAT32  SQRTF_Lambda；/* square root of.Lambda

     FLOAT32  SWRTF_SumErrInit； /*square root of
SumErrInit
				
				<dp n="d105"/>
     LQRDJPEF_CELL*cells；/*point to array of JPE_CELLS
LQRDJPEF_Context；

     The following macros provide efficient access to the lattice

     Define variables offsets within structure
#define xSINF          0
#define xSINF_1              1
#define xSINB          2
#define xSINB_1              3
#define xCOSF          4
#define xCOSF_1              5
#define xCOSB          6
#define xCOSB_1              7
#define xEPSF          8
#define xEPSB          9
#define xEPSB_1              10
#define xPIEF          11
#define xPIEF_1              12
#define xPIEB          13
#define xPIEB_1              14
#define xFSERR         15
#define xFSERR_1             16
#define xSQRTF_FSERR         17
#define xSQRTF_FSERR_1       18
#define xBSERR_1             19
#define xBSERR_2             20
#define xSQRTF_BSERR_1       21
#define xSQRTF_BSERR_2       22
#define xp_1                 23
#define xp_2                 24

      FLOAT32 epsb，epsb_1；

      FLOAT32 pief，pief_1；
				
				<dp n="d106"/>
     FLOAT32 pieb，pieb_1；

     FLOAT32 Fserr，Fserr_1，SQRTF_Fserr，SQRTF_Fserr_1；

     FLOAT32 Bserr_1，Bserr_2，SQRTF_Bserr_1，SQRTF_Bserr_2；

     FLOAT32 p_1，p_2；

     FLOAT32 gams_1；

     FLOAT32 epsi_1；
LQRDJPEF_CELL：
typedef struct{

     INT32        NumCells；      /* number of cells

     FLOAT32  Lambda；       /* Lambda
FLOAT32       SumErrInit；        /* Initial value for Fserr，
Bserr
FLOAT32       GamsInit；         /* Initial value for gams
FLOAT32       MinSumErr；             /* Minimum for Fserr， Bserr
FLOAT32       SQRTF_Lambda；     /* square root of Lambda
FLOAT32       SQRTF_SumErrInit；     /* square roof of SumErrInit
LQRDJPEF CELL *cells；           /* point to array of JPE_CELLS
LQRDJPEF_Context；
The following macros provide efficient access to the lattice
Define variable offsets within structure
#define xSINF          0
#define xSINF_1             1
#define xSINB          2
#define xSINB_1             3
#define xCOSF          4
#define xCOSF_1             5
#define xCOSB          6
#define xCOSB_1             7
#define xEPSF          8
				
				<dp n="d107"/>
#define xEPSB          9
#define xEPSB_1              10
#define xPIEF          11
#define xPIEF_1              12
#define xPIEB          13
#define xPIEB_1              14
#define xFSERR         15
#define xFSERR_1             16
#define xSQRTF_FSERR         17
#define xSQRTF_FSERR_1       18
#define xBSERR_1             19
#define xBSERR_2             20
#define xSQRTF_BSERR_1       21
#define xSQRTF_BSERR_2       22
#define xp_1           23
#define xp_2           24
#define xGAMSQ_1             25
#define xEPSI_1              26
#define sin             (*(ptr+xSINF))
#define sinf_1(*(ptr+xSINF_1))
#define P_sinf(*(ptr+xSINF-LQRDJPEF_CELL_SIZE))
#define P_sinf_1   (*(ptr+xSINF_1-LQRDJPEF_CELL_SIZE))
#define sinb  (*(ptr+xSINB))
#define sinb_1(*(ptr+xSINB_1))
#define P_sinb(*(ptr+xSINB-LQRDJPEF_CELL_SIZE))
#define P_sinb_1  (*(ptr+xSINB_1-LQRDJPEF_CELL-SIZE))
#define cosf  (*(ptr+xCOSF))
#define cosf_1(*(ptr+xCOSF_1) 
#define P_cosf(*(ptr+xCOSF-LQRDJPEF_CELL_SIZE))
#define P_cosf_1  (*(ptr+xCOSF_1-LQRDJPEF_CELL_SIZE))
#define cosb  (*(ptr+xCOSB))
#define cosb_1(*(ptr+xCOSB_1))
#define P_cosb(*(ptr+xCOSB-LQRDJPEF_CELL_SIZE))

                    
				
				<dp n="d108"/>
#define P_cosb_1   (* (ptr+xCOSB_1-LQRDJPEF_CELL_SIZE))
#define epsf     (*(ptr+xEPSF))
#define P_epsf   (*(ptr+xEPSF-LQRDJPEF_CELL_SIZE))
#define epsb     (*(ptr+xEPSB))
#define epsb_1   (*(ptr+xEPSB_1))
#define P_epsb   (*(ptr+xEPSB-LQRDJPEF_CELL_SIZE))
#define P_epsb_1      (*(ptr+xEPSB_1-LQRDJPEF_CELL_SIZE))
#define pief     (*(ptr+xPIEF))
#define pief_1   (*(ptr+xPIEF_1))
#define P_pief   (*(ptr+xPIEF-LQRDJPEF_CELL_SIZE))
#define P_pief_1      (* (ptr+xPIEF_1-LQRDJPEF_CELL_SIZE))
#define pieb     (*(ptr+xPIEB))
#define pieb_1   (*(ptr+xPIEB_1))
#define P_pieb   (*(ptr+xPIEB-LQRDJPEF_CELL_SIZE))
#define P_pieb_1      (* (ptr+xPIEB_1-LQRDJPEF_CELL_SIZE))
#define Fserr    (*(ptr+xFSERR))
#define Fserr_1       (*(ptr+xFSERR_1))
#define P_Fserr       (*(ptr+xFSERR-LQRDJPEF_CELL_SIZE))
#define P_Fserr_1     (*(ptr+xFSERR_1-LQRDJPEF_CELL_SIZE))
#define SQRTF_Fserr        (*(ptr+xSQRTF_FSERR))
#define SQRTF_Fserr_1           (*(ptr+xSQRTF_FSERR_1))
#define SQRTF_P_Fserr           (*(ptr+xSQRTF_FSERR           -

                                 LQRDJPEF_CELL_SIZE))
#define SQRTF_P_Fserr_1         (*(ptr+xSQRTF_FSERR_1         -

                                 LQRDJPEF_CELL_SIZE))
#define Bserr_1      (*(ptr+xBSERR_1))
#define Bserr_2      (*(ptr+xBSERR_2))
#define P_Bserr_1    (*(ptr+xBSERR_1-LQRDJPEF_CELL_SIZE))
#define P_Bserr_2    (*(ptr+xBSERR_2-LQRDJPEF_CELL_SIZE))
#define SQRTF_Bserr_1     (*(ptr+xSQRTF_BSERR_1))
#define SQRTF_Bserr_2     (*(ptr+xSQRTF_BSERR_2))
#define SQRTF_P_Bserr_1   (*(ptr+xSQRTF_BSERR_1              -

                          LQRDJPEF_CELL_SIZE))
#define SQRTF_P_Bserr_2   (*(ptr+ xSQRTF_BSERR_2             -

                          LQRDJPEF_CELL_SIZE))
				
				<dp n="d109"/>
#define p_1       (*(ptr+xp_1))
#define p_2       (*(ptr+xp_2))
#define P_p_1     (*(ptr+xp_1 -LQRDJPEF_CELL_SIZE))
#define P_p_2     (* (ptr+xp_2-LQRDJPEF_CELL_SIZE))
#define gams_1    (*(ptr+xGAMSQ_1))
#define P_gams_1  (*(ptr+xGAMSQ_1-LQRDJPEF_CELL_SIZE))
#define epsi_1    (*(ptr+xEPSI_1))
#define P_epsi_1      (*(ptr+xEPSI_1-LQRDJPEF_CELL_SIZE))
static FLOAT32
RSQRTF(

       FLOAT32 x)

       return 1.0F/SQRTF(x)；

       -------------------------------------------------------

       Name    ：LQRDJPEF_Init

       Abstract：Create a JPE context

       -------------------------------------------------------
extern LQRDJPEF_Handle
LQRDJPEF_Init(

     INT32      NumCells，

     FLOAT32    Lambda，

     FLOAT32    SumErrInit，

     FLOAT32    GamsInit，

     FLOAT32    MinSumErr){

     LQRDJPEF_Context *jpe；

     jpe＝malloc(sizeof(LQRDJPEF_Context))；

     assert(jpe！＝NULL)；

     jpe-＞NumCells＝NumCells；

     jpe-＞Lambda＝Lambda；

     jpe-＞SumErrInit＝SumErrInit；

     jpe-＞GamsInit＝GamsInit；

     jpe-＞MinSumErr＝MinSumErr；
				
				<dp n="d110"/>
         jpe-＞SQRTF_Lambda＝SQRTF(jpe-＞Lambda)；

         jpe-＞SQRTF_SumErrInit-SQRTF(jpe-＞SumErrInit)；

         jpe-＞cells＝malloc(sizeof(LQRDJPEF_CELL)*(NumCells+
2))；
          assert(jpe-＞cells！＝NULL)；

          LQRDJPEF_Reset((LQRDJPEF_Handle)jpe)；

          return((LQRDJPEF_handle)jpe)；
------------------------------------------------------------

          Name         ： LQRDJPEF_Init

          Abstract     ： Create a JPE context
------------------------------------------------------------
extern VOID
LQRDJPEF_Done(
LQRDJPEF_Handle  hJPE){
LQRDJPEF_Context *jpe＝(LQRDJPEF_Context *)hJPE；
free(jpe-＞cells)；
free(jpe)；
     -------------------------------------------------------

           Name     ：LQRDJPEF_Reset

           Abstract ：Reset a JPE context

     -------------------------------------------------------
extern VOID
LQRDJPEF_Reset(

          LQRDJPEF_Handle     hJPE){

          LQRDJPEF_Context *jpe＝(LQRDJPEF_Context *)hJPE；

          FLOAT32             *ptr；

          INT32               m；

          ptr＝(FLOAT32*)jpe-＞cells；
				
				<dp n="d111"/>
                  for(m＝0；m<＝jpe-＞NumCells；m++){

                  sinf＝0.0F；

                  sinb＝0.0F；

                  cosf＝0.0F；

                  cosb＝0.0F；

                  epsf＝0.0F；

                  epsb＝0.0F；

                  pief＝0.0F；

                  pieb＝0.0F；

                  p_1＝0.0F；

                  Fserr＝jpe-＞SumErrInit；

                  Bserr_1＝jpe-＞SumErrInit；

                  gams_1＝jpe-＞GamsInit；

                  SQRTF_Fserr＝jpe-＞SQRTF_SumErrInit；

                  SQRTF_Bfserr_1＝jpe-＞SQRTF_SumErrInit；

                  ptr+＝LQRDJPEF_CELL_SIZE；

                  }

                  ptr＝(FLOAT32*)jpe-＞cells；/# Cell #0 special case

                  gams_1＝1.0F；

    -----------------------------------------------------------------

    Name          ：LQRDJPEF_Calc

    Abstract      ：

    -----------------------------------------------------------------
extern FLOAT32
LQRDJPEF_Calc(

     LQRDJPEF_Handle hJPE，

     FLOAT32 nps，          /* noise plus signal */

     FLOAT32 noise){        /* noise reference   */

     LQRDJPEF_Context *jpe＝{LQRDJPEF_Context *)hJPE；

     INT32          m；

     FLOAT32     *ptr；

     FLOAT32    tmp；

     Time update section
				
				<dp n="d112"/>
         ptr＝(FLOAT32*)jpe-＞cells；

         for(m＝0；m<＝jpe-＞NumCells；m++){

         /* some of following delay elements are not needed*/

         sinf_1＝sinf；

         sinb_1＝sinb；

         cosf_1＝cosf；

         cosb_1＝cosb；

         epsb_1＝epsb；

         pief_1＝pief；

         pieb_1＝pieb；

         Fserr_1＝Fserr；

         Bserr_2＝Bserr_1；

         p_2＝p_1；

         SQRTF_Bserr_2＝SQRTF_Bserr_1；

         SQRTF_Fserr_1＝SQRTF_Fserr；

         ptr+＝LQRDJPEF_CELL_SIZE；

          }

         /*Order update section     */

         /*Handle Cell # 0          */

         ptr＝{FLOAT32 *)(jpe-＞cells)；/* point to cell # 0*/

         epsf＝noise；

         epsb＝noise；

         epsi_1＝nps；
/* rest of cells */
for(m＝1；m＜jpe-＞NumCells；m++){

          ptr+＝LQRDJPEF_CELL_SIZE；/* access next cell*/

          /* Prediction section */

          P_Bserr_1＝jpe-＞Lambda* P_Bserr_2+P_epsb_1*P_epsb_1；

          P_Bserr_1＝MAX(P_Bserr_1，jpe-＞MinSumErr)；
				
				<dp n="d113"/>
          SQRTF_P_Bserr_1＝SQRTF(P_Bserr_1)；

          tmp＝RSQRTF(P_Bserr_1)；/*this comes free on DSP */

          P_cosb_1＝jpe-＞SQRTF_Lambda*SQRTF_P_Bserr_2 *tmp；

          P_sinb_1＝P_epsb_1*tmp；

          tmp＝jpe-＞SQRTF_Lambda*P_pief_1；

          epsf＝P_cosb_1*P_epsf-P_sinb_1*tmp；

          P_pief＝P_cosb_1*tmp+P_sinb_1*P_epsf；

          gams_1＝P_cosb_1*P_gams_1；

          P_Fserr＝jpe-＞Lambda*P_Fserr_1+P_epsf*P_epsf；

          P_Fserr＝MAX(P_Fserr，jpe-＞MinSumErr)；

          SQRTF_P+Fserr＝SQRTF(P_Fserr)；

          tmp＝RSQRTF(P_Fserr)；/*this comes free on DSP*/

          P_cosf＝jpe-＞SQRTF_Lambda*SQRTF_P_Fserr_1*tmp；

          P_sinf＝P_epsf*tmp；

          tmp＝jpe-＞SQRTF_Lambda*P_pieb_1；

          epsb＝P_cosf*P_epsb_1-P_sinf*tmp；

          P_pieb＝P_cosf*tmp+P_sinf*P_epsb_1；

          /*Joint Process Estimation section */

          tmp＝jpe-＞SQRTF_Lambda*P_p_2；

          epsi_1＝P_cosb_1*P_epsi_1-P_sinb_1*tmp；

          P_p_1＝P_cosb_1*tmp+P_sinb_1*P_epsi_1；
}
ptr+＝LQRDJPEF_CELL_SIZE；/* access next cell*/
/*Do minimum work for JPE of very last cell
  only four equations are required for prediction section */
				
				<dp n="d114"/>
P_Bserr_1 ＝jpe-＞Lambda*P_Bserr_2+P_epsb_1*P_epsb_1；
P_Bserr_1 ＝MAX(P_Bserr_1，jpe-＞MinSumErr)；
SQRTF_P_Bserr_1＝SQRTF(P_Bserr_1)；
tmp＝RSQRTF(P_Bserr_1)；/* this comes free on DSP */
P_cosb_1  ＝jpe-＞SQRTF_Lambda*SQRTF_P_Bserr_2*tmp；
P_sinb_1  ＝P_epsb_1*tmp；
/* Joint Process Estimation for last cell */
tmp＝jpe-＞SQRTF_Lambda*P_p_2；
epsi_1    ＝P_cosb_1*P_epsi_1-P_sinb_1*tmp；
P_p_1          ＝P_cosb_1*tmp+P_sinb_1*P_epsi_1；
gams_1    ＝P_cosb_1*P_gams_1；
return(gams_1*epsi_1)；

Claims (70)

1、一种信号处理方法，用在一个信号处理器中对至少两个被测信号S₁和S₂进行处理，每个被测信号中都包含有原始信号部分s和二次信号部分n，信号S₁和S₂可由下列关系式表示：

               S₁＝s₁+n₁

               S₂＝s₂+n₂式中s₁及s₂和n₁及n₂的关系如下：

               s₁＝r_as₂和n₁＝r_vn₂其中r_a和r_v为系数，

该方法包括以下几个步骤：

确定使s₁和n₁相关最小的系数r_a；

利用所确定的r_a计算血氧饱和度；以及

在一个显示器上显示血氧饱和度。

2、一种信号处理方法，用在一个信号处理器中对至少两个被测信号S₁和S₂进行处理，每个被测信号中都包含有原始信号部分s和二次信号部分n，信号S₁和S₂可由下列关系式表示：

                  S₁＝s₁+n₁

                  S₂＝s₂+n₂式中s₁及s₂和n₁及n₂的关系如下：

s₁＝r_as₂和n₁＝r_vn₂其中r_a和r_v为系数，

该方法包括以下几个步骤：

确定使s₁和n₁相关最小的系数r_a；以及

利用所确定的r_a处理第一和第二信号中的至少一个，以从第一被测信号或第二被测信号两者中的至少一个信号中显著降低n，以形成一个干净的信号。

3、如权利要求2所述的方法，其特征在于，还包括在一个显示器上显示所得到的干净信号的步骤。

4、如权利要求2所述的方法，其特征在于，所述的第一和第二信号是生理信号，所述的方法进一步包括处理所述干净信号以从所述第一被测信号和第二被测信号中确定生理参数的步骤。

5、如权利要求4所述的方法，其特征在于，所述的生理参数是动 脉血氧饱和度。

6、如权利要求4所述的方法，其特征在于，所述的生理参数是心电信号。

7、如权利要求2所述的方法，其特征在于，所述的被测信号的第一部分表现为一心脏体积描记图，所述的方法进一步包括计算脉率的步骤。

8、一种生理监护仪，包括：

一个能接收第一被测信号S₁的第一输入端，所述的第一被测信号S₁包含有原始信号部分s₁和二次信号部分n₁；

一个能接收第二被测信号S₂的第二输入端，所述的第二被测信号S₂包含有原始信号部分s₂和二次信号部分n₂，所述的第一被测信号S₁和所述的第二被测信号S₂具有以下关系：

                       S₁＝s₁+n₁

                       S₂＝s₂+n₂式中s₁及s₂和n₁及n₂的关系如下：

s₁＝r_as₂和n₁＝r_vn₂其中r_a和r_v为系数；

一个扫描参比处理器，所述的扫描参比处理器响应于多个r_a的可能值，将所述的第二被测信号与每个r_a的可能值及每个结果的可能值相乘，并从第一被测信号中减去结果值从而产生多个输出信号；

一个相关消除器，所述的相关消除器具有能接收第一被测信号的第一输入和能从所述的饱和度扫描参比处理器中接收多个输出信号的第二输入，所述的相关消除器对应于在所述多个输出信号与第一被测信号间进行的相关消除，生成多个输出向量；

一个积分器，所述的积分器具有一个能接收来自上述相关消除器的多个输出向量的一个输入端，所述的积分器响应于多个输出向量，以确定每个输出向量的相应功率；

一个极值探测器，所述的极值探测器的输入与所述积分器的输出相连，响应于每个输出向量的相应功率以求出所选择的功率。

9、如权利要求8所述的生理监护仪，其特征在于，所述的多个可能值对应于一个所选的血液成分的多个可能值。

10、如权利要求9所述的生理监护仪，其特征在于，所述的所选血 液成分是动脉血氧饱和度。

11、如权利要求9所述的生理监护仪，其特征在于，所述的所选血液成分是静脉血氧饱和度。

12、如权利要求9所述的生理监护仪，其特征在于，所述的所选血液成分是一氧化碳。

13、如权利要求8所述的生理监护仪，其特征在于，所述的多个可能值对应于一种生理浓度。

14、一种生理监护仪，包括：

一个能接收第一被测信号S₁的第一输入，所述的第一被测信号S₁包含有原始信号部分s₁和二次信号部分n₁；

一个能接收第二被测信号S₂的第二输入，所述的第二被测信号S₂包含有原始信号部分s₂和二次信号部分n₂，所述的第一被测信号S₁和所述的第二被测信号S₂具有以下关系：

                     S₁＝s₁+n₁

                     S₂＝s₂+n₂式中s₁及s₂和n₁及n₂的关系如下：

s₁＝r_as₂和n₁＝r_vn₂其中r_a和r_v为系数；

一个转换模块，所述的饱和度转换模块响应于所述第一和第二被测信号及r_a的多个可能值，以提供至少一个功率曲线做为其输出；

一个极值计算模块，所述的极值计算模块响应于所述至少一个功率曲线，选定一个使n和s相关最小的r_a值，并根据所述r_a值计算出一个相应的饱和度值做为其输出；以及

一个显示模块，所述的显示模块响应于所述饱和度计算的输出，显示所述的饱和度值。

15、一种信号处理方法，用在一个信号处理器中对至少两个被测信号进行处理，每个被测信号中都包含有一个原始信号部分和一个二次信号部分，所述的第一和第二信号基本符合一个预定的信号模型，该方法包括以下几个步骤：

在一个时间段内对所述的第一和第二信号进行采样，以获得代表在所述时间段上的所述第一信号的第一数据点序列和代表在所述时间段上的所述第二信号的第二数据点序列；

将所述的第一数据点序列转换成具有至少一个频率分量和一个幅度分量的第一转换点序列以及将所述的第二数据点序列转换成具有至少一个频率分量和一个幅度分量的第二转换点序列；

比较所述的第一转换点序列和所述的第二转换点序列，得到具有一个幅度分量和至少一个频率分量的第三比较值序列；

从所述的比较值中选择幅度在一个选定阈值内的至少一个值；

根据所述的所选定的至少一个比较值，确定一个符合所述的预定的信号模型的结果值。

16、如权利要求15所述的方法，其特征在于，所述的比较步骤包括确定第一转换点序列与第二转换点序列的比值的步骤，所述的选择至少一个比较值的步骤包括选择比较低的比值的步骤。

17、如权利要求16所述的方法，其特征在于，所述的确定结果值的步骤包括根据所选定的比值计算血氧饱和度的步骤。

18、如权利要求15所述的方法，其特征在于，所述的结果值是血氧饱和度。

19、如权利要求15所述的方法，其特征在于，所述的结果值是脉率。

20、一种信号处理方法，用在一个信号处理器中对至少两个被测信号进行处理，每个被测信号中都包含有一个原始信号部分和一个二次信号部分，所述的第一和第二信号基本符合一个用于血液组分饱和度的信号模型，该方法包括以下几个步骤：

在一个时间段内对所述的第一和第二信号进行采样，以获得代表在所述时间段上的所述第一信号的第一数据点序列和代表在所述时间段上的所述第二信号的第二数据点序列；

将所述的第一数据点序列从时域转换到频域，以获得第一转换点序列和第二转换点序列，所述的第一转换点序列和第二转换点序列具有一个幅度分量和至少一个频率分量；

确定一个幅度比值序列，所述的幅度从所述第一转换点序列中和所述第二转换点序列中相应于频率各取一个；

从所述的比值序列中选择幅度在一个选定阈值内的至少一个比值；以及

根据所述的所选定的至少一个比值，确定一个符合所述的预定的信 号模型的结果值。

21、如权利要求20所述的方法，其特征在于，所述的比值与血氧饱和度相应，所述的选定至少一个所述的比值的步骤包括选定至少一个与血氧饱和度的较高值相应的比值的步骤。

22、如权利要求21所述的方法，其特征在于，所述的确定结果值的步骤包括根据所选定的至少一个比值计算血氧饱和度的步骤。

23、如权利要求22所述的方法，其特征在于，所述的方法还包括以下步骤：

利用一个开窗函数将所述第一转换点序列或所述第二转换点序列中的至少一个与所述的结果值相组合；

对所作的复合进行谱分析，以得到脉率。

24、如权利要求22所述的方法，其特征在于，所述的方法还包括以下步骤：

利用一个开窗函数将所述第一转换点序列或所述第二转换点序列中的至少一个与所述的结果值相组合；

进行逆开窗，以得到体积描记图。

25、如权利要求22所述的方法，其特征在于，所述的结果值是血氧饱和度。

26、一种信号处理方法，用于在一个信号处理器中对至少两个被测信号进行处理，每个被测信号中都包含有一个原始信号部分和一个二次信号部分，所述的第一和第二信号基本符合一个预定的信号模型，该方法包括以下几个步骤：

在一个时间段内对所述的第一和第二信号进行采样，以获得代表在所述时间段上的所述第一信号的第一数据点序列和代表在所述时间段上的所述第二信号的第二数据点序列；

对所述的第一和第二数据点序列进行快速饱和度变换，以得到在所述的频域上的一个转换数据点序列；

根据所述的多个饱和度值确定一个选定的饱和度值。

27、如权利要求26所述的方法，其特征在于，所述的选定的饱和度值是动脉血氧饱和度。

28、如权利要求26所述的方法，其特征在于，所述的选定的饱和度值是静脉血氧饱和度。

29、如权利要求26所述的方法，其特征在于，所述的进行所述的快速饱和度变换的步骤包括从所述的第一和第二数据点序列中计算第一和第二中间变换点序列的步骤，所述的方法还包括根据所述的选定饱和度值和所述的第一中间变换点序列确定脉率的步骤。

30、一种低噪声发射器驱动器，包括：

一个发射器；

一个发射器电流源，所述的发射器电流源具有一个控制输入端和一个控制输出端，所述的输出端向所述的发射器提供电流驱动；

一个发射器电流源输入转换开关，所述输入转换开关的一个输出端与所述的发射器电流源的控制输入端相连，所述输入转换开关的输入端与其至少两个输入端中的一个相连；

一个发射器电流源输出转换开关，其输出端与所述发射器相连，其输入端和至少两个输入端中的一个相连；以及

一个发射器转换开关控制锁定器，所述的控制锁定器与所述的发射器电流源输入转换开关和所述的发射器电流源输出转换开关相连，所述的发射器转换开关控制锁定器控制选择哪一个输入端与所述的转换开关相连。

31、如权利要求30所述的低噪声发射器驱动器，其特征在于，所述的发射器电流源输入转换开关的所述至少两个输入端的是一个向所述的电流源供电的电源和一个地。

32、一种组合装置，包括：

一个检测器，所述的检测器响应于沿着一条第一传输路径传输的一个第一信号和沿着一条第二传输路径传输的一个第二信号，在一个输出端产生代表所述第一信号和所述第二信号的信号，所述的第一和第二传输路径的一部分处在同一个传输介质中，其中，所述的在所述输出端代表所述第一信号的信号具有一原始信号部分和一个二次信号部分，所述第一信号的所述原始信号部分基本上在整个第一传输路径上都受到衰减，所述的在所述输出端代表所述第二信号的信号具有一原始信号部分和一个二次信号部分，所述第二信号的所述原始信号部分基本上在整个第二传输路径上都受到衰减；以及

一个第一信号处理器，所述第一信号处理器具有与所述检测器相连的输入端，所述的第一信号处理器响应于来自所述检测器的代表所述第 一和第二信号的信号，将所述第一和第二信号相组合，产生一个原始参比信号或者一个二次参比信号，所述的原始参比信号和二次参比信号分别是所述第一和第二信号的所述原始信号部分和所述二次信号部分的有显著意义的函数。

33、如权利要求32所述的组合装置，其特征在于，还包括一个第二信号处理器，所述第二信号处理器响应于第二参比信号和所述代表所述第一信号的信号，从这两个信号中提取出一个输出信号，所述输出信号是所述第一信号的所述原始信号部分的有显著意义的函数。

34、如权利要求33所述的组合装置，其特征在于，所述第二信号处理器包括一个相关消除器。

35、如权利要求33所述的组合装置，其特征在于，所述第二信号处理器包括一个自适应噪声消除器。

36、如权利要求35所述的组合装置，其特征在于，所述自适应噪声消除器包括一个联合处理估计器。

37、如权利要求36所述的组合装置，其特征在于，所述联合处理估计器包括一个最小二乘法点阵预测器和一个回归滤波器。

38、如权利要求32所述的组合装置，其特征在于，还包括一个第二信号处理器，所述第二信号处理器响应于所述的原始参比信号和所述的代表所述第一信号的信号，从这两个信号中提取出一个输出信号，所述输出信号是所述第一信号的所述二次信号部分的一个有显著意义的函数。

39、如权利要求32所述的组合装置，其特征在于，还包括一个第二信号处理器，所述第二信号处理器响应于所述的二次参比信号和所述的代表所述第一信号的信号，从这两个信号中提取出一个输出信号，所述输出信号是所述第二信号的所述原始信号部分的一个有显著意义的函数。

40、如权利要求32所述的组合装置，其特征在于，还包括一个第二信号处理器，所述第二信号处理器响应于所述的二次参比信号和所述的代表所述第一信号的信号，从这两个信号中提取出一个输出信号，所述输出信号具有一个是所述第二信号的所述二次信号部分的一个函数有显著意义的分量。

41、如权利要求32所述的组合装置，其特征在于，所述的检测器 用于检测由所述第一信号和所述第二信号代表的一个生理函数。

42、如权利要求41所述的组合装置，其特征在于，所述的检测器适合于测定一种血液成分。

43、如权利要求42所述的组合装置，其特征在于，由所述的检测器测定的血液成分是血气。

44、如权利要求41所述的组合装置，其特征在于，所述的检测器包括一个响应于电磁能量的传感器。

45、如权利要求32所述的组合装置，其特征在于，还包括一个与所述检测器相连的电磁装置，用于根据由所述检测器接收到的经过了所述传输介质的所述第一和第二信号测定一个体积描记波形，所述的传输介质包括生物组织。

46、如权利要求32所述的组合装置，其特征在于，还包括一个与所述检测器相连的脉搏血氧计，所述的脉搏血氧计根据由所述检测器接收到的经过了所述传输介质的所述第一和第二信号监视一种生理状态，所述的传输介质包括生物组织。

47、如权利要求32所述的组合装置，其特征在于，还包括一个与所述检测器相连的血压监护仪，所述的血压监护仪用于根据由所述检测器接收到的经过了所述传输介质的所述第一和第二信号导出一种生理状态，所述的传输介质包括生物组织。

48、如权利要求32所述的组合装置，其特征在于，还包括一个与所述检测器相连的心电图仪，所述的心电图仪用于根据由所述检测器接收到的经过了所述传输介质的所述第一和第二信号测定一种生理状态，所述的传输介质包括生物组织。

49、如权利要求48所述的组合装置，其特征在于，所述的心电图仪包括一个三极电极传感器，所述传感器具有三个同心排列的电极。

50、用于表示一种材料的组成的装置，所述的装置包括：

第一信号处理器，所述第一信号处理器用于接收第一和第二输入，第一输入包括多个参比信号中的一个，所述多个参比信号中的每一个都与第二输入相关；

将所述第二输入和所述多个参比信号中的每一个传送到所述第一信号处理器的装置；及

针对作为传送到第一信号处理器的多个参比信号中的每一个，检测 所述的第一信号处理器的输出信号的装置，其中，所述的输出信号是所述材料的组成的表征。

51、如权利要求50所述的装置，其特征在于，所述第一信号处理器是一个相关消除器。

52、如权利要求50所述的装置，其特征在于，所述第一信号处理器是一个自适应噪声消除器。

53、如权利要求52所述的装置，其特征在于，所述自适应噪声消除器包括一个联合处理估计器。

54、如权利要求53所述的组合装置，其特征在于，所述联合处理估计器包括一个最小二乘法点阵预测器和一个回归滤波器。

55、如权利要求50所述的装置，其特征在于，还包括一个第二信号处理器，所述第二信号处理器接收所述第一信号处理器的每一个输出信号，所述第二信号处理器对所述输出信号中的每一个进行积分，产生一个代表所述的经过积分的输出信号的累积输出信号。

56、如权利要求55所述的装置，其特征在于，所述的检测装置响应于所述第二信号处理器的所述累积输出信号的极值，产生一个代表所述材料的组成的指示。

57、如权利要求55所述的装置，其特征在于，所述的检测装置响应于所述第二信号处理器的所述累积输出信号的拐点，产生一个代表所述材料的组成的指示。

58、如权利要求50所述的装置，其特征在于，传送到所述第一信号处理器的所述第二输入是第一或第二信号中的一个，所述第一和第二信号中的每一个都具有一个动脉信号部分和另一个代表静脉血的信号部分，所述的装置还包括第二信号处理器，用于接收所述的第一和第二信号和多个信号系数，其中，所述第二信号处理器的输出构成传送到所述第一信号处理器的所述第一输入，所述第二信号处理器的输出包括一个与所述第一和第二信号的动脉信号部分相关的第一成分和一个与所述第一和第二信号的其它信号部分相关的第二成分。

59、如权利要求58所述的装置，其特征在于，所述第一和第二信号的其它信号部分包括人的呼吸指示。

60、如权利要求58所述的装置，其特征在于，由所述第二信号处理器接收的多个信号系数中的至少一个与传送到所述第一信号处理器 的所述第二输入的所述第一和第二信号的动脉信号部分相关。

61、如权利要求58所述的装置，其特征在于，由所述第二信号处理器接收的多个信号系数中的至少一个与传送到所述第一信号处理器的所述第二输入的所述第一和第二信号的其它信号部分相关。

62、如权利要求50所述的装置，其特征在于，传送到所述第一信号处理器的所述第二输入是第一或第二信号中的一个，所述第一和第二信号中的每一个都具有一个动脉信号部分和另一个代表静脉血的信号部分，所述的装置还包括第二信号处理器，用于接收所述的第一和第二信号和多个信号系数，其中，所述第二信号处理器的输出构成传送到所述第一信号处理器的所述第一输入，所述第二信号处理器的输出包括一个与所述第一和第二信号的动脉信号部分相关的成分或一个与所述第一和第二信号的其它信号部分相关的成分。

63、如权利要求62所述的装置，其特征在于，所述第一和第二信号的其它信号部分包括人的呼吸指示。

64、如权利要求50所述的装置，其特征在于，所述的材料是人体组织。

65、如权利要求50所述的装置，其特征在于，所述的检测装置响应于所述第一信号处理器的输出信号的能量，以指示所述材料的组成。

66、一种用于计算生物组织中的动脉和静脉信号的装置，所述的装置包括：

一个检测器，所述的检测器接收沿着一条第一传输路径传输的一个第一信号和沿着一条第二传输路径传输的一个第二信号，所述的第一和第二传输路径的一部分处在同一个传输介质中，其中，所述的第一信号具有一个代表动脉血的动脉信号部分和另一个代表静脉血的信号部分，所述的第二信号具有一个代表动脉血的动脉信号部分和另一个代表静脉血的信号部分；以及

一个信号处理器，所述信号处理器具有与所述检测器相连的输入端，所述的信号处理器响应于所述第一和第二信号，将所述第一和第二信号相组合从而产生一个信号，所产生的信号具有一个明显的分量，所述分量是所述第一和第二信号的所述动脉信号部分或所述其它信号部分的函数。

67、如权利要求66所述的装置，其特征在于，所述的第一和第二 信号部分各自的其它信号部分都包括人的呼吸指示。

68、一种用于计算生物组织中的动脉血和静脉血的成分含量的装置，所述的装置包括：

一个信号处理器，所述的信号处理器接收第一和第二输入，所述的两个输入中的第一个包括多个参比信号中的一个，所述的多个参比信号中的每一个与第二输入相关；

将所述第二输入和作为所述第一输入的所述多个参比信号中的每一个传送到所述信号处理器的装置；以及

针对作为所述第一输入的所述多个参比信号中的每一个，检测所述的信号处理器的输出信号的能量的装置，其中，所述的能量是表明所述动脉血和静脉血成分含量的指示。

69、如权利要求68所述的装置，其特征在于，所述的动脉血和静脉血成分含量分别是动脉和静脉的血氧饱和度。

70、将一个生理监护仪中的噪声降低到最低程度的方法，所述的方法包括以下步骤：

检测一个第一被测信号，所述的第一被测信号的一部分代表了一个有生命的人的心率的频率；

检测至少一个第二被测信号，所述的第二被测信号的一部分至少部分地代表了一个有生命的人的血氧饱和度；

从所述的第一被测信号中分离出所述的频率；

将所述的至少一个第二被测信号传送到一个可调谐滤波器；

利用所述的频率调谐所述的可调谐滤波器；以及

利用所述的可调谐滤波器对所述的至少一个第二被测信号进行滤波。

Images