CN103054572A - 基于单导联心室晚电位信号的盲源分离方法 - Google Patents

Abstract

本发明公开了一种基于单导联心室晚电位信号的盲源分离方法，包括以下步骤：(1)用心电图机的监测模式，采集一路单导联观测信号；(2)采用小波包算法对单导联观测信号进行R波定位，确定晚电位的发生时段；(3)对单导联观测信号进行重构，获得另一路观测信号；(4)对步骤(3)获得的另一路观测信号和原单导联观测信号作为新的二导联观测信号，进行预处理，包括取均值和白化过程；(5)对预处理后的观测信号进行盲源分离，提取心室晚电位信号。本发明采用单导联观测信号，充分利用了单导联监护系统的方便、灵活特性；采用小波包定位R波，解决了普通检测算法准确率低，实时性差等问题，可有效定位R波。

Description

基于单导联心室晚电位信号的盲源分离方法

技术领域

本发明属于盲源分离技术领域，具体涉及一种基于单导联心室晚电位信号的盲源分离方法。

背景技术

自1903年Einthoren发明弦线型心电图描记器并从体表记录心电信号以来，心电学不断得到发展。现在已经从常规心电图发展到动态心电图、频谱心电图以及心电向量图等。目前，医生由心电图、心电向量图诊断心脏病主要是凭经验的，诊断的准确与否很大程度上取决于医生的临床经验，这种“准确”也只是定性地说明疾病的类型、大致的范围程度等，而且由于心电图、心电向量图所提供的诊断信息量有限以对某些复杂的病症或临床特征表现不明显的病症很难诊断。

在当代，心血管疾病成为各种致死亡疾病之首，心血管疾病患者死亡常常是突然发生和未能预料的室性心动过速。因此如何检测这部分患者就是一个很重要的课题。临床研究表明，心室晚电位和室性心动过速具有相关性，因此，心室晚电位信号的检测与分析是临床预测心脏病患者的疾病爆发以及了解室性心律失常机制的有效手段之一。

心室晚电位(Ventricular Late Potentials，VLP)是在局部受损的心肌区域，由于心肌除极化延迟产生的不规律电信号，它反映了部分受损心肌的缓慢和不同步传导，一般出现在QRS波末端并延伸至ST段，表现为一系列碎裂的高频、低幅微弱电信号，其幅值一般小于25μV，能量主要集中在20Hz-80Hz。临床研究表明，心室晚电位与恶性心率失常有密切关系，尤其对急性心肌梗塞后猝死的预防、不明昏厥原因的诊断、室性心律失常的发生机制等方面具有重要的价值。随着科学技术日新月异的发展以及医疗水平的逐渐提高，监护系统正向着“微型化”、“智能化”、“移动化”和“低成本化”方向发展，单导联监护系统由于其方便灵活，将成为未来临床诊断的一种发展趋势。

由于VLP信号的低幅、高频特点，另外由于噪声的影响，它的检测变得比较困难。目前分析VLP常用的方法有时域检测法、频域检测法和频谱标测分析法等。时域检测法在存在着晚电位检出率不易提高的缺点；频域分析法存在频率分辨率不高的缺点；频谱标测分析法虽能克服时域或频域分析的一些缺陷，但在提取判断晚电位的标准参数时易受到分析时段的选取、QRS波终点定位准确度的影响。因此，为提高VLP的检测准确率和扩大其临床应用价值，需提出一种新的信号检测技术。

作为盲源分离(blind source separation，BSS)技术的一个分支发展起来的独立分量分析(Independent component analysis，ICA)方法，广泛应用于特征提取和生物医学信号处理。由于VLP信号相对于正常ECG信号波形具有相对独立性，而ICA算法能精确地从ECG中分辨出具有相对较大瞬时独立分量的时间过程，故可以用于VLP的识别。因此，采用FastICA方法可以实现心室晚电位信号的提取。

发明内容

本发明的主要目的是克服现有多导联检测系统的不足，提供一种基于单导联的心室晚电位信号盲源分离方法，可准确的提取出心室晚电位信号。

实现步骤如下：

一种基于单导联心室晚电位信号的盲源分离方法，包括以下步骤：

(1)用心电图机的监测模式，在病人体表处采集一路去除噪声的含有心室晚电位的心电信号即为单导联观测信号；

(2)采用小波包算法对单导联观测信号进行R波定位，确定晚电位的发生时段；

(3)对单导联观测信号进行重构，获得另一路观测信号；

(4)对步骤(3)获得的另一路观测信号和原单导联观测信号作为新的二导联观测信号，进行预处理，包括取均值和白化过程；

(5)对预处理后的观测信号进行盲源分离，提取心室晚电位信号。

所述的盲源分离方法，所述步骤(2)、(3)中，选取具有更加优良分析效果的小波包算法对R波进行定位，通过合适的小波包对单导联观测信号进行三层分解，二进小波包分解的快速算法为：

$\left\{\begin{array}{c}{p}_j^{2i-1}\left(n\right)=\underset{n}{\mathrm{\Σ}}H(k-2n)p_{j-1}^i\left(n\right)\\ p_j^{2i}\left(n\right)=\underset{k}{\mathrm{\Σ}}G(k-2n)p_{j-1}^i\left(n\right)\end{array}\right.---\left(1\right)$

其中，

表示第j层上第i个小波包，为小波包系数，i＝1，2，L，2^j，G(k)、H(k)为小波分解滤波器；

二进小波包重构的快速算法为

$p_j^i\left(n\right)=2[\underset{k}{\mathrm{\Σ}}h(n-2k)p_{j+1}^{2i-1}\left(n\right)+\underset{k}{\mathrm{\Σ}}g(n-2k)p_{j+1}^{2i}\left(n\right)]---\left(2\right)$

其中，h(k)、g(k)为小波重构滤波器。

所述的盲源分离方法，所述步骤(5)中，采用FastICA算法对混合信号进行盲源分离，具体步骤如下：

(5-1)首先选择一种目标函数，采用负熵作为目标函数，简化定义为：J(y)≈[E{G(y)}-E{G(v)}]²，其中，v和y是具有相同协方差的高斯随机变量，G是一个可根据信号的的分布形式而进行选择的非线性函数；

(5-2)由于含有VLP的ECG信号为超高斯信号，根据经验选用G(y)＝-exp(-y²/2)作为非线性函数；

(5-3)优化算法采用牛顿近似法推导的一种批处理算法，基本迭代公式为： $w_p(k+1)=E\left\{\mathrm{zg}\left(w_p^T\left(k\right)z\right)\right\}-E\left\{g^{\′}\left(w_p^T\left(k\right)z\right)\right\}{w}_p\left(k\right);$ 其中，z是经白化后的数据，g(·)为G(·)的导数，g’(·)是g(·)的导数，w_p(k)为分离矩阵W的元素。

(5-4)每一次迭代都需对权向量进行正交化，基本公式为：

$w_p(k+1)=w_p(k+1)-\underset{j=1}{\overset{p-1}{\mathrm{\&Sigma;}}}<w_p(k+1),w_j\left(k\right)>w_j\left(k\right),$ 采用 $w_p(k+1)=\frac{w_p(k+1)}{\left|\right|w_p(k+1)\left|\right|}$ 归一化处理；

(5-5)判断算法是否收敛，没有收敛则转至第(5-3)步，直至收敛，分离出VLP信号。

本发明具有有益效果：

(1)本发明采用单导联观测信号，充分利用了单导联监护系统的方便、灵活特性；

(2)采用小波包定位R波，解决了普通检测算法准确率低，实时性差等问题，可有效定位R波；

(3)采用小波包分解与重构技术，解决了ICA算法对观测信号数目的要求，可有效提取心室晚电位信号。

附图说明

图1是本发明基于单导联心室晚电位信号盲源分离方法的流程图；

图2是定位R波的流程图；

图3是FastICA算法提取心室晚电位信号流程图；

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

根据图1所示，一种基于单导联心室晚电位信号的盲源分离方法，主要包括以下步骤：

(1)用心电图机的监测模式，在病人体表处采集一路去除噪声的含有心室晚电位的心电信号即为单导联观测信号；

(2)采用小波包算法对单导联观测信号进行R波定位，确定晚电位的发生时段；

(3)对单导联观测信号进行重构，获得另一路观测信号；

(4)对步骤(3)获得的另一路观测信号和原单导联观测信号作为新的二导联观测信号，进行预处理，包括取均值和白化过程；

(5)对预处理后的观测信号进行盲源分离，提取心室晚电位信号；

所述步骤(1)中，通过心电图机的监测模式获得的单导联观测信号，已经对50Hz工频干扰、基线漂移、肌电干扰等信号进行了滤除；

所述步骤(2)、(3)中，选取具有更加优良分析效果的小波包算法对R波进行定位，可通过合适的小波包对单导联观测信号进行三层分解，二进小波包分解的快速算法为(如图2)：

$\left\{\begin{array}{c}{p}_j^{2i-1}\left(n\right)=\underset{n}{\mathrm{\&Sigma;}}H(k-2n)p_{j-1}^i\left(n\right)\\ p_j^{2i}\left(n\right)=\underset{k}{\mathrm{\&Sigma;}}G(k-2n)p_{j-1}^i\left(n\right)\end{array}\right.---\left(1\right)$

其中，

表示第j层上第i个小波包，为小波包系数，i＝1，2，L，2^j，G(k)、H(k)为小波分解滤波器。

二进小波包重构的快速算法为

$p_j^i\left(n\right)=2[\underset{k}{\mathrm{\&Sigma;}}h(n-2k)p_{j+1}^{2i-1}\left(n\right)+\underset{k}{\mathrm{\&Sigma;}}g(n-2k)p_{j+1}^{2i}\left(n\right)]---\left(2\right)$

其中，h(k)、g(k)为小波重构滤波器。

实验进行小波包分解的目的其一是定位R波，其二是重构出另一路与单导联观测信号中某一信号相关性较强的信号，即重构出VLP信号。针对分解的小波包分解系数进行阈值操作来定位R波，由于心室晚电位发生的频段主要集中在20-80Hz，根据该频段，选择相应的小波包分解系数，根据式(2)进行重构，就可以有目的地重构出VLP信号。

所述步骤(4)中，对观测信号去均值可简化算法，白化过程可以更好地去除信号之间的相关性；

所述步骤(5)中，采用FastICA算法对混合信号进行盲源分离，具体步骤如下(如图3)：

(5-1)首先选择一种目标函数，本发明采用负熵作为目标函数，简化定义为：J(y)≈[E{G(y)}-E{G(v)}]²，其中，v和y是具有相同协方差的高斯随机变量(零均值和单位方差)，G是一个可根据信号的的分布形式而进行选择的非线性函数；

(5-2)由于含有VLP的ECG信号为超高斯信号，根据经验选用G(y)＝-exp(-y²/2)作为非线性函数；

(5-3)优化算法采用牛顿近似法推导的一种批处理算法，基本迭代公式为：

$w_p(k+1)=E\left\{\mathrm{zg}\left(w_p^T\left(k\right)z\right)\right\}-E\left\{g^{\&prime;}\left(w_p^T\left(k\right)z\right)\right\}{w}_p\left(k\right);$ 其中，z是经白化后的数据，g(·)为G(·)的导数，g’(·)是g(·)的导数，w_p(k)为分离矩阵W的元素。

(5-4)每一次迭代都需对权向量进行正交化，基本公式为： $w_p(k+1)=w_p(k+1)-\underset{j=1}{\overset{p-1}{\mathrm{\&Sigma;}}}<w_p(k+1),w_j\left(k\right)>w_j\left(k\right),$ 采用 $w_p(k+1)=\frac{w_p(k+1)}{\left|\right|w_p(k+1)\left|\right|}$ 归一化处理；

(5-5)判断算法是否收敛，没有收敛则转至第(5-3)步，直至收敛，分离出VLP信号。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (3)

1.一种基于单导联心室晚电位信号的盲源分离方法，其特征在于，包括以下步骤：

(1)用心电图机的监测模式，在病人体表处采集一路去除噪声的含有心室晚电位的心电信号即为单导联观测信号；

(2)采用小波包算法对单导联观测信号进行R波定位，确定晚电位的发生时段；

(3)对单导联观测信号进行重构，获得另一路观测信号；

(4)对步骤(3)获得的另一路观测信号和原单导联观测信号作为新的二导联观测信号，进行预处理，包括取均值和白化过程；

(5)对预处理后的观测信号进行盲源分离，提取心室晚电位信号。

2.根据权利要求1所述的盲源分离方法，其特征在于，所述步骤(2)、(3)中，选取具有更加优良分析效果的小波包算法对R波进行定位，通过合适的小波包对单导联观测信号进行三层分解，二进小波包分解的快速算法为：

$\left\{\begin{array}{c}{p}_j^{2i-1}\left(n\right)=\underset{n}{\mathrm{\&Sigma;}}H(k-2n)p_{j-1}^i\left(n\right)\\ p_j^{2i}\left(n\right)=\underset{k}{\mathrm{\&Sigma;}}G(k-2n)p_{j-1}^i\left(n\right)\end{array}\right.---\left(1\right)$

其中，

表示第j层上第i个小波包，为小波包系数，i＝1，2，L，2^j，G(k)、H(k)为小波分解滤波器；

二进小波包重构的快速算法为

$p_j^i\left(n\right)=2[\underset{k}{\mathrm{\&Sigma;}}h(n-2k)p_{j+1}^{2i-1}\left(n\right)+\underset{k}{\mathrm{\&Sigma;}}g(n-2k)p_{j+1}^{2i}\left(n\right)]---\left(2\right)$

其中，h(k)、g(k)为小波重构滤波器。

3.根据权利要求1所述的盲源分离方法，其特征在于，所述步骤(5)中，采用FastICA算法对混合信号进行盲源分离，具体步骤如下：

(5-1)首先选择一种目标函数，采用负熵作为目标函数，简化定义为：J(y)≈[E{G(y)}-E{G(v)}]²，其中，v和y是具有相同协方差的高斯随机变量，G是一个可根据信号的的分布形式而进行选择的非线性函数；

(5-2)由于含有VLP的ECG信号为超高斯信号，根据经验选用G(y)＝-exp(-y²/2)作为非线性函数；

(5-3)优化算法采用牛顿近似法推导的一种批处理算法，基本迭代公式为： $w_p(k+1)=E\left\{\mathrm{zg}\left(w_p^T\left(k\right)z\right)\right\}-E\left\{g^{\&prime;}\left(w_p^T\left(k\right)z\right)\right\}{w}_p\left(k\right);$ 其中，z是经白化后的数据，g(·)为G(·)的导数，g’(·)是g(·)的导数，w_p(k)为分离矩阵W的元素。

(5-4)每一次迭代都需对权向量进行正交化，基本公式为： $w_p(k+1)=w_p(k+1)-\underset{j=1}{\overset{p-1}{\mathrm{\&Sigma;}}}<w_p(k+1),w_j\left(k\right)>w_j\left(k\right),$ 采用 $w_p(k+1)=\frac{w_p(k+1)}{\left|\right|w_p(k+1)\left|\right|}$ 归一化处理；

(5-5)判断算法是否收敛，没有收敛则转至第(5-3)步，直至收敛，分离出VLP信号。

Images