CN103083012A - 基于盲源分离的房颤信号提取方法 - Google Patents

Abstract

本发明公开了一种基于盲源分离的房颤信号提取方法，主要分为五个步骤来完成：获取信号源、去噪声、预处理、ICA分解、通过Pearson系统模型。本发明所述方法是一种能够能提取出含有少量干扰的房颤信号的算法，适用于医学信号检测技术领域。

Description

基于盲源分离的房颤信号提取方法

技术领域

本发明属于医学信号检测技术领域，涉及一种基于盲源分离的房颤信号提取方法。

背景技术

目前，随着人类生活和工作压力的不断增大，人们的健康状况也出现了各种各样的问题。心脏病也成为威胁人们身体健康的一种常见疾病。心房颤动(atrial fibrillation，AF)简称房颤是一种室上性心律失常，表征为不规则的心房活动，并使心房功能恶化。当心房内的电脉冲规律性从正常变成混乱时，房颤就发生了。房颤发生后，心房内电脉冲的混乱性将进一步加剧，并引起心跳过速，这就是所谓的“房颤导致房颤”。房颤对患者的主要危害在于：1)引起并发症；2)导致心功能损害及脑卒中发生概率增加；3)合并血栓栓塞；4)导致恶性心律失常等。AF虽常见，但在过去几十年内没有与其他心律失常一样受到同等的重视，因此对AF的监护和治疗落后于其他心律失常，仅在近年内有急起直追之势，并逐渐成为当今国际心电生理研究的难点和热点。

心脏是一个由心肌组成的动力系统，通过有节律的搏动和肌肉收缩来完成心脏泵血功能，从而向全身各个器官提供血液和氧气营养。这种有节律的搏动和心肌收缩源自心脏内部有节律的电生理信号的引导，这些电信号由C+、Na+和K+等离子通道组成，它们掌控者心脏各个部分在不同的时间发生有规律的顺序收缩。在正常情况下，心跳周期起搏于窦房结，并且随着右心房的去极化传导到整个心房。心房的去极化在ECG中表现为P波。接下来，心房去极化电脉冲传导到心室，引起心室的快速收缩，这在ECG中表现为QRS波。最后，心室的去极化在ECG上生成了T波，从而完成了一次完整地心跳周期。若心脏的起搏由窦房结发出，而且有规律地每分钟发出60-100次的激动，就称为正常窦性心律。在某种特殊情况下，如果心内电信号的传导发生异常，心房除了窦房结之外也产生很多其它的异常电信号发放点，并且各个电信号频率和方向不一，就会造成心房各个部位不能顺序搏动，而是各自为政，从而造成心房搏动失去节律而快速紊乱。这样心房不再是收缩和舒张的交替，而是持续处于心房颤动无收缩的状态，即房颤。

在心脏电生理研究中，体表ECG是一种重要的无损测量技术。房颤患者的体表ECG主要表现为正常的窦性P波消失，并且出现大小不等、形态不同的心房紊乱激动波(F波)，其中以VI，II，III和AVF导联较为明显。为了检测到房颤期间的心房活动，首先必须消除ECG中的QRST波。但是F波幅值远低于QRS波，加上噪声及心房信号与心室信号在频谱上相互重叠，所以传统的线性滤波无法实现提取F波。

独立分量分析(independent component analysis，ICA)方法是一种信源分解技术，它是解决盲源分离(blind source separation，BSS)问题的一个有效手段。该分析方法在生物医学信号处理、语音识别、导航、通讯、地质信号等领域均有重要的应用。其基本思路是将观测信号按照统计独立的原则通过优化算法分解为若干独立来源成分。ICA假设各源信号之间是独立的，其目的是把接收到的混合信号分解为相互独立的成分，而分离出的各成分即为源信号。心电信号中由于心房波和心室波分别是心房和心室活动产生的，因此，这两种信号可以认为是统计独立的，由此可通过ICA技术把房颤提取出来。

发明内容

本发明的目的是克服现有技术的缺陷，提供一种基于盲源分离的房颤信号提取方法，该方法是一种能够能提取出含有少量干扰的房颤信号的算法，其技术方案为：

一种基于盲源分离的房颤信号提取方法，包括以下步骤：

(1)获取房颤病人的体表心电信号；

(2)对观测信号进行噪声滤除；

(3)把观测信号进行预处理：去均值并进行白化处理；

(4)将预处理的信号进行ICA分解，分离出其超高斯成分；

(5)将剩余的信号通过Pearson系统模型，去除其高斯噪声成分，得到较纯正的房颤信号；

所述步骤(4)中首先选择一种目标函数，采用负熵作为目标函数，并将峰度作为一个区分心室信号成分与非心室信号成分的判断阈值，通过大量实验得出，1.25是一个合适的峰度阈值，可以去除QRST波，得到房颤波和噪声的混合信号，根据当前的数据

计算二阶、三阶和四阶矩阵和

进一步优选，步骤(5)中所述Pearson系统模型处理高斯噪声信号的步骤为：

(51)Pearson系统模型是一个四个参数的一簇分布，其微分方程形式为

其中p(y_n)是一个概率密度函数，p′(y_n)是p(y_n)的偏导，a，b₀，b₁和b₂都是分布函数的参数。另一种变形的微分方程形式为

其中a₀，a₁，b₀，b₁和b₂都是分布函数的参数，这个表达式的优点是a₁可为0。

(52)当高斯分布属于Pearson系统，其均值m和方差σ²与Pearson系统参数满足关系a₀＝12(σ²)³m，a₁＝12(σ²)³，b₀＝-12(σ²)⁴，b₁＝b₂＝0，

(53)可以推导出Pearson系统模型的代价函数为

(54)选择非线性函数g(y_M)：由步骤(4)计算得的二阶、三阶和四阶矩阵

和

当

时，选择非线性函数 $f\left(y_M\right)=\frac{a-y_M}{b_0+b_1{y}_M+b_2{y}_M^2}$

(55)计算 $G_M=E_{y_M}\left[f\left(y_M\right)g\left(y_M^T\right)\right]$

(56)使用下面的迭代算法计算分离矩阵W_n+1： $W_{M+1}={\left(W_{M+1}^{+}{\left(W_{M+1}^{+}\right)}^T\right)}^{-\frac{1}{2}}{W}_{M+1}^{+}$

(57)如果||W_M+1-W_M||＞ε，令M＝M+1，并重新计算当前信号的均值和方差，否则，结束算法。

本发明的有益效果：

(1)本发明采用房颤信号的体表心电信号，充分利用了获取源信号的方便性并且考虑到了病人的安全性；

(2)本发明将心电信号分为心室源信号和非心室源信号(心房信号和高斯噪声)两个部分，简便了提取的过程，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；

(3)本发明将通过ICA分解得到的非心室源信号通过Pearson系统模型，去除混在房颤信号的高斯信号，并能得到理想的结果。

附图说明

图1是本发明基于盲源分离的房颤信号提取方法的流程图；

图2是ICA分解的流程图；

图3是Pearson系统处理高斯噪声信号的流程图；

图4是仿真产生的正常心电信号和房颤信号；

图5是通过本算法提取出来的房颤信号。

具体实施方式

下面结合附图具体实施例来详细描述本发明的技术方案。

参照图1，一种基于盲源分离的房颤信号提取方法，包括以下步骤：

(1)获取房颤病人的体表心电信号；

(2)对观测信号进行噪声滤除；

(3)把观测信号进行预处理：去均值并进行白化处理；

(4)将预处理的信号进行ICA分解，分离出其超高斯成分；

(5)将剩余的信号通过Pearson系统模型，去除其高斯噪声成分，得到较纯正的房颤信号；

如图2所示，所述步骤(4)中首先选择一种目标函数，采用负熵作为目标函数，并将峰度作为一个区分心室信号成分与非心室信号成分的判断阈值，通过大量实验得出，1.25是一个合适的峰度阈值，可以去除QRST波，得到房颤波和噪声的混合信号，根据当前的数据

计算二阶、三阶和四阶矩阵

和

如图3所示，进一步优选，步骤(5)中所述Pearson系统模型处理高斯噪声信号的步骤为：

(51)Pearson系统模型是一个四个参数的一簇分布，其微分方程形式为

其中p(y_n)是一个概率密度函数，p′(y_n)是p(y_n)的偏导，a，b₀，b₁和b₂都是分布函数的参数。另一种变形的微分方程形式为

其中a₀，a₁，b₀，b₁和b₂都是分布函数的参数，这个表达式的优点是a₁可为0。

(52)当高斯分布属于Pearson系统，其均值m和方差σ²与Pearson系统参数满足关系a₀＝12(σ²)³m，a₁＝12(σ²)3，b₀＝-12(σ²)⁴，b₁＝b₂＝0，

(53)可以推导出Pearson系统模型的代价函数为

(54)选择非线性函数g(y_M)：由步骤(4)计算得的二阶、三阶和四阶矩阵

和当

时，选择非线性函数 $f\left(y_M\right)=\frac{a-y_M}{b_0+b_1{y}_M+b_2{y}_M^2}$

(55)计算 $G_M=E_{y_M}\left[f\left(y_M\right)g\left(y_M^T\right)\right]$

(56)使用下面的迭代算法计算分离矩阵W_n+1：

$W_{M+1}\text{=}{\left(W_{M+1}^{+}{\left(W_{M+1}^{+}\right)}^T\right)}^{-\frac{1}{2}}{W}_{M+1}^{+}$

(57)如果||W_M+1-W_M||＞ε，令M＝M+1，并重新计算当前信号的均值和方差，否则，结束算法。

对比图4、5，可以看出由本发明提取的QRST波段的失真度明显减少了，这意味着用本发明可以减少失真度，获取到了精确的房颤信号。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (2)

1.一种基于盲源分离的房颤信号提取方法，其特征在于能够提取出精确的房颤信号，包括以下步骤：

(1)获取房颤病人的体表心电信号；

(2)对观测信号进行噪声滤除；

(3)把观测信号进行预处理：去均值并进行白化处理；

(4)将预处理的信号进行ICA分解，分离出其超高斯成分；

(5)将剩余的信号通过Pearson系统模型，去除其高斯噪声成分，得到较纯正的房颤信号；

所述步骤(4)中首先选择一种目标函数，采用负熵作为目标函数，并将峰度作为一个区分心室信号成分与非心室信号成分的判断阈值，通过大量实验得出，1.25是一个合适的峰度阈值，可以去除QRST波，得到房颤波和噪声的混合信号，根据当前的数据计算二阶、三阶和四阶矩阵

和

2.根据权利要求1所述的基于盲源分离的房颤信号提取方法，其特征在于，步骤(5)中所述Pearson系统模型处理高斯噪声信号的步骤为：

(51)Pearson系统模型是一个四个参数的一簇分布，其微分方程形式为其中p(y_n)是一个概率密度函数，p′(y_n)是p(y_n)的偏导，a，b₀，b₁和b₂都是分布函数的参数，另一种变形的微分方程形式为

其中a₀，a₁，b₀，b₁和b₂都是分布函数的参数，这个表达式的优点是a₁可为0；

(52)当高斯分布属于Pearson系统，其均值m和方差σ²与Pearson系统参数满足关系a₀＝12(σ²)³m，a₁＝12(σ²)³，b₀＝-12(σ²)⁴.b₁＝b₂＝0，

(53)可以推导出Pearson系统模型的代价函数为

(54)选择非线性函数g(y_M)：

由步骤(4)计算得的二阶、三阶和四阶矩阵

和

当

时，选择非线性函数 $f\left(y_M\right)=\frac{a-y_M}{b_0+b_1{y}_M+b_2{y}_M^2}$

(55)计算 $G_M=E_{y_M}\left[f\left(y_M\right)g\left(y_M^T\right)\right]$

(56)使用下面的迭代算法计算分离矩阵W_n+1：

$W_{M+1}={\left(W_{M+1}^{+}{\left(W_{M+1}^{+}\right)}^T\right)}^{-\frac{1}{2}}{W}_{M+1}^{+}$

(57)如果||W_M+1-W_M||＞ε，令M＝M+1，并重新计算当前信号的均值和方差，否则，结束算法。

Images