CN104323772A - 一种基于稀疏成分分析的房颤信号提取方法 - Google Patents

Abstract

本发明涉及房颤信号的提取方法，具体为一种基于稀疏成分分析的房颤信号提取方法，包括以下步骤：提取混合信号X，将混合信号X进行稀疏化，得到对角矩阵，去除对角矩阵中的零列，得到中间矩阵X^’，对中间矩阵进行线性聚类，估计得到混合矩阵A_SCA，利用混合矩阵A_SCA求得源信号，并将输出的心电信号反馈到源信号中，得到新混合信号X_new，新混合信号X_new重复上述过程即可得到房颤信号。传统的稀疏成分分析方法的分离结果只有正常心电信号而没有房颤信号，本方法在传统稀疏成分分析方法的基础上，创造性地将分离出的正常心电信号反馈到源信号中，去除源信号中的正常心电信号，即可获取房颤信号。

Description

一种基于稀疏成分分析的房颤信号提取方法

技术领域

本发明涉及房颤信号的提取方法，具体为一种基于稀疏成分分析的房颤信号提取方法。

背景技术

心房颤动是一种常见的心脏疾病，其特点是心房快速且不规则的活动。研究认为在心房内有多个不同的信号源，这些信号源产生的快速、不同步的活动引起了不规则的电生理活动，导致房颤的发生。而在正常的心脏活动时，心跳是由唯一的信号源(窦房结)产生的，作为心脏的一个起搏器，窦房结产生了一个规则的电生理活动。房颤信号可作为检测心脏疾病的一个参考指标，医生再结合上临床病例等信息可以较为准确的诊断出心脏疾病，因此需要提取出房颤信号，但由于房颤信号的稀疏性较低，现有的稀疏成分分析算法只能将正常心电信号从带有房颤信号的心电图中分离出来，而无法得到纯净的房颤信号。

发明内容

本发明为了解决现有的信号提取方法不能提取到纯净的房颤信号的问题，提供了一种基于稀疏成分分析的房颤信号提取方法。

本发明是采用如下的技术方案实现的：一种基于稀疏成分分析的房颤信号提取方法，包括以下步骤：

将含有房颤信号和噪声信号的心电信号作为混合信号X；

稀疏化：用Haar母小波对混合信号X进行小波变换，将混合信号X从空域变换到频域，并从频域中选择对角矩阵为(j＝1,2,...,T/4)，T指混合信号X的周期；

去除零列，同一方向：对于对角矩阵(j＝1,2,...,T/4)中的每个列向量如果则如果则去掉该列得到中间矩阵X’；

线性聚类:中间矩阵X’中若任意两列向量X'_p和X'_q满足公式(1)，则这两列共线，当且仅当X'_p与X'_q共线，则X'_p∈θ(k)，X'_q∈θ(k)，通过将中间矩阵X’中所有的列向量线性聚类，可以得到θ(k)k＝1,2,...,t(t≥m)，m为中间矩阵X’行向量的个数；

估计混合矩阵A_SCA：对每个线性聚类θ(k)，如果该类样本点个数少于阈值，则直接将该类删除；否则，计算该类聚类中心，θ(k)中包含n个元素X₁',X'₂,...,X'_n，则聚类中心C由公式(2)获得；由聚类中心C得到聚类中心矩阵，聚类中心矩阵则为混合矩阵A_SCA；

计算源信号：根据S'＝A_SCA ^-1X，即可恢复出源信号 $S\′==\left[\begin{array}{c}{S}_1\′\\ S_2\′\\ S_3\′\end{array}\right];$

选取归一化相关系数NCC对源信号S'进行反馈，当源信号S'的min∑₂NCC(S',X)最小时，则认为它是最纯净的信号，输出该心电信号S₁'，

构造新混合信号X_new：令输出的心电信号S₁'为零并通过X_new＝A_SCAS'反作用于混合信号X，构成新混合信号X_new，

对新混合信号X_new重复前述步骤，即可在第二次迭代中得到房颤信号，剩余部分为噪声信号。

传统的稀疏成分分析方法的分离结果只有正常心电信号而没有房颤信号，本方法在传统稀疏成分分析方法的基础上，创造性地将分离出的正常心电信号反馈到源信号中，去除源信号中的正常心电信号，即可获取房颤信号。

本发明提供了一种基于稀疏成分分析的房颤信号提取方法，该方法可以提取到纯净的房颤信号，解决了现有的信号提取方法不能提取到纯净的房颤信号的问题。

附图说明

图1为本发明的流程图。

具体实施方式

一种基于稀疏成分分析的房颤信号提取方法，包括以下步骤：

将含有房颤信号和噪声信号的心电信号作为混合信号X；

稀疏化：用Haar母小波对混合信号X进行小波变换，将混合信号X从空域变换到频域，并从频域中选择对角矩阵为(j＝1,2,...,T/4)，T指混合信号X的周期；

去除零列，同一方向：对于对角矩阵(j＝1,2,...,T/4)中的每个列向量如果则如果则去掉该列得到中间矩阵X’；

线性聚类:中间矩阵X’中若任意两列向量X'_p和X'_q满足公式(1)，则这两列共线，当且仅当X'_p与X'_q共线，则X'_p∈θ(k)，X'_q∈θ(k)，通过将中间矩阵X’中所有的列向量线性聚类，可以得到θ(k)k＝1,2,...,t(t≥m)，m为中间矩阵X’行向量的个数；

估计混合矩阵A_SCA：对每个线性聚类θ(k)，如果该类样本点个数少于阈值，则直接将该类删除；否则，计算该类聚类中心，θ(k)中包含n个元素X₁',X'₂,...,X'_n，则聚类中心C由公式(2)获得；由聚类中心C得到聚类中心矩阵，聚类中心矩阵则为混合矩阵A_SCA；

计算源信号：根据S'＝A_SCA ^-1X，即可恢复出源信号 $S\′==\left[\begin{array}{c}{S}_1\′\\ S_2\′\\ S_3\′\end{array}\right];$

选取归一化相关系数NCC对源信号S'进行反馈，当源信号S'的min∑₂NCC(S',X)最小时，则认为它是最纯净的信号，输出该心电信号S₁'，

构造新混合信号X_new：令输出的心电信号S₁'为零并通过X_new＝A_SCAS'反作用于混合信号X，构成新混合信号X_new，

对新混合信号X_new重复前述步骤，即可在第二次迭代中得到房颤信号，剩余部分为噪声信号。

Claims (1)

1.一种基于稀疏成分分析的房颤信号提取方法，其特征在于包括以下步骤：

将含有房颤信号和噪声信号的心电信号作为混合信号X；

稀疏化：用Haar母小波对混合信号X进行小波变换，将混合信号X从空域变换到频域，并从频域中选择对角矩阵为(j＝1,2,...,T/4)，T指混合信号X的周期；

去除零列，同一方向：对于对角矩阵(j＝1,2,...,T/4)中的每个列向量如果则如果则去掉该列得到中间矩阵X’；

线性聚类:中间矩阵X’中若任意两列向量X'_p和X'_q满足公式(1)，(1)，则这两列共线，当且仅当X'_p与X'_q共线，则X'_p∈θ(k)，X'_q∈θ(k)，通过将中间矩阵X’中所有的列向量线性聚类，可以得到θ(k)k＝1,2,...,t(t≥m)，m为中间矩阵X’行向量的个数；

估计混合矩阵A_SCA：对每个线性聚类θ(k)，如果该类样本点个数少于阈值，则直接将该类删除；否则，计算该类聚类中心，θ(k)中包含n个元素X′₁,X'₂,...,X'_n，则聚类中心C由公式(2)获得；(2)，由聚类中心C得到聚类中心矩阵，聚类中心矩阵则为混合矩阵A_SCA；

计算源信号：根据S'＝A_SCA ^-1X，即可恢复出源信号 $S^{\′}==\left[\begin{array}{c}{S_1}^{\′}\\ {S_2}^{\′}\\ {S_3}^{\′}\end{array}\right];$

选取归一化相关系数NCC对源信号S'进行反馈，当源信号S'的min∑₂NCC(S',X)最小时，则认为它是最纯净的信号，输出该心电信号S₁'，

构造新混合信号X_new：令输出的心电信号S₁'为零并通过X_new＝A_SCAS'反作用于混合信号X，构成新混合信号X_new，

对新混合信号X_new重复前述步骤，即可在第二次迭代中得到房颤信号，剩余部分为噪声信号。