CN104323772A - 一种基于稀疏成分分析的房颤信号提取方法 - Google Patents
一种基于稀疏成分分析的房颤信号提取方法 Download PDFInfo
- Publication number
- CN104323772A CN104323772A CN201410722832.4A CN201410722832A CN104323772A CN 104323772 A CN104323772 A CN 104323772A CN 201410722832 A CN201410722832 A CN 201410722832A CN 104323772 A CN104323772 A CN 104323772A
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- signals
- atrial fibrillation
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 0 C1CC*CC1 Chemical compound C1CC*CC1 0.000 description 4
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
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ASCA,利用混合矩阵ASCA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Xnew,新混合信号Xnew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
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ASCA: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ASCA;
计算源信号:根据S'=ASCA -1X,即可恢复出源信号
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Xnew:令输出的心电信号S1'为零并通过Xnew=ASCAS'反作用于混合信号X,构成新混合信号Xnew,
对新混合信号Xnew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ASCA: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ASCA;
计算源信号:根据S'=ASCA -1X,即可恢复出源信号
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Xnew:令输出的心电信号S1'为零并通过Xnew=ASCAS'反作用于混合信号X,构成新混合信号Xnew,
对新混合信号Xnew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ASCA: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ASCA;
计算源信号:根据S'=ASCA -1X,即可恢复出源信号
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Xnew:令输出的心电信号S1'为零并通过Xnew=ASCAS'反作用于混合信号X,构成新混合信号Xnew,
对新混合信号Xnew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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410722832.4A CN104323772B (zh) | 2014-12-02 | 2014-12-02 | 一种基于稀疏成分分析的房颤信号提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410722832.4A CN104323772B (zh) | 2014-12-02 | 2014-12-02 | 一种基于稀疏成分分析的房颤信号提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104323772A true CN104323772A (zh) | 2015-02-04 |
CN104323772B CN104323772B (zh) | 2016-08-24 |
Family
ID=52398695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410722832.4A Active CN104323772B (zh) | 2014-12-02 | 2014-12-02 | 一种基于稀疏成分分析的房颤信号提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104323772B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286846A (zh) * | 2015-11-29 | 2016-02-03 | 浙江师范大学 | 一种适用于心率信号的运动噪声检测方法 |
CN107463956A (zh) * | 2017-08-02 | 2017-12-12 | 广东工业大学 | 一种基于非负矩阵分解的心肺音分离的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908148A (zh) * | 2009-06-05 | 2010-12-08 | 北京师范大学 | 一种基于频域稀疏成分分析的盲图像分离法 |
CN103070681A (zh) * | 2012-12-08 | 2013-05-01 | 太原理工大学 | 一种基于稀疏成分分析的心室晚电位分离方法 |
CN103417208A (zh) * | 2013-07-12 | 2013-12-04 | 浙江工商大学 | 房颤检测装置及检测方法 |
US20140128758A1 (en) * | 2012-11-08 | 2014-05-08 | Conner Daniel Cross Galloway | Electrocardiogram signal detection |
CN103876732A (zh) * | 2014-04-02 | 2014-06-25 | 太原理工大学 | 一种基于稀疏成分分析的j波提取方法 |
-
2014
- 2014-12-02 CN CN201410722832.4A patent/CN104323772B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908148A (zh) * | 2009-06-05 | 2010-12-08 | 北京师范大学 | 一种基于频域稀疏成分分析的盲图像分离法 |
US20140128758A1 (en) * | 2012-11-08 | 2014-05-08 | Conner Daniel Cross Galloway | Electrocardiogram signal detection |
CN103070681A (zh) * | 2012-12-08 | 2013-05-01 | 太原理工大学 | 一种基于稀疏成分分析的心室晚电位分离方法 |
CN103417208A (zh) * | 2013-07-12 | 2013-12-04 | 浙江工商大学 | 房颤检测装置及检测方法 |
CN103876732A (zh) * | 2014-04-02 | 2014-06-25 | 太原理工大学 | 一种基于稀疏成分分析的j波提取方法 |
Non-Patent Citations (3)
Title |
---|
余先川等: "基于小波变换和稀疏成分分析的盲图像分离法", 《北京邮电大学学报》, vol. 33, no. 2, 15 April 2010 (2010-04-15), pages 58 - 63 * |
张敬等: "心房活动电生理信号特征提取", 《中国生物医学工程学报》, vol. 27, no. 6, 15 December 2008 (2008-12-15), pages 806 - 811 * |
曹婷婷,余先川: "基于线性聚类的稀疏成分分析及其在盲源分离中的应用", 《北京师范大学学报(自然科学版)》, vol. 46, no. 1, 15 February 2010 (2010-02-15), pages 44 - 48 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105286846A (zh) * | 2015-11-29 | 2016-02-03 | 浙江师范大学 | 一种适用于心率信号的运动噪声检测方法 |
CN105286846B (zh) * | 2015-11-29 | 2018-03-02 | 浙江师范大学 | 一种适用于心率信号的运动噪声检测方法 |
CN107463956A (zh) * | 2017-08-02 | 2017-12-12 | 广东工业大学 | 一种基于非负矩阵分解的心肺音分离的方法及装置 |
CN107463956B (zh) * | 2017-08-02 | 2020-07-03 | 广东工业大学 | 一种基于非负矩阵分解的心肺音分离的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104323772B (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karpagachelvi et al. | ECG feature extraction techniques-a survey approach | |
Hsieh et al. | Feature selection framework for XGBoost based on electrodermal activity in stress detection | |
CN104367317A (zh) | 多尺度特征融合的心电图心电信号分类方法 | |
CN109359619A (zh) | 一种基于卷积盲源分离的高密度表面肌电信号分解方法 | |
Balachandran et al. | Daubechies algorithm for highly accurate ECG feature extraction | |
CN103815897A (zh) | 一种心电图特征提取方法 | |
CN101972143A (zh) | 基于盲源提取的房颤监测方法 | |
CN103876732A (zh) | 一种基于稀疏成分分析的j波提取方法 | |
CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
Diery et al. | Automated ECG diagnostic P-wave analysis using wavelets | |
Akbari et al. | Fetal ECG extraction using πTucker decomposition | |
CN103892821A (zh) | 基于心电信号的情感识别模型生成装置及其方法 | |
CN102783945A (zh) | 基于小波阈值去噪的胎儿心电信号提取方法 | |
CN104382589B (zh) | 基于部分按段重采样的胎儿心电图分离提取方法 | |
CN104323772A (zh) | 一种基于稀疏成分分析的房颤信号提取方法 | |
Wang et al. | Fetal electrocardiogram extraction based on fast ICA and wavelet denoising | |
CN104757966A (zh) | 胎儿心电信号的提取方法及装置 | |
Wang et al. | Fetal ECG signal extraction from long-term abdominal recordings based on adaptive QRS removal and joint blind source separation | |
Arora et al. | A novel scheme to classify EHG signal for term and pre-term pregnancy analysis | |
CN109009083A (zh) | 一种融合小波和fastICA的胎儿心电提取方法及装置 | |
CN103070681B (zh) | 一种基于稀疏成分分析的心室晚电位分离方法 | |
Li et al. | A novel abnormal ECG beats detection method | |
CN105310688A (zh) | 一种基于非负盲分离胎儿心电特征信号提取方法 | |
CN104000587A (zh) | 一种基于边缘小波特征的脑电波(eeg)信号识别系统 | |
Zhang et al. | Semi-blind source extraction algorithm for fetal electrocardiogram based on generalized autocorrelations and reference signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |