CN104367315B - 一种提取心电图中j波信号的盲源分离方法 - Google Patents
一种提取心电图中j波信号的盲源分离方法 Download PDFInfo
- Publication number
- CN104367315B CN104367315B CN201410640660.6A CN201410640660A CN104367315B CN 104367315 B CN104367315 B CN 104367315B CN 201410640660 A CN201410640660 A CN 201410640660A CN 104367315 B CN104367315 B CN 104367315B
- Authority
- CN
- China
- Prior art keywords
- signal
- ripple
- matrix
- ripple signal
- ecg
- 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.)
- Active
Links
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]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (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J波的提取方法,具体为以吉文斯旋转矩阵作为分离矩阵,基于循环平稳度准则的一种提取心电图中J波信号的盲源分离方法。J波信号是心电图(Electrocardiogram ECG)上心室复极的一种新指标,临床数据显示ECG中的J波信号形态各异且随机性很强,有时会淹没在正常ECG中观测不到,为准确提取到J波信号,本文预先采用小波包变换(Wavelet Packet Transform WPT)分解重建定位出J波所在的ST段,以减少盲源分离(Blind Source Separation BSS)的计算量;再根据ECG和J波信号的特点,使用基于高阶循环累积量的BSS方法有效的分离循环平稳的ECG和非周期的J波信号,为下一步在时频域研究J波信号,以区分其良性与高危性形态提供了保障。
Description
技术领域
本发明涉及J波的提取方法,具体为以吉文斯旋转矩阵作为分离矩阵,基于循环平稳度准则的一种提取心电图中J波信号的盲源分离方法。
背景技术
J波属于一种正常的ECG(心电信号)变异,但当J波形态、时限及幅值发生显著变化时,如:跟随在QRS波之后的J点从基线移位持续时间>0.03s,振幅>0.05mv,形成尖峰状、驼峰状、圆顶状的波形或者ST段抬高,可能预示着室速、室颤等恶性心律失常事件,甚至导致心源性猝死的发生。近年来,变异的J波已经作为ECG心室复极的一种新指标得到医学界的重视,因此,区分J波的良性与高危性形态具有非常重要的临床意义。目前对J波的分类是医生凭自身经验通过观察ECG进行判断,这样仅局限于在时域研究J波信号的幅值、波形以及发生位置,尤其是在J波振幅较小,不易肉眼观察的情况下,很容易造成判断误差。因此提取J波非常重要,当J波经过分析,从中提取J波的特性,医生再结合上临床病例,可更准确诊断室速、室颤、致命性的恶性心律失常等心室疾病,但是现在没有一种可有效提取J波的方法。
发明内容
本发明为了解决现在没有一种方法能有效提取J波的问题,提供了一种提取心电图中J波信号的盲源分离方法。
本发明是采用如下的技术方案实现的:一种提取心电图中J波信号的盲源分离方法,包括以下步骤:
1)获取J波综合征患者的十二导联ECG,作为初始观测信号;
2)使用小波包变换定位初始观测信号中S点和T点,截取含有J波的ST段信号作为新观测信号:选用db3作为小波函数ψ(t),其对应的尺度函数为φ(t),由小波函数ψ(t)和尺度函数φ(t)计算得到滤波器H0(z)和H1(z)的滤波器系数h0(k)和h1(k),将初始观测信号通过滤波器H0(z)和H1(z)在2j个子空间中进行分解,其分解形式为二进制树结构,分解后的每个节点代表初始观测信号的一个特定频带,根据ECG中T点和S点的频谱范围,对相应的节点用下层节点进行重构,在重构信号中搜索极大值,对应于初始观测信号的T点和S点,从初始观测信号中截取J波所在的ST段作为新观测信号;
3)使用吉文斯旋转矩阵对新观测信号进行盲源分离:
建立BSS的基础模型:新观测信号 含有J波信号的源信号 观测信号X=AS,其中A为m*n维列满秩的混合矩阵;
白化预处理:新观测信号X的协方差矩阵进行特征值分解CX=E[XXH]=DΛDH,其中Λ为CX的特征值矩阵,D为对应的特征向量矩阵,则白化矩阵白化处理信号Z=VX,表示对观测信号X进行了白化处理,白化处理后的信号Z的协方差矩阵为设U=VA,则矩阵U为酉矩阵,由Z=VX=VAS=US可知,白化处理信号Z是源信号S与酉矩阵U的混合;
对白化处理信号进行吉文斯变换,得到分离信号:
使用吉文斯旋转矩阵 作为分离矩阵变换白化处理信号Z,得到分离信号Y=Wij HZ=Wij H(US)=Wij HUS=[y1(t);L yi(t);L yj(t);L yn(t)],所得的分离信号Y即为源信号X的估计;
4)选用循环平稳度DCS作为分离准则选取参数θ,从而得到分离矩阵W:若使任意分离信号yi(t)的循环平稳度值g(θ)=DCSα在心电信号的循环频率α处取得最大值,则存在θk+1=θk+△θ使得Wij(θk+1)=U,此时Y=InS,即Y为S的最优估计;
5)S=UHZ,由源信号S可得J波的波形图,即提取到了J波。
Daubechies小波简称db小波,dbN表示小波的阶次是N次,是本领域的技术人员公知的函数。
本发明在盲源分离算法之前,使用小波包分解,利用分解系数重构T波和S波的波峰能量所在频段的信号,以避免R点在奇异值检测中的干扰,然后选择合适的阈值,在重构出来的信号上搜索极大值对应为初始观测信号上的T点和S点,可以相对准确的定位到心电图上T点和S点,截取到J波所在的ST段,减少了盲源分离的计算量,并且提高了分离准确度。在盲源分离的过程中先进行白化预处理来简化过程,然后使用吉文斯旋转矩阵作为分离矩阵,以综合考虑十二导联的观测信号,分离的结果选取最优作为源信号的估计,提高了分离精度,在算法选择参数的时候,充分利用心电信号的循环平稳特性,以循环平稳度作为分离准则,并且使用变步长的学习速率,最终不仅可以得到源信号的最优估计,有效的提取到J波信号,而且提高了算法的收敛速度。
附图说明
图1为本发明的流程图。
具体实施方式
一种提取心电图中J波信号的盲源分离方法,包括以下步骤:
1)获取J波综合征患者的十二导联ECG,作为初始观测信号;
2)从初始观测信号中提取含有J波的新观测信号:选用db3作为小波函数ψ(t),其对应的尺度函数为φ(t),由小波函数ψ(t)和尺度函数φ(t)计算得到滤波器H0(z)和H1(z)的滤波器系数h0(k)和h1(k),
3)使用吉文斯旋转矩阵对新观测信号进行盲源分离:
建立BSS的基础模型:新观测信号 含有J波信号的源信号 观测信号X=AS,其中A为m*n维列满秩的混合矩阵;
白化预处理:新观测信号X的协方差矩阵进行特征值分解CX=E[XXH]=DΛDH,其中Λ为CX的特征值矩阵,D为对应的特征向量矩阵,则白化矩阵白化处理信号Z=VX,表示对观测信号X进行了白化处理,白化处理信号Z的协方差矩阵设U=VA,则矩阵U为酉矩阵,由Z=VX=VAS=US可知,白化处理信号Z是源信号S与酉矩阵U的混合;
对白化处理信号进行吉文斯变换,得到分离信号:
使用吉文斯旋转矩阵 作为分离矩阵变换白化处理信号Z,得到分离信号Y=Wij HZ=Wij H(US)=Wij HUS=[y1(t);L yi(t);L yj(t);L yn(t)],其中所得的分离信号即为源信号的估计;
4)选用循环平稳度作为分离准则选取参数θ,从而得到分离矩阵W:分离信号的四阶循环累积量的循环平稳度定义为式:
分离信号yi(t)为ECG信号,其循环平稳度值g(θ)在心电信号的循环频率α处取得最大值,设定初试参数θ0=0,迭代步长 其中 通过迭代θk+1=θk+△θ使得g(θk+1)取得最大值,此时Wij(θk+1)=U,Y=WHUS=InS,即Y为S的最优估计,
5)S=UHZ,MATLAB仿真得到源信号S中各个分量的波形图,即可得到J波的波形图。
Claims (1)
1.一种提取心电图中J波信号的盲源分离方法,其特征在于包括以下步骤:
1)获取J波综合征患者的十二导联ECG,作为初始观测信号;
2)使用小波包变换定位初始观测信号中S点和T点,截取含有J波的ST段信号作为新观测信号:选用db3作为小波函数ψ(t),其对应的尺度函数为φ(t),由小波函数ψ(t)和尺度函数φ(t)计算得到滤波器H0(z)和H1(z)的滤波器系数h0(k)和h1(k),将初始观测信号通过滤波器H0(z)和H1(z)在2j个子空间中进行分解,其分解形式为二进制树结构,分解后的每个节点代表初始观测信号的一个特定频带,根据ECG中T点和S点的频谱范围,对相应的节点用下层节点进行重构,在重构信号中搜索极大值,对应于初始观测信号的T点和S点,从初始观测信号中截取J波所在的ST段作为新观测信号;
3)使用吉文斯旋转矩阵对新观测信号进行盲源分离:
建立BSS的基础模型:新观测信号 含有J波信号的源信号 观测信号X=AS,其中A为m*n维列满秩的混合矩阵;
白化预处理:新观测信号X的协方差矩阵进行特征值分解CX=E[XXH]=DΛDH,其中Λ为CX的特征值矩阵,D为对应的特征向量矩阵,则白化矩阵白化处理信号Z=VX,表示对观测信号X进行了白化处理,白化处理后的信号Z的协方差矩阵为CZ=E[ZZH]=E[VX(VX)H]=VE[XXH]VH=VAAHVH=VA(VA)H=I,设U=VA,则矩阵U为酉矩阵,由Z=VX=VAS=US可知,白化处理信号Z是源信号S与酉矩阵U的混合;
对白化处理信号进行吉文斯变换,得到分离信号:
使用吉文斯旋转矩阵作为分离矩阵变换白化处理信号Z,得到分离信号 所得的分离信号Y即为源信号X的估计;
4)选用循环平稳度DCS作为分离准则选取参数θ,从而得到分离矩阵W:若使任意分离信号yi(t)的循环平稳度值g(θ)=DCSα在心电信号的循环频率α处取得最大值,则存在θk+1=θk+△θ使得Wij(θk+1)=U,此时Y=InS,即Y为S的最优估计;
5)S=UHZ,由源信号S可得J波的波形图,即提取到了J波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410640660.6A CN104367315B (zh) | 2014-11-13 | 2014-11-13 | 一种提取心电图中j波信号的盲源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410640660.6A CN104367315B (zh) | 2014-11-13 | 2014-11-13 | 一种提取心电图中j波信号的盲源分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104367315A CN104367315A (zh) | 2015-02-25 |
CN104367315B true CN104367315B (zh) | 2016-08-17 |
Family
ID=52546696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410640660.6A Active CN104367315B (zh) | 2014-11-13 | 2014-11-13 | 一种提取心电图中j波信号的盲源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104367315B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104783787B (zh) * | 2015-04-24 | 2017-06-16 | 太原理工大学 | 一种基于神经网络的j波检测方法 |
CN105125209B (zh) * | 2015-09-10 | 2017-11-21 | 太原理工大学 | 基于扩展卡尔曼滤波的j波检测与分类方法 |
CN106344006B (zh) * | 2016-11-03 | 2018-06-26 | 太原理工大学 | 基于极点对称模态分解和支持向量机的j波检测方法 |
CN106503670B (zh) * | 2016-11-03 | 2018-07-10 | 太原理工大学 | 基于相关性分析特征选择的j波检测分类方法 |
CN109558766B (zh) * | 2017-09-25 | 2021-06-25 | 中国人民解放军国防科技大学 | 基于刺激前后差异特征的大脑成像数据盲源分离方法 |
CN109584900A (zh) * | 2018-11-15 | 2019-04-05 | 昆明理工大学 | 一种含噪信号的盲源分离算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103083012A (zh) * | 2012-12-24 | 2013-05-08 | 太原理工大学 | 基于盲源分离的房颤信号提取方法 |
CN103860167B (zh) * | 2014-04-02 | 2015-09-09 | 太原理工大学 | 基于非负矩阵分解的j波提取和分析方法 |
CN103876732B (zh) * | 2014-04-02 | 2015-09-16 | 太原理工大学 | 一种基于稀疏成分分析的j波提取方法 |
-
2014
- 2014-11-13 CN CN201410640660.6A patent/CN104367315B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104367315A (zh) | 2015-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104367315B (zh) | 一种提取心电图中j波信号的盲源分离方法 | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
CN103156599B (zh) | 一种心电信号r特征波检测方法 | |
CN104783787B (zh) | 一种基于神经网络的j波检测方法 | |
CN105787946B (zh) | 一种非负盲分离胎心音分析方法及装置 | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN109635699A (zh) | 一种基于k-svd与omp算法结合的心电信号去噪方法 | |
CN105342605B (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
CN104473631B (zh) | 一种基于非负盲分离胎儿心电瞬时心率识别方法及系统 | |
Kang et al. | A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm | |
CN102323977B (zh) | 基于心电特征点的心电数据存储方法 | |
CN107980151A (zh) | 一种基于心电认证的门禁系统及其认证方法 | |
CN105286860A (zh) | 一种基于双树复小波能量差的运动想象脑电信号识别方法 | |
CN103961091A (zh) | 基于双树复小波样本熵的运动想象脑电信号特征提取方法 | |
CN115153581A (zh) | 一种心电信号特征波形检测方法、装置及存储介质 | |
Behbahani et al. | Detection of QRS complexes in the ECG signal using multiresolution wavelet and thresholding method | |
CN112617850A (zh) | 心电信号的早搏心拍检测方法 | |
CN110292374B (zh) | 基于奇异谱分析和变分模态分解的心电信号去基线漂移方法 | |
CN102813514A (zh) | 一种基于对称导极的脑电信号分析方法 | |
CN107320096A (zh) | 一种心电r波定位方法 | |
Kar et al. | A technical review on statistical feature extraction of ECG signal | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
CN105310688A (zh) | 一种基于非负盲分离胎儿心电特征信号提取方法 | |
Zeng et al. | Deep arrhythmia classification based on SENet and lightweight context transform | |
CN107550486A (zh) | 一种利用去除qrs波形后的体表心电预测房颤发生的方法 |
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 |