CN106361324A - 基于遗传约束盲源分离的胎儿心电精确提取方法 - Google Patents

Abstract

基于遗传约束盲源分离的胎儿心电精确提取方法，利用遗传算法求解约束盲源分离解混合矩阵W的技术，继而提高约束盲元分检测胎儿心电的检测准确度，提高胎儿心电检测率。

Description

基于遗传约束盲源分离的胎儿心电精确提取方法

技术领域

本发明涉及一种基于遗传约束盲源分离的胎儿心电精确提取方法。具体讲，本发明涉及利用遗传算法求解约束性盲源分离的解混合矩阵，继而对胎儿心电精确提取。

背景技术

胎儿心电信号(FetalElectrocardiogram,FECG)记录胎儿心脏动作电位及其在心脏传导过程中的图形变化，是反映胎儿宫内生理活动的客观指标之一，其中含有反映胎儿发育程度、位置、是否酸中毒或者心律失常等健康状况。无创式提取方式将电极放在孕妇腹部尽可能地靠近胎儿位置测得信号，此方法可在整个妊娠期内使用，它可以早期发现胎儿宫内缺氧、窘迫、对许多胎儿本身的疾病，如先天性心脏病，新生儿心律失常，胎儿宫内发育迟缓等，能够提供重要的诊断依据。由于FECG比较微弱，无创式提取的胎儿心电信号从母亲的腹部采集获得的，在采集的过程中不可避免的会含有许多噪声(如工频干扰，母体自身的心电(MaternalElec-trocardiogram,MECG)，从复合母体信号中分离出胎儿心电信号，准确提取FECG成为生物医学工程中一个富有挑战性的问题。

盲信号处理是20世纪最后十年中迅速发展起来的一个研究领域，具有可靠的理论基础和广泛的应用潜力。前期在专利基于约束盲源分离的胎儿心电检测方法中利用约束盲源分离算法对胎儿心电信号进行提取(CN201410164558.3)，此算法较普通二阶盲源分离、ICA方法或者FastICA在提取精度及实时性都有较大改进，其实质是在二阶矩的同时，引入了参考信号，加快收敛速度。约束盲源分离算法的核心问题是解混合矩阵的学习方法，在专利基于约束盲源分离的胎儿心电检测方法中求解混合矩阵W时采用梯度法求解。梯度法求解混合矩阵的方法在非线性盲源分离问题时很难获取得全局最优解。从孕妇腹部采取的母胎混合信号中包括母体心电信号、腹动信号、胎儿信号等多种混合信号，并且这些信号都是非线性混合信号，利用梯度法求解混合矩阵时易陷入局部最优解，继而影响胎儿心电的精确提取。

遗传算法是一种并行收索、全局优化的学习方法，不依赖于局部梯度信息，同时遗传算法对小规模组合优化问题更为有效，由此可将约束性盲源分离算法解混合矩阵W视为一个组合，对这个组合中的每一个因素综合考虑，有利于其参数优化，同时具有较强的鲁棒性，并且采用并行机制，适合大规模的复杂问题的优化，所以本专利利用遗传算法求约束性盲源分离算法中解混合矩阵。

发明内容

本发明的目的是提供一种利用遗传算法求解约束盲源分离解混合矩阵W的方法，继而提高约束盲元分检测胎儿心电的检测准确度，提高胎儿心电检测率。

为实现上述目的，本发明的方案包括：基于遗传约束盲源分离的胎儿心电精确提取方法，包括以下步骤，

步骤一、利用特征值分解对观测信号X进行白化；

步骤二、获取多路参考信号R；

步骤三、利用遗传算法求解混合矩阵W，首先将混合矩阵W的求解问题转化为遗传算法适应的组合优化问题，确定W每个元素的大致范围和编码长度，并对其进行编码以及随机产生n×m个个体组成的初始种群P(0)；

步骤四、选定合适的遗传算法参数：终进化迭代数G、交叉概率Pc以及变异概率Pm；

步骤五、利用参考信号与分离信号相关性为目标函数，将初始种群P(0)中各个个体解码成对应的参数值，并求取相应的代价函数和适应函数值，在应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),重复以上操作，直到参数收敛或者达到预定的指标，计算最终种群即得到新解混合矩阵W，在新的解混合矩阵W分离胎儿心电，产生偏差后进入下一步自学习与解混合W的自调整；

步骤六，实现解混和矩阵的W自适应在线调整，提取胎儿心电信号；

其中，所述的遗传算法适应的组合优化，是利用遗传算法求解混和矩阵W，通过Y＝WX分离出胎儿心电信息及母体心电信息；X为观测信号，Y为期望提取的胎儿心电信息及母体心电信息矩阵，依据参考信号R相关性对遗传信息量进行调整，并进入下次寻优过程，反复此过程，最终实现解混合矩阵W实时调整，用于胎儿信号分离；

遗传算法适应的组合优化流程可表述为：

①、对解混和矩阵进行染色体编码，随机产生初始种群；

②、对染色体进行选择、交叉和变异操作，并对操作后的染色体解码得到新参数；

③、利用新参数分解采集到的混和心电信息，并代入代价函数验证是否是最优选择；

④、群体适应度统计并产生新的群体；

⑤、判断新群体是否稳定，若不稳定则返回操作步骤二，若稳定输出最优解混和矩阵W，然后再分离混和心电信息，进而获取纯净的胎儿心电心信号及母体心电信号。

本发明所述的所述对解混和矩阵W进行染色体编码的方法是：采用多参数映射二值编码，即在一条染色体上，解混合矩阵中任一元素w_i，j可用一个k为二进制编码表示，其中k＝log₂(|b-a|)+c,其中，b为解混合矩阵中最大值，a为解混合矩阵的最小值，c为保留的有效数字，此处，b、a根据盲元分离的解混合矩阵设定，c根据不同的运行环境设定，故，任一元素w_i，j编码可表示w_i，j＝{b_kb_k-1...b₁},此处，b_i∈{0，1}，为则任一元素w_i，j的解码公式如下：

$w_{i,j}=\frac{{(-1)}^{b_k}*(b_1*2^0+b_2*2^1+...+b_{k-1}*2^{k-2})*b}{2^{k-1}}$

根据解混和矩阵的元素数确定染色体的子串数，在此为12个子串，可表示为：

0010001100010000|0010001111010000|0010001100010011|0010001100011100|

0011101100010000|0010001110010000|0010001100011001|0010111100010100|。

0010001100000000|0100001100010000|0010000011010000|0010001100011110|

本发明所述的群体适应度统计并产生新的群体，利用适应度函数评价求解混合矩阵W是否是最优，适应度函数的求解方法是：利用参考信号的相关性验证是否达到最优解，直到遗传算法的参数收敛或者达到预定的指标，其中，根据参考信号个数，可搭建代价函数为此处i为参考信号的个数i＝1,2，解混合矩阵其判断条件为|J(y_i)_k+1-J(y_i)_k|＜ε，ε为一个足够小的数；

适应度函数为

F＝C/J

其中，C＝10ⁿ，n为整数，当个体的适应度相差较大时n≤0，否则n≥0。

本发明特点在于：利用遗传算法寻优求解混合矩阵W，根据约束条件能够实时地优化解混合矩阵，继而可有效地、准确地提取胎儿心电信号，继而进一步提高胎儿信号的质量，有利于临床诊断。

附图说明

图1为本发明的遗传算法优化约束盲源分离方法结构框图；

图2为本发明实施例的流程图；

图3为本发明六导孕妇腹部混合仿真信号；

图4为本发明基于遗传约束盲源分离方法提取胎儿心电信号与仿真胎儿信号。

具体实施方法

下面结合附图对本发明做进一步详细的说明。

遗传约束盲源分离方法是基于遗传算法及参考信号相关性进行盲源分离的算法，其利用相关性将期望信息从含有噪声的混合信号中提取出来的二阶盲源分离算法。利用遗传算法求解混和矩阵，则通过Y＝WX分离出胎儿心电信息及母体心电信息；X为观测信号，Y为期望提取的胎儿心电信息及母体心电信息矩阵。依据与参考信号的相关性对遗传信息量进行调整，并进入下次寻优过程，反复此过程，最终实现解混合矩阵W实时调整，用于胎儿信号分离。遗传算法求解解混和矩阵的方法结构图如图1所示。其流程如下：首先将W的求解问题转化为遗传算法适应的组合优化问题，确定W每个元素的大致范围和编码长度，并对其进行编码以及随机产生n×m个个体组成的初始种群P(0)；选定合适的遗传算法参数：终进化迭代数G、交叉概率Pc以及变异概率Pm；利用参考信号与某分离信号相关性为目标函数，将种群中各个个体解码成对应的参数值，并求取相应的代价函数和适应函数值，在应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),重复以上操作，直到参数收敛或者达到预定的指标，计算最终种群即得到新解混合矩阵W，在新的解混合矩阵W分离胎儿心电，产生偏差后进入下一步自学习与解混合W的自调整。

反复此过程，实现解混和矩阵的W自适应在线调整，进而能够精确地提取胎儿心电信号。

如图2所示，遗传优化约束盲源分离的基本步骤如下：

(1)对观测信号X进行白化S＝QX，其中S满足E{SS^T}＝I，Q为白化矩阵；

利用特征值分解对观测信号X进行白化；

(2)获取多路的参考信号R＝(r₁,r₂)^T，令i＝1,2；

(3)利用遗传算法求解混合矩阵W，首先将W的求解问题转化为遗传算法适应的组合优化问题，确定W每个元素的大致范围和编码长度，并对其进行编码以及随机产生n×m个个体组成的初始种群P(0)；

(4)选定合适的遗传算法参数：终进化迭代数G、交叉概率Pc以及变异概率Pm；

(5)利用参考信号与某分离信号相关性为目标函数，将种群中各个个体解码成对应的参数值，并求取相应的代价函数和适应函数值，在应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),重复以上操作，直到参数收敛或者达到预定的指标，计算最终种群即得到新解混合矩阵W，在新的解混合矩阵W分离胎儿心电，产生偏差后进入下一步自学习与解混合W的自调整。

反复此过程，实现解混和矩阵的W自适应在线调整，进而能够精确地提取胎儿心电信号，针对分离后的信号选择显示方式，对胎儿心电信息显示。

下面给出一种具体实施方式。

利用遗传优化约束二阶盲源分离算法提取母胎心电信息时，从采集六导孕妇腹部心电信息X中，提取期望的胎儿心电信息及母体心电信息矩阵Y。则观测信号即采集孕妇腹部心电信息为X(t)＝[X₁(t)…X₆(t)]^T，源信号即原始信号，期望的胎儿心电信息及母体心电信息矩阵，即没有干扰信息和未混合的母体心电信息及胎儿心电信息，即得到期望信号S，S(t)＝[S₁(t)…S_n(t)]^T，则有：

Y(t)＝WX(t)＝WAS(t) (1)

其中A为混合矩阵，即源信号与干扰信号混叠的系数矩阵，源信号经过混合矩阵后则是观测信号，此处，A为6×2矩阵。W为解混合矩阵，此处为2×6矩阵。

参考信号R为胎儿心电信号与母体心电信号的参考信号，则式1也可写成其中i＝1,2，是对应每个输出y_i的分离向量，则与参考信号的误差为ε_i＝r_i-y_i；则i＝1,2，其均方误差可表示为

$E\left\{{{\mathrm{\ϵ}}_i}^2\right\}=E\left\{r_i^2\right\}+w_i^T{R}_1{w}_i-2w_i^T{P}_i---\left(2\right)$

其中，R₁＝E{XX^T}，P_i＝E{r_iX}。

则其梯度公式为

$\∂E\left\{{{\mathrm{\ϵ}}_i}^2\right\}/\∂w_i=2R_1{w}_i-2P_i---\left(3\right)$

从而可得到最小均方误差准则下的最优权如式4。

w_i ^*＝R₁ ^-1P_i (4)

为了减小观测数据X间的相关性提高收敛效率，则首先利用特征值分解对观测信号X进行白化，即S＝QX，其中S满足E{SS^T}＝I，则

w_i ^*＝R₁ ^-1P_i＝E{r_iS} (5)

利用特征值白化观测信号满足式(6)。

E{XX^H}＝UΣU^H (6)

其中，Σ＝diag(λ₁,λ₂,…λ₆)为特征值所组成的对角矩阵，λ₁＞λ₂＞σ²＞0，λ₃＝λ₄＝λ₅＝λ₆＝σ²，σ²为噪声方差，为各特征值所对应的特征向量所组成的矩阵，U₂对应于胎儿心电信号与母体心电信号的子空间，U₄对应的噪声子空间。所以白化矩阵为

其中，

在胎儿心电信息与母体心电信息的提取过程即是解混合矩阵W求解过程，即找到最优的W满足Y(t)。

在此利用参考信号的相关系数矩阵的联合特征对角化矩阵R_τ求解W，则R_τ由旋转矩阵V利用迭代法求取，即利用迭代法求取V^TR_τV最小值,即求取Q(R_τ,V)最优值。

$Q(R_{\mathrm{\τ}},V)=\underset{k=1}{\overset{p}{\Σ}}off\left(V^T{R}_{\mathrm{\τ}}V\right)---\left(8\right)$

其中，off(M)＝Σ_i≠j|M_ij|²，同时式可表示为

$Q(R_{\mathrm{\τ}},V)={\mathrm{\Σ}}_{\mathrm{\τ}}off\left(VE\right(\tilde{X}{\tilde{X}}^T\left)V^T\right)={\mathrm{\Σ}}_{\mathrm{\τ}}off\left(WE\right({\mathrm{XX}}^T\left)W^T\right)---\left(9\right)$

在此利用约束二阶盲源分离算法提取胎儿心电信息及母体心电信息，则Y为胎儿心电信息及母体心电信息的矩阵，则式9可表述为

$J\left(y_i\right)=-\underset{\mathrm{\τ}={\mathrm{\τ}}_1}{\overset{{\mathrm{\τ}}_p}{\Σ}}{\left(w_{i}E\right({\mathrm{XX}}^T\left){w_i}^T\right)}^2=-\underset{k=1}{\overset{p}{\Σ}}E{\left(y_i\right(t\left)y_i\right(t-{\mathrm{\τ}}_k\left)\right)}^2---\left(10\right)$

代价函数J(y_i)为最小值则需满足g(y_i)≤0和h(y_i)＝0，此处此处利用遗传算法求解W，遗传优化约束盲源分离的基本步骤如下：

(1)对观测信号X进行白化S＝QX，其中S满足E{SS^T}＝I，Q为白化矩阵；

利用特征值分解对观测信号X进行白化；

(2)获取多路的参考信号R＝(r₁,r₂)^T，令i＝1,2；

(3)利用遗传算法求解混合矩阵W，首先将W的求解问题转化为遗传算法适应的组合优化问题，确定W每个元素的大致范围和编码长度，并对其进行编码以及随机产生n×m个个体组成的初始种群P(0)；

(4)选定合适的遗传算法参数：终进化迭代数G、交叉概率Pc以及变异概率Pm；

(5)利用参考信号与某分离信号相关性为目标函数，将种群中各个个体解码成对应的参数值，并求取相应的代价函数和适应函数值，在应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),重复以上操作，直到参数收敛或者达到预定的指标，计算最终种群即得到新解混合矩阵W，在新的解混合矩阵W分离胎儿心电，产生偏差后进入下一步自学习与解混合W的自调整。

反复此过程，实现解混和矩阵的W自适应在线调整，进而能够精确地提取胎儿心电信号，针对分离后的信号选择显示方式，对胎儿心电信息显示。

1、解混合矩阵W

利用遗传优化约束二阶盲源分离算法提取母胎心电信息时，从采集六导孕妇腹部心电信息X中，提取期望的胎儿心电信息及母体心电信息矩阵Y，其参考信号为二路信号，其实质就是求2×6解混合矩阵W。

2、染色体编码方法

采用多参数映射二值编码，即在一条染色体上，根据解混和矩阵的元素数确定染色体的子串数，在此为12个子串，可表示为：

0010001100010000|0010001111010000|0010001100010011|0010001100011100|

0011101100010000|0010001110010000|0010001100011001|0010111100010100|

0010001100000000|0100001100010000|0010000011010000|0010001100011110|

3、适应度函数的设计

适应度函数就是评价求解混合矩阵W是否是最优，其方法是：利用参考信号的相关性验证是否达到最优解，直到遗传算法的参数收敛或者达到预定的指标。其中，根据参考信号个数，可搭建代价函数为此处i为参考信号的个数i＝1,2，解混合矩阵其判断条件为|J(y_i)_k+1-J(y_i)_k|＜ε，ε为一个足够小的数。

适度函数为

F＝C/J

其中，C＝10ⁿ，n为整数，当个体的适应度相差较大时n≤0，否则n≥0。

4、算法终止条件

群体中个体进化已趋于稳定状态，即发现占群体一定比例的个体已为同一个体时或者代价函数J(y_i)为最小值即|J(y_i)_k+1-J(y_i)_k|＜ε，ε为一个足够小的数，迭代终止。

如图3、图4给出了一组具体数据。

以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (3)

1.基于遗传约束盲源分离的胎儿心电精确提取方法，其特征在于：包括以下步骤，

步骤一、利用特征值分解对观测信号X进行白化；

步骤二、获取多路参考信号R；

步骤三、利用遗传算法求解混合矩阵W，首先将混合矩阵W的求解问题转化为遗传算法适应的组合优化问题，确定W每个元素的大致范围和编码长度，并对其进行编码以及随机产生n×m个个体组成的初始种群P(0)；

步骤四、选定合适的遗传算法参数：终进化迭代数G、交叉概率Pc以及变异概率Pm；

步骤五、利用参考信号与分离信号相关性为目标函数，将初始种群P(0)中各个个体解码成对应的参数值，并求取相应的代价函数和适应函数值，在应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1),重复以上操作，直到参数收敛或者达到预定的指标，计算最终种群即得到新解混合矩阵W，在新的解混合矩阵W分离胎儿心电，产生偏差后进入下一步自学习与解混合W的自调整；

步骤六，实现解混和矩阵的W自适应在线调整，提取胎儿心电信号；

其中，所述的遗传算法适应的组合优化，是利用遗传算法求解混和矩阵W，通过Y＝WX分离出胎儿心电信息及母体心电信息；X为观测信号，Y为期望提取的胎儿心电信息及母体心电信息矩阵，依据参考信号R相关性对遗传信息量进行调整，并进入下次寻优过程，反复此过程，最终实现解混合矩阵W实时调整，用于胎儿信号分离；

遗传算法适应的组合优化流程可表述为：

①、对解混和矩阵进行染色体编码，随机产生初始种群；

②、对染色体进行选择、交叉和变异操作，并对操作后的染色体解码得到新参数；

③、利用新参数分解采集到的混和心电信息，并代入代价函数验证是否是最优选择；

④、群体适应度统计并产生新的群体；

⑤、判断新群体是否稳定，若不稳定则返回操作步骤二，若稳定输出最优解混和矩阵W，然后再分离混和心电信息，进而获取纯净的胎儿心电心信号及母体心电信号。

2.如权利要求1所述的基于遗传约束盲源分离的胎儿心电精确提取方法，其特征在于：所述的对解混和矩阵W进行染色体编码的方法是：采用多参数映射二值编码，即在一条染色体上，解混合矩阵中任一元素W_i，j可用一个k为二进制编码表示，其中k＝log₂(|b-a|)+c,其中，b为解混合矩阵中最大值，a为解混合矩阵的最小值，c为保留的有效数字，此处，b、a根据盲元分离的解混合矩阵设定，c根据不同的运行环境设定，故，任一元素w_i，j编码可表示w_i，j＝{b_kb_k-1...b₁},此处，b_i∈{0，1}，为则任一元素w_i，j的解码公式如下：

$w_{i,j}=\frac{{(-1)}^{b_k}*(b_1*2^0+b_2*2^1+...+b_{k-1}*2^{k-2})*b}{2^{k-1}}$

根据解混和矩阵的元素数确定染色体的子串数，在此为12个子串，可表示为：

0010001100010000|0010001111010000|0010001100010011|0010001100011100|

0011101100010000|0010001110010000|0010001100011001|0010111100010100|

0010001100000000|0100001100010000|0010000011010000|0010001100011110|。

3.如权利要求1所述的基于遗传约束盲源分离的胎儿心电精确提取方法，其特征在于：所述的群体适应度统计并产生新的群体，利用适应度函数评价求解混合矩阵W是否是最优，适应度函数的求解方法是：利用参考信号的相关性验证是否达到最优解，直到遗传算法的参数收敛或者达到预定的指标，其中，根据参考信号个数，可搭建代价函数为此处i为参考信号的个数i＝1,2，解混合矩阵其判断条件为|J(y_i)_k+1-J(y_i)_k|＜ε，ε为一个足够小的数；

适应度函数为

F＝C/J

其中，C＝10ⁿ，n为整数，当个体的适应度相差较大时n≤0，否则n≥0。