CN106361324B - 基于遗传约束盲源分离的胎儿心电精确提取方法 - Google Patents
基于遗传约束盲源分离的胎儿心电精确提取方法 Download PDFInfo
- Publication number
- CN106361324B CN106361324B CN201610959584.4A CN201610959584A CN106361324B CN 106361324 B CN106361324 B CN 106361324B CN 201610959584 A CN201610959584 A CN 201610959584A CN 106361324 B CN106361324 B CN 106361324B
- Authority
- CN
- China
- Prior art keywords
- matrix
- fetal
- mixing matrix
- population
- solving
- 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
- 230000001605 fetal effect Effects 0.000 title claims abstract description 55
- 230000002068 genetic effect Effects 0.000 title claims abstract description 46
- 238000000926 separation method Methods 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000002156 mixing Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 34
- 230000008774 maternal effect Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 210000000349 chromosome Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 230000002087 whitening effect Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 23
- 230000003187 abdominal effect Effects 0.000 description 4
- 210000003754 fetus Anatomy 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000036982 action potential Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008175 fetal development Effects 0.000 description 2
- 210000002458 fetal heart Anatomy 0.000 description 2
- 208000010444 Acidosis Diseases 0.000 description 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 208000001362 Fetal Growth Retardation Diseases 0.000 description 1
- 206010016855 Foetal distress syndrome Diseases 0.000 description 1
- 206010070531 Foetal growth restriction Diseases 0.000 description 1
- 230000007950 acidosis Effects 0.000 description 1
- 208000026545 acidosis disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 238000012899 de-mixing Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000030941 fetal growth restriction Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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]
- A61B5/344—Foetal cardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
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
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wi，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wi，j编码可表示wi，j＝{bkbk-1...b1},此处，bi∈{0，1}，为则任一元素wi，j的解码公式如下：
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(yi)k+1-J(yi)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{SST}＝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)…Sn(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yi的分离向量，则与参考信号的误差为εi＝ri-yi；则i＝1,2，其均方误差可表示为
其中，R1＝E{XXT}，Pi＝E{riX}。
则其梯度公式为
从而可得到最小均方误差准则下的最优权如式4。
wi *＝R1 -1Pi (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{SST}＝I，则
wi *＝R1 -1Pi＝E{riS} (5)
利用特征值白化观测信号满足式(6)。
E{XXH}＝UΣUH (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Rτ求解W，则Rτ由旋转矩阵V利用迭代法求取，即利用迭代法求取VTRτV最小值,即求取Q(Rτ,V)最优值。
其中，off(M)＝Σi≠j|Mij|2，同时式可表示为
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
代价函数J(yi)为最小值则需满足g(yi)≤0和h(yi)＝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{SST}＝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(yi)k+1-J(yi)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(yi)为最小值即|J(yi)k+1-J(yi)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 (1)
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，首先将解混合矩阵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，并对解混合矩阵W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，再应用复制、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最优解混合矩阵W′，在最优解混合矩阵W′分离胎儿心电，产生偏差后进入下一步自学习与解混合矩阵W的自调整；
步骤六，实现解混合矩阵W的自适应在线调整，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合矩阵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，依据与参考信号R相关性对遗传信息量进行调整，并进入下次寻优过程，反复按照步骤一至步骤五进行操作，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、对解混合矩阵W进行染色体编码，随机产生初始种群；
②、对染色体进行复制、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合心电信息，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，若稳定则输出最优解混合矩阵W′，然后再分离混合心电信息，进而获取纯净的胎儿心电信息及母体心电信息；
所述的对解混合矩阵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Wi,j可用一个二进制编码k表示，其中k＝log2(|b-a|)+c,其中，b为解混合矩阵W中最大值，a为解混合矩阵W的最小值，c为保留的有效数字，此处，b、a根据盲源分离的解混合矩阵W设定，c根据不同的运行环境设定，故，任一元素Wi,j编码可表示Wi,j＝{bkbk-1...b1},此处，bk∈{0，1}，则任一元素Wi,j的解码公式如下：
根据解混合矩阵W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|；
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产生的新一代的种群中各个个体解码对应的参数值是否收敛或者达到预定的指标，当参数收敛或者达到预定的指标时计算最终种群即得到最优解混合矩阵W′，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yi＝wi TX,i为参考信号的个数，i＝1,2，解混合矩阵
其判断条件为|J(yi)k+1-J(yi)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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610959584.4A CN106361324B (zh) | 2016-10-27 | 2016-10-27 | 基于遗传约束盲源分离的胎儿心电精确提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610959584.4A CN106361324B (zh) | 2016-10-27 | 2016-10-27 | 基于遗传约束盲源分离的胎儿心电精确提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106361324A CN106361324A (zh) | 2017-02-01 |
| CN106361324B true CN106361324B (zh) | 2020-07-14 |
Family
ID=57894371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610959584.4A Active CN106361324B (zh) | 2016-10-27 | 2016-10-27 | 基于遗传约束盲源分离的胎儿心电精确提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106361324B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935382A (zh) * | 2021-10-29 | 2022-01-14 | 江苏大学 | 一种基于遗传算法和快速独立成分分析的脑电波信号分离方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104287724B (zh) * | 2014-06-17 | 2017-02-01 | 河南科技大学 | 基于约束盲源分离的胎儿心电检测方法 |
| CN105249962B (zh) * | 2015-11-03 | 2019-04-30 | 北京联合大学 | 头皮脑电信号回顾性癫痫发作点检测方法及系统 |
-
2016
- 2016-10-27 CN CN201610959584.4A patent/CN106361324B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106361324A (zh) | 2017-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2990367C (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| Slawski et al. | Feature selection guided by structural information | |
| CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
| CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
| Chen et al. | Matrix decomposition based feature extraction for murmur classification | |
| CN104771163A (zh) | 基于csp和r-csp算法的脑电信号特征提取方法 | |
| CN104287724B (zh) | 基于约束盲源分离的胎儿心电检测方法 | |
| Khodabakhshi et al. | The attractor recurrent neural network based on fuzzy functions: An effective model for the classification of lung abnormalities | |
| CN113517030A (zh) | 基于病毒传播网络的基因序列表示学习方法 | |
| CN107515978B (zh) | 基于遗传算法构建响应面模型的方法及应用其的系统 | |
| CN106361324B (zh) | 基于遗传约束盲源分离的胎儿心电精确提取方法 | |
| Zhang et al. | Automatic screening method for atrial fibrillation based on lossy compression of the electrocardiogram signal | |
| CN103908361A (zh) | 一种假肢关节运动耦合驱动信号的采集运算方法 | |
| Jayasekara et al. | Timecaps: Capturing time series data with capsule networks | |
| CN115054270A (zh) | 基于gcn提取睡眠频谱图特征的睡眠分期方法及系统 | |
| CN114492519A (zh) | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 | |
| CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
| CN115905819B (zh) | 基于生成对抗网络的rPPG信号生成方法及装置 | |
| CN110755062B (zh) | 基于符号转移熵的生理器官网络非平衡性量化分析方法 | |
| CN116898451A (zh) | 用具有多尺度注意力机制的神经网络实现房颤预测的方法 | |
| CN112200068A (zh) | 基于lstm神经网络心电提取方法、系统、设备及介质 | |
| CN106491124A (zh) | 基于蚁群约束盲源分离的胎儿心电精确提取方法 | |
| Shi et al. | Hybrid linear and nonlinear complexity pursuit for blind source separation | |
| Jamil et al. | Robust pcg-based vhd detection model using d-cnns, nature-inspired algorithms, and vision transformer | |
| Salah et al. | Cardiac arrhythmia classification by wavelet transform |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |