CN109009083A - 一种融合小波和fastICA的胎儿心电提取方法及装置 - Google Patents

一种融合小波和fastICA的胎儿心电提取方法及装置 Download PDF

Info

Publication number
CN109009083A
CN109009083A CN201810794011.XA CN201810794011A CN109009083A CN 109009083 A CN109009083 A CN 109009083A CN 201810794011 A CN201810794011 A CN 201810794011A CN 109009083 A CN109009083 A CN 109009083A
Authority
CN
China
Prior art keywords
signal
fetal ecg
electrocardiosignal
noise
processing
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.)
Pending
Application number
CN201810794011.XA
Other languages
English (en)
Inventor
黄艺格
贺知明
曾浩华
吕文娟
刘妙玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Guangdong Electronic Information Engineering Research Institute of UESTC
Original Assignee
University of Electronic Science and Technology of China
Guangdong Electronic Information Engineering Research Institute of UESTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China, Guangdong Electronic Information Engineering Research Institute of UESTC filed Critical University of Electronic Science and Technology of China
Priority to CN201810794011.XA priority Critical patent/CN109009083A/zh
Publication of CN109009083A publication Critical patent/CN109009083A/zh
Pending legal-status Critical Current

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]
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/04—Babies, e.g. for SIDS detection

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明属于信号处理技术领域，针对母亲心电和胎儿心电重叠度太高，导致胎儿心电分离精度低、受母亲心电干扰的技术问题，公开了一种融合小波和fastICA的胎儿心电提取方法及装置。本发明首先对混合腹部信号进行白化和去均值，再利用峰值最大确定小波包分解点，从而降低混合信号重叠程度。在母亲心电与胎儿心电重叠度过高时，从而有效抑制母亲心电和噪声的干扰。然后利用基于负熵的fastICA分离混合心电信号，得到含有噪声的胎儿信号，最后使用小波去噪去除信号中的噪声和基线漂移。本发明用于围产医学，本发明所提取的胎儿心电比基于峭度的更清晰，收敛性更好。

Description

一种融合小波和fastICA的胎儿心电提取方法及装置
技术领域
本发明属于信号处理技术领域，具体涉及一种结合小波分解和快速独立成分分析的胎儿心电提取方案。
背景技术
近年来，随着围产医学的飞速发展，提高胎儿出生质量，降低围产儿的发病率和死亡率是妇幼保健工作的一项重要内容，因此需要在围产期对胎儿进行监护。目前，胎儿的临床监护主要包括：胎儿心音监护、心动监护和心电监护，其功能均为通过对孕期中胎儿心脏活动的监测，早期发现胎儿生长发育过程中的异常状况，及时采取医疗措施进行补救。
胎儿心电信号(Fetal Electrocardiogram，FECG)是心脏活动的最源发性信号，记录胎儿心电活动时产生的电激动传至母体体表的电位改变，可将胎儿心脏活动时产生的生物电流绘成图谱，反映胎心率的瞬间变化、心肌情况、心律紊乱等。这种信号的电位变化的方向、次序和时间等都有一定的规律，通过对FECG这些波形变化结合临床情况进行分析，寻找发病原因及病理改变，往往是妊娠或分娩期的并发症或合并症引起的，这些多数是可逆的，如能即时处理，可以恢复正常，有时甚至可以挽救胎儿的性命。少数异常胎儿心电图是胎儿先天性心脏疾病的异常表现，可考虑及早终止妊娠，以达优生目的。因此得到清晰的胎儿心电图是正确作出临床诊断的关键，在临床诊断上具有重要意义。
然而，要获得准确的胎儿心电图很难。一方面由于胎儿生活在一个特殊的环境，安全处在胎膜和羊水的包围之中。胎儿心电信号从胎儿心脏传至体表，中间要经过很多肌层，它们的导电性能有很大的差异。胎儿皮肤外包着的胎脂是脂肪层，导电性能差，会起隔离作用。胎脂外有两层胎膜，导电性能也较差。所以胎儿心电信号从胎儿心脏传导至腹部体表会有很大的衰减。另一方面，由于心电信号本身是一种低频、微弱的信号，腹部心电信号复杂，信噪比低，在众多干扰信号中，母体心电信号(Matemal Electrocardiogram，MECG)很强，一般是FECG的10-100倍，胎儿心电信号常被母亲的心电信号和噪声(包括母亲的呼吸所产生的噪声、肌电信号、各种电子干扰等)所淹没。在时域中，胎儿心电信号约有10％～30％与母体信号融合；在频域中，胎儿心电频谱与母体心电频谱大部分重叠，整个信号的非平稳性又十分强烈。此外，胎儿心脏位置难以确定，妊娠期间胎儿至腹部的电传导特性经常发生变化，分娩期间胎儿的移动等，这些特点都给胎儿心电图信号的采集和观测带来很大困难，用常规的方法很难提取出清晰稳定的FECG。
目前，胎儿心电信号已经成为信号处理与检测领域研究的热点问题。如何寻找一种合适的信号分离算法，有效的实现对胎儿心电信号的提取和处理，不仅对生物医学的科学研究工作有着重要的意义，而且对于医疗仪器的设计也具有指导意义，对围产医学的发展将具有重要的意义。
独立分量分析(ICA)是解决盲源分离的常用方法，ICA具有较好的分离效果所以被认为是最有应用前景的方法。对此，研究者们提出了一些著名的ICA算法，能够实现亚高斯和超高斯分布信号的分离。比如：基于信息量最大准则的在线迭代算法(Informax算法)、基于相对梯度的在线算法(EASI算法)、快速定点算法(FastICA)。Informax算法需要对矩阵求逆，收敛速度慢，算法性能会受源信号混合程度影响。EASI算法，具有较好的渐进收敛性。
FastICA算法与上述几个算法不同，它不需要步长，收敛速度快。但是由于母亲和胎儿心电重合率太高，极度影响之后FastICA分离准确度。
发明内容
本发明的发明目的在于：针对母亲心电和胎儿心电重叠度太高，导致胎儿心电分离精度低、受母亲心电干扰的技术问题，公开了一种峰值最大化的小波分解与fastICA结合的胎儿心电提取方法。
本发明的融合小波和fastICA的胎儿心电提取方法，包括下列步骤
步骤S1：输入采集的原始混合心电信号X，其包含母亲心电和胎儿心电以及各种噪声；
步骤S2：对输入的原始混合心电信号X进行预处理，得到预处理后的初始心电信号Z，其中预处理包括：白化和中心化处理，使其均值为0；
步骤S3：对初始心电信号Z进行峰值计算，查找最大峰值点，并在最大峰值点进行小波分解，得到混合心电信号A；
步骤S4：采用负熵的fastICA对步骤S3得到的混合心电信号A进行母体与胎儿心电分离处理，获取含有噪声的胎儿心电信号：
步骤S4-1：设置最大迭代次数K；
步骤S4-2：随机初始化母体心电信号的权向量，记为W0；以及初始化迭代次数k＝1；
步骤S4-3：对权向量进行迭代更新：再执行步骤S4-4；其中，函数g(·)表示任意非线性函数，g′(·)表示函数g(·)的导函数，函数E{·}表示协方差函数，上标(·)T表示矩阵转置操作；
步骤S4-4：更新第k次的权向量Wk＝Wk/||Wk||，并判断Wk是否收敛，若是，则将当前的权向量Wk作为优选权向量否则判断迭代次数是否达到最大迭代次数K，若是，则返回步骤S4-2；重新选择权向量W0；若否，则迭代次数k自增1后，继续执行步骤S4-3；
其中，Wk的收敛条件为：|WkA-1|≤δ，其中δ为预设收敛阈值，即当WkA趋近于1时，认为Wk收敛。
步骤S4-5：将作为含噪声的母体心电信号的估计信号，并对该估计信号进行母体信号峰值点检测，再对原始混合心电信号X中的母体信号峰值点进行信号抑制处理，得到含有噪声的胎儿心电信号；
步骤S5：对步骤S4得到的含有噪声的胎儿心电信号进行小波去噪处理，输出胎儿心电图信号。
本发明在提取胎儿心电信号时，利用峰值最大确定小波包分解点，从而有效降低了混合信号重叠程度；即针对母亲心电与胎儿心电重叠度过高的情况，本发明能有效抑制母亲心电和噪声的干扰；再利用基于负熵的fastICA分离混合心电信号，得到含有噪声的胎儿信号，最后使用小波去噪去除信号中的噪声和基线漂移，从而获取到比基于峭度的更清晰，收敛性更好的胎儿心电。
同时，本发明还公开了对应上述提取方法的融合小波和fastICA的胎儿心电提取装置，该装置包括作用于母体腹部，用于采集原始混合心电信号X的信号采集装置，以及用于接收所述原始混合心电信号X的计算机，所述计算机被编程以执行本发明的上述提取方法中的步骤S2～S5。
综上所述，本发明的有益效果是，才用本发明提取方式所提取的胎儿心电比基于峭度的提取方式更清晰，收敛些更好，且提取过程无创、安全、无时间限制，对孕妇身体没有任何影响。
附图说明
图1是本发明的胎儿心电提取处理流程示意图；
图2是对分离得到的含有噪声的胎儿心电信号的小波去噪处理示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
在采集胎儿心电信号时，因采集装置是通过直接作用于母亲腹部获得，而母亲腹部信号包含母亲和胎儿的心电图信号(MECG+FECG)，故本发明首先对混合腹部信号(MECG+FECG)进行白化和去均值，再利用峰值最大确定小波包分解点，从而降低混合信号重叠程度。在母亲心电与胎儿心电重叠度过高时，该方法能有效抑制母亲心电和噪声的干扰；再利用基于负熵的fastICA分离混合心电信号，得到含有噪声的胎儿信号，最后使用小波去噪去除信号中的噪声和基线漂移，从而获取到比基于峭度的更清晰，收敛性更好的胎儿心电。参见图1，本发明的融合小波和fastICA的胎儿心电提取的具体过程如下：
步骤S1：输入采集的原始信号，所述原始信号为包含母亲心电和胎儿心电以及各种噪声的原始混合心电信号，将其定义为原始混合心电信号X；
步骤S2：对输入的原始混合心电信号X进行预处理，得到预处理后的初始心电信号Z，其中预处理包括：白化和中心化处理，使其均值为0；
由于采集的原始信号值具有高度相关性，所以数据信息冗余，本发明通过白化处理达到.减少特征之间的相关性，以及使得特征具有相同的方差(协方差矩阵为1)的处理目的。
其中，白化处理，又称漂白或者球化处理是对待处理对象(数据x)进行数据变换处理，将其变换为x_Whitened，其中x_Whitened的协方差矩阵为单位阵。
由于采集的原始数据一般都具有相关性，所以本发明对其进行初步的白化或球化处理，以去除各原始数据之间的相关性，从而简化了后续独立分量的提取过程，以及提升后续处理的收敛性。
步骤S3：对初始心电信号Z进行小波分解处理，得到混合心电数据矩阵A，即小波分解后的混合心电信号(混合母体和胎儿的心电信号)。
本发明利用小波包分解和峰度来确定最好的小波包分解节点，该分解节点的系数比混合信号具有更低重叠度的源信号的近似表示。每个分解节点的小波包系数的峰度可以通过计算得到，之后在最大峰值点进行小波域分解，减少重叠度，从而达到更好的分离出母体心电和胎儿心电的目的。
即本步骤中，对初始心电信号Z进行峰值计算，查找最大峰值点，并在最大峰值点进行小波分解，得到混合心电数据矩阵A。
步骤S4：采用负熵的fastICA对步骤S3得到的混合心电信号A进行母体与胎儿心电分离处理，获取含有噪声的胎儿心电信号。
为了求出合理的非高斯性度量，使其为非负值，且对高斯变量的取值为零，本发明利用一种称为负熵的变量，它实际上是微分熵的一种标准化版本。对于可逆线性变换，负熵恒定，所以需要找到一个可逆变换，使相互信息最小化，大致等价于发现负熵最大化的方向。
基于ICA和投影方向之间的密切联系，查找一个最大化负熵方向其实质是投射的一种形式，也可以被解释为一个独立的估计成分。
本发明在用球化数据导出一个单位化的不动点时，待处理对象(或待处理数据)x的权值w的最优解JG(w)可以在E{g(wTx)的某些最优值中得到，其中上标(·)T表示矩阵转置操作，函数g(·)表示任意非线性函数，函数E{·}表示协方差函数。
由于存在约束E{(wTx)2}＝||w||2＝1，故E{g(wTx)的最优解可在下式成立时得到
E{xg(wTx)}-βw＝0 (1)
其中，β是一个常数，通过可以得到，式中w0是权值w的最优解。例如采用牛顿法对进行求解，用F表示函数的左侧，可以得到导数矩阵JF(w)为：
JF(w)＝E{xxTg'(wTx)}-βI (2)
其中g′(·)表示函数g(·)的导函数，I表示单位矩阵。
为了简化公式(2)中的矩阵的求逆，对第一项E{xxTg'(wTx)}进行近似处理，由于数据已经被球化处理过，故有E{xxTg'(wTx)}≈E{xxT}E{g'(wTx)}＝E{g'(wTx)}I，从而得到第一项的近似值E{g'(wTx)}I。从而将导数矩阵变换为对角矩阵，以便于求逆处理。用w的当前值取代w0，则可以求出β的近似值。因此，可以得到公式(3)所示的近似的牛顿迭代：
其中，w*表示w的更新值，β＝E{wTxg(wTx)}。
且公式(3)还可以通过在第一个等式的两边同时乘以β-E{g'(wTx)}来进一步简化，即：
基于上述分析，本发明为了实现对混合心电数据矩阵A的信号分离处理，采用迭代的方式获取提取母体心电信号的优选权向量
(1)设置最大迭代次数K；
(2)随机初始化母体心电信号的权向量，记为W0，以及初始化迭代次数k＝1；
(3)对权向量进行迭代更新：再执行步骤(4)；
(4)更新第k次的权向量Wk＝Wk/||Wk||，并判断Wk是否收敛，若是，则将当前的权向量Wk作为优选权向量否则判断迭代次数是否达到迭代上限，若是，则返回步骤(2)重新选择权向量W0，即当k＝K时，返回步骤(2)；若k＜K，则迭代次数k自增1后，继续执行步骤(3)。
其中，Wk的收敛条件为：|WkA-1|≤δ，其中δ为预设收敛阈值，即当WkA趋近于1时，认为Wk收敛。
用S(t)表示包含噪声的母体心电信号的信号序列，X(t)表示原始混合心电信号X的信号序列，因为混合心电数据矩阵A是初始心电信号Z的小波分解信号，而初始心电信号Z是对原始混合心电信号X预处理后的信号，故有由于趋近于1，则趋近于S(t)，从而可以将作为含噪声的母体心电信号的信号序列的估计结果，记为Y(t)，即得到混合信号中的MECG信号。
对Y(t)进行母体信号峰值点检测，再对X(t)中的母体信号峰值点进行信号抑制处理，从而得到含有噪声的FECG信号。
本具体实施方式中，峰值点的检测方式为：将Y(t)的各离散点与其相邻的左右点进行比较，若当前离散点的峰值均大于左右相邻点(即当前离散点为高峰)，则将当前离散点记为母体信号峰值点。
本具体实施方式中，优选的信号抑制处理为窗口抑制方式，例如Y(t)中共检测出50个母体信号峰值点，则以每个母体信号峰值点为中心设置一个样本窗，形成一个包括50个样本窗的样本窗口序列，再基于该样本窗口序列对X(t)进行信号抑制处理，即对个样本窗内的信号进行信号抑制处理，从而抑制掉X(t)中的MECG信号。
步骤S5：对步骤S4得到的含有噪声的FECG信号进行小波去噪处理，去除其中的噪声和基线漂移，输出胎儿心电图信号。
参见图2，首先对步骤S4得到的含有噪声的FECG信号进行小波分解处理，对分解得到的低分辨率信号不做处理，对分解得到的高分辨率信号进行置零活收缩处理后，再对高、低分辨率信号进行融合，即小波分解逆变换来重建去噪后的胎儿心电图信号，从而得到一个清晰的FECG信号。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (4)

1.一种融合小波和fastICA的胎儿心电提取方法，其特征在于，包括下列步骤：
步骤S1：输入采集的原始混合心电信号X，其包含母亲心电和胎儿心电以及各种噪声；
步骤S2：对输入的原始混合心电信号X进行预处理，得到预处理后的初始心电信号Z，其中预处理包括：白化和中心化处理，使其均值为0；
步骤S3：对初始心电信号Z进行峰值计算，查找最大峰值点，并在最大峰值点进行小波分解，得到混合心电信号A；
步骤S4：采用负熵的fastICA对步骤S3得到的混合心电信号A进行母体与胎儿心电分离处理，获取含有噪声的胎儿心电信号：
步骤S4-1：设置最大迭代次数K；
步骤S4-2：随机初始化母体心电信号的权向量，记为W0；以及初始化迭代次数k＝1；
步骤S4-3：对权向量进行迭代更新：再执行步骤S4-4；其中，函数g(·)表示任意非线性函数，g′(·)表示函数g(·)的导函数，函数E{·}表示协方差函数，上标(·)T表示矩阵转置操作；
步骤S4-4：更新第k次的权向量Wk＝Wk/||Wk||，并判断Wk是否收敛，若是，则将当前的权向量Wk作为优选权向量否则判断迭代次数是否达到最大迭代次数K，若是，则返回步骤S4-2；重新选择权向量W0；若否，则迭代次数k自增1后，继续执行步骤S4-3；
其中，Wk的收敛条件为：|WkA-1|≤δ，其中δ为预设收敛阈值；
步骤S4-5：将作为含噪声的母体心电信号的估计信号，并对该估计信号进行母体信号峰值点检测，再对原始混合心电信号X中的母体信号峰值点进行信号抑制处理，得到含有噪声的胎儿心电信号；
步骤S5：对步骤S4得到的含有噪声的胎儿心电信号进行小波去噪处理，输出胎儿心电图信号。
2.如权利要求1所述的方法，其特征在于，步骤S4-5中，优选采用窗口抑制处理对原始混合心电信号X中的母体信号峰值点进行信号抑制处理。
3.如权利要求1所述的方法，其特征在于，步骤S5中，小波去噪处理具体为：
对含有噪声的胎儿心电信号进行小波分解处理，得到高、低分辨率信号；
对高分辨率信号进行置零活收缩处理；
再对高、低分辨率信号进行小波分解逆变换，重建去噪后的胎儿心电图信号。
4.一种融合小波和fastICA的胎儿心电提取装置，其特征在于，包括作用于母体腹部，用于采集原始混合心电信号X的信号采集装置，以及用于接收所述原始混合心电信号X的计算机，所述计算机被编程以执行权利要求1、2或3所述的步骤S2至步骤S5。
CN201810794011.XA 2018-07-19 2018-07-19 一种融合小波和fastICA的胎儿心电提取方法及装置 Pending CN109009083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810794011.XA CN109009083A (zh) 2018-07-19 2018-07-19 一种融合小波和fastICA的胎儿心电提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810794011.XA CN109009083A (zh) 2018-07-19 2018-07-19 一种融合小波和fastICA的胎儿心电提取方法及装置

Publications (1)

Publication Number Publication Date
CN109009083A true CN109009083A (zh) 2018-12-18

Family

ID=64643291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810794011.XA Pending CN109009083A (zh) 2018-07-19 2018-07-19 一种融合小波和fastICA的胎儿心电提取方法及装置

Country Status (1)

Country Link
CN (1) CN109009083A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110123368A (zh) * 2019-05-28 2019-08-16 南京邮电大学 一种基于pca串并融合的多路心音特征表征方法
CN116784861A (zh) * 2023-06-09 2023-09-22 中国科学技术大学 基于周期性快速独立向量分析的胎儿心电信号识别方法
CN117442212A (zh) * 2023-12-25 2024-01-26 科普云医疗软件(深圳)有限公司 一种用于产科护理的智能监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101554325A (zh) * 2009-05-15 2009-10-14 南京大学 胎儿心电图的分离提取方法
CN101972145A (zh) * 2010-10-12 2011-02-16 华南理工大学 一种基于源信号时域相对稀疏性的胎儿心电盲分离方法
CN102160787A (zh) * 2011-05-31 2011-08-24 广东工业大学 一种基于时频变换的胎儿心电盲提取方法
CN104027105A (zh) * 2014-04-23 2014-09-10 河南科技大学 一种新型母胎心电分离方法
CN107411736A (zh) * 2017-03-10 2017-12-01 孙彪 胎儿心电信号检测系统
CN108013872A (zh) * 2018-01-10 2018-05-11 北京大学第三医院 用于母体胎儿心率监测的系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101554325A (zh) * 2009-05-15 2009-10-14 南京大学 胎儿心电图的分离提取方法
CN101972145A (zh) * 2010-10-12 2011-02-16 华南理工大学 一种基于源信号时域相对稀疏性的胎儿心电盲分离方法
CN102160787A (zh) * 2011-05-31 2011-08-24 广东工业大学 一种基于时频变换的胎儿心电盲提取方法
CN104027105A (zh) * 2014-04-23 2014-09-10 河南科技大学 一种新型母胎心电分离方法
CN107411736A (zh) * 2017-03-10 2017-12-01 孙彪 胎儿心电信号检测系统
CN108013872A (zh) * 2018-01-10 2018-05-11 北京大学第三医院 用于母体胎儿心率监测的系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
严文鸿 等: "基于小波变换和匹配滤波的胎儿心电信号R波检测", 《中国医疗器械杂志》 *
余尤好 等: "基于小波分析和神经网络的胎儿心电提取", 《莆田学院学报》 *
刘永坚 等: "《现代电子战支援侦察系统分析与设计》", 31 December 2016, 国防工业出版社 *
洪永淼: "《概率论与统计学》", 30 June 2017, 中国统计出版社 *
申丽岩: "改进的ICA胎儿心电信号提取法", 《计算机仿真》 *
蔡坤宝 等: "应用独立分量分析的胎儿心电信号提取", 《重庆大学学报》 *
虞和济，第443页: "《设备故障诊断工程》", 30 June 2001, 冶金工业出版社 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110123368A (zh) * 2019-05-28 2019-08-16 南京邮电大学 一种基于pca串并融合的多路心音特征表征方法
CN110123368B (zh) * 2019-05-28 2021-11-26 南京邮电大学 一种基于pca串并融合的多路心音特征表征方法
CN116784861A (zh) * 2023-06-09 2023-09-22 中国科学技术大学 基于周期性快速独立向量分析的胎儿心电信号识别方法
CN116784861B (zh) * 2023-06-09 2024-03-29 中国科学技术大学 基于周期性快速独立向量分析的胎儿心电信号识别方法
CN117442212A (zh) * 2023-12-25 2024-01-26 科普云医疗软件(深圳)有限公司 一种用于产科护理的智能监测方法
CN117442212B (zh) * 2023-12-25 2024-03-12 科普云医疗软件(深圳)有限公司 一种用于产科护理的智能监测方法

Similar Documents

Publication Publication Date Title
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
Karpagachelvi et al. ECG feature extraction techniques-a survey approach
Yuan et al. An improved FastICA method for fetal ECG extraction
Wu et al. A novel method to detect multiple arrhythmias based on time-frequency analysis and convolutional neural networks
CN109009083A (zh) 一种融合小波和fastICA的胎儿心电提取方法及装置
Zeng et al. Classification of myocardial infarction based on hybrid feature extraction and artificial intelligence tools by adopting tunable-Q wavelet transform (TQWT), variational mode decomposition (VMD) and neural networks
Lee et al. Personal identification using a robust eigen ECG network based on time-frequency representations of ECG signals
Kang et al. A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm
Vaneghi et al. A comparative approach to ECG feature extraction methods
CN109009073A (zh) 房颤检测装置及存储介质
Bianchi et al. Time-frequency analysis of biomedical signals
Tallon et al. Dynamical and stabilometric measures are complementary for the characterization of postural fluctuations in older women
Swain et al. Automated detection of myocardial infarction in ECG using modified Stockwell transform and phase distribution pattern from time-frequency analysis
Wang et al. Fetal electrocardiogram extraction based on fast ICA and wavelet denoising
Zhang et al. Automated localization of myocardial infarction from vectorcardiographic via tensor decomposition
Wang et al. Fetal ECG signal extraction from long-term abdominal recordings based on adaptive QRS removal and joint blind source separation
CN113842115A (zh) 一种改进的eeg信号特征提取方法
Islam et al. Blind source separation of fetal ECG using fast independent component analysis and principle component analysis
Degirmenci et al. Synchrosqueezing transform in biomedical applications: A mini review
Meng et al. P300 detection with adaptive filtering and EEG spectrogram graph
Dembrani et al. Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE
Rajendran et al. Classification of heart disease from ECG signals using Machine Learning
Tripathi et al. Statistical analysis of HRV parameters for the detection of Arrhythmia
Li et al. Joint Improved Fast Independent Component Analysis and Singular Value Decomposition for Fetal Electrocardiogram Extraction
Albera et al. Biomedical applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181218

RJ01 Rejection of invention patent application after publication