CN109711073B - 一种基于稀疏表示的心肺音混叠信号盲源分离方法 - Google Patents
一种基于稀疏表示的心肺音混叠信号盲源分离方法 Download PDFInfo
- Publication number
- CN109711073B CN109711073B CN201811635603.3A CN201811635603A CN109711073B CN 109711073 B CN109711073 B CN 109711073B CN 201811635603 A CN201811635603 A CN 201811635603A CN 109711073 B CN109711073 B CN 109711073B
- Authority
- CN
- China
- Prior art keywords
- aliasing
- heart
- signals
- signal
- sound
- 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
Images
Abstract
本发明涉及信号处理领域,具体涉及一种基于稀疏表示的心肺音混叠信号盲源分离方法,本发明从心音信号具有稀疏特性出发,提出一种基于稀疏表示的盲源分离方法。首先,在临床上采集心肺音信号;其次,对心肺音混叠信号进行数学建模,得到心肺音混叠模型的数学表达式;然后,利用高阶累积量方法盲辨识混叠通道,估计混叠矩阵;最后,利用稀疏表示方法分离出心肺音信号。本发明从理论上证明了该方法的有效性,同时从数值实验上验证该方法的优越性,具有很强的创造性。
Description
技术领域
本发明涉及信号处理领域,具体涉及一种基于稀疏表示的心肺音混叠信号盲源分离方法。
背景技术
当我们把手放在左边胸腔附近就能感受到心脏的跳动,用听诊器就能听到“扑通扑通”的跳动声,这就是心音。心音是由于心肌的收缩和舒张,心脏瓣膜的启动和关闭,血液撞击心室壁、大动脉壁等引起的震动所产生的生理信号。心音信号中含有很多有价值的临床诊断信息,能够预知疾病,在临床医学上有很好的应用价值。但是,人体心脏出于一个相对比较复杂的环境中,提取心音信号的同时往往夹杂着人体的呼吸声,提取装置与胸腔的摩擦音,病人的语音以及其他的一些杂音,给提取纯净的心音信号带来了困难。
在信号处理领域,我们把这种源信号无法精确获知,并且传输通道也未知,只利用观测信号分离出源信号的过程称为“盲源分离”。近年来盲源分离已经成为信号处理领域的研究热点,在无线网络通信信号、生物医学信号、军事信号、语音信号以及图像信号等领域具有很好的应用前景。而心音信号是一种生理医学信号,可以利用盲源分离技术去处理心肺音混叠信号,提取出纯净的心音信号,在临床医学方面具有很好的应用背景。目前,已提出的部分盲分离方法包括:正交匹配追踪(OMP)算法、L0范数算法、时频掩蔽(Bm)算法、期望最大值(EM)算法、乘法更新(MU)算法等。但是这些算法本身具有一定的局限性,例如算法的收敛性问题一直没能得到充分的解决,在理论上都缺少严格的数学基础,以及算法的分离性能不理想等等。
本发明提出一种基于稀疏表示的盲源分离方法,充分利用心音信号的稀疏特性,然后利用盲源分离技术分离心肺音信号。在临床医学上,该发明具有很好的实际应用价值。
发明内容
针对现有技术的不足,本发明公开了一种基于稀疏表示的心肺音混叠信号盲源分离方法,本发明利用高阶统计累积量估计混叠通道矩阵,给出了严格的数学理论证明;利用稀疏表示分离心音信号,对比于现今比较流行的几种盲分离算法,本发明的分离性能更优越。
本发明通过以下技术方案予以实现:
一种基于稀疏表示的心肺音混叠信号盲源分离方法,其特征在于:所述分离方法包括以下步骤:
S1、在临床上采集一组肺音信号和三组心音信号,合成两通道的心肺音混叠信号;
S2、对心肺音混叠信号进行数学建模;
S3、对S2中的数学模型估计混叠矩阵A;
S4、利用S3估计的混叠矩阵A,使用稀疏表示的方法分离源信号。
优选的,所述心肺音混叠信号为两通道两个源信号的线性混叠信号和两通道三个源信号的欠定的线性混叠信号。
x(t)=A·s(t)
其中,κr是第r源信号的峰度,(·)*是复共轭;
Cx=(A⊙A*)·Cs·(A⊙A*)H
Cx=E·D·EH
则
Cx=(A⊙A*)·Cs·(A⊙A*)H=E·D·EH
进而,
优选的,所述S4中,分离源信号时,
考虑优化问题:(0<p<1)
定义拉格朗日函数
L(s,λ)=J(s)+λT(As-x)
由
|p|Π(s)s+ATλ=0
可得
代入As=x中,得
λ=-|p|(AΠ-1(s)AT)-1x
进而得到
s=Π-1(s)AT[AΠ-1(s)AT]-1x
然后,利用更新公式估计源信号,即
本发明的有益效果为:
本发明从心音信号具有稀疏特性出发,提出一种基于稀疏表示的盲源分离方法。首先,在临床上采集心肺音信号;其次,对心肺音混叠信号进行数学建模,得到心肺音混叠模型的数学表达式;然后,利用高阶累积量方法盲辨识混叠通道,估计混叠矩阵;最后,利用稀疏表示方法分离出心肺音信号。本发明从理论上证明了该方法的有效性,同时从数值实验上验证该方法的优越性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的流程图;
图2是本发明实施例的心肺音信号波形图;
图3是本发明实施例的混叠通道波形图;
图4是本发明实施例的分离的心肺音信号波形图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示的一种基于稀疏表示的心肺音混叠信号盲源分离方法,所述分离方法包括以下步骤:
S1、在临床上采集一组肺音信号和三组心音信号,合成两通道的心肺音混叠信号;
S2、对心肺音混叠信号进行数学建模;
S3、对S2中的数学模型估计混叠矩阵A;
S4、利用S3估计的混叠矩阵,使用稀疏表示的方法分离源信号。
通过两组具体仿真实验来说明该算法的可行性与优越性,所有实验是在Ubuntu15.04,Inter(R)Xeon(R)CPU E5-2630v3@2.40GHz,32.00GB,Matlab R2016b环境下编程实现的。
首先,我们考虑一个心音信号和一个肺音信号的双通道混叠盲源分离情形,测试的心肺音数据来自临床上采集的数据集。心肺音信号波形图如下图2所示,混叠通道波形图如下图3所示,利用该方法分离出的心肺音信号波形图如下图4所示。对比图2与图4发现,心肺音信号被很好地分离出来,所以该方法在处理心肺音混叠信号是有效的。另外,我们选用信噪比(SDR)和信号干扰比(SIR)作为性能指标,SDR和SIR越大说明分离性能越好。同时,对比了几种比较流行的盲分离算法,结果如下表1,显然,我们的算法性能相对更优越。
表1.心肺音信号分离性能对比
然后,我们考虑两通道三个心音信号混叠的欠定情形,分别测试了几种现今比较流行的盲分离算法,分离性能对比结果如下表2。显然,我们所提出的算法分离出的每个心音信号的SDR与SIR值都比其他算法的结果好。另外,该方法不局限于两通道的混叠,对于多通道的欠定混叠仍然有效。所以,本发明在处理心肺音线性混叠信号以及欠定情况下的心音混叠信号具有明显的优势。在临床医学上,可以应用于分离纯净的心音信号,为预防心脏疾病提供了很好的参考价值。
表2心音信号分离性能对比
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种基于稀疏表示的心肺音混叠信号盲源分离方法,其特征在于:所述分离方法包括以下步骤:
S1、在临床上采集一组肺音信号和三组心音信号,合成两通道的心肺音混叠信号;
S2、对心肺音混叠信号进行数学建模;
S3、对S2中的数学模型估计混叠矩阵A;
S4、利用S3估计的混叠矩阵A,使用稀疏表示的方法分离源信号;
x(t)=A·s(t)
其中,κr是第r源信号的峰度,(·)*是复共轭;
Cx=(A⊙A*)·Cs·(A⊙A*)H
Cx=E·D·EH
则
Cx=(A⊙A*)·Cs·(A⊙A*)H=E·D·EH
进而,
所述S4中,分离源信号时,
考虑优化问题:(0<p<1)
定义拉格朗日函数
L(s,λ)=J(s)+λT(As-x)
由
|p|Π(s)s+ATλ=0
可得
代入As=x中,得
λ=-|p|(AΠ-1(s)AT)-1x
进而得到
s=Π-1(s)AT[AΠ-1(s)AT]-1x
然后,利用更新公式估计源信号,即
s(k+1)=Π-1(s(k))AT[AΠ-1(s(k))AT]-1x。
2.根据权利要求1所述的基于稀疏表示的心肺音混叠信号盲源分离方法,其特征在于:所述心肺音混叠信号为两通道两个源信号的线性混叠信号和两通道三个源信号的欠定的线性混叠信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811635603.3A CN109711073B (zh) | 2018-12-29 | 2018-12-29 | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811635603.3A CN109711073B (zh) | 2018-12-29 | 2018-12-29 | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711073A CN109711073A (zh) | 2019-05-03 |
CN109711073B true CN109711073B (zh) | 2022-11-22 |
Family
ID=66259527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811635603.3A Active CN109711073B (zh) | 2018-12-29 | 2018-12-29 | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711073B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110236589B (zh) * | 2019-06-03 | 2022-04-29 | 苏州美糯爱医疗科技有限公司 | 一种电子听诊器的实时心肺音自动分离方法 |
CN110491408B (zh) * | 2019-07-16 | 2021-12-24 | 广东工业大学 | 一种基于稀疏元分析的音乐信号欠定混叠盲分离方法 |
CN114965367A (zh) * | 2022-06-14 | 2022-08-30 | 广东工业大学 | 一种用于光学层析测量的混叠正弦波信号分离方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
CN104375976A (zh) * | 2014-11-04 | 2015-02-25 | 西安电子科技大学 | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 |
WO2016070167A1 (en) * | 2014-11-01 | 2016-05-06 | Mayo Foundation For Medical Education And Research | Sparse reconstruction strategy for multi-level sampled mri |
CN107392149A (zh) * | 2017-07-21 | 2017-11-24 | 广东工业大学 | 一种人体心肺音实时盲分离方法及系统 |
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 |
CN108764184A (zh) * | 2018-06-01 | 2018-11-06 | 广东工业大学 | 一种心肺音信号的分离方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3355787B1 (en) * | 2015-09-29 | 2022-06-08 | Koninklijke Philips N.V. | Device, system and method for extracting physiological information |
-
2018
- 2018-12-29 CN CN201811635603.3A patent/CN109711073B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339620A (zh) * | 2008-08-13 | 2009-01-07 | 哈尔滨工业大学 | 未知数目稀疏源盲分离的混叠矩阵估计方法 |
WO2016070167A1 (en) * | 2014-11-01 | 2016-05-06 | Mayo Foundation For Medical Education And Research | Sparse reconstruction strategy for multi-level sampled mri |
CN104375976A (zh) * | 2014-11-04 | 2015-02-25 | 西安电子科技大学 | 基于张量正则分解的欠定盲源分离中的混合矩阵识别方法 |
CN107392149A (zh) * | 2017-07-21 | 2017-11-24 | 广东工业大学 | 一种人体心肺音实时盲分离方法及系统 |
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 |
CN108764184A (zh) * | 2018-06-01 | 2018-11-06 | 广东工业大学 | 一种心肺音信号的分离方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
"A SPARSE COMPONENT MODEL OF SOURCE SIGNALS AND ITS APPLICATION TO BLIND SOURCE SEPARATION";Yu Kitano等;《2010 IEEE International Conference on Acoustics, Speech and Signal Processing》;20100628;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109711073A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711073B (zh) | 一种基于稀疏表示的心肺音混叠信号盲源分离方法 | |
CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
Xiong et al. | ECG signal enhancement based on improved denoising auto-encoder | |
CN107007279B (zh) | 一种基于堆栈式自编码器的无创心内异常激动点定位方法 | |
Das et al. | Fractional dynamical model for the generation of ECG like signals from filtered coupled Van-der Pol oscillators | |
Aqajari et al. | An end-to-end and accurate ppg-based respiratory rate estimation approach using cycle generative adversarial networks | |
EP3270774A2 (en) | Continuous non-invasive monitoring of a pregnant human subject | |
Laurin et al. | Accurate and consistent automatic seismocardiogram annotation without concurrent ECG | |
JP2021186686A (ja) | コヒーレントアルゴリズムを使用したローカルノイズ識別 | |
CN112957054B (zh) | 一种基于通道注意力分组残差网络的12导联心电信号分类方法 | |
Argunşah et al. | AR-PCA-HMM approach for sensorimotor task classification in EEG-based brain-computer interfaces | |
de Morais Goulart et al. | Alternating group lasso for block-term tensor decomposition and application to ECG source separation | |
EP3054841A1 (en) | An apparatus and method for evaluating multichannel ecg signals | |
CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
Pilia et al. | Quantification and classification of potassium and calcium disorders with the electrocardiogram: What do clinical studies, modeling, and reconstruction tell us? | |
Jamshidian-Tehrani et al. | Fetal ECG extraction from time-varying and low-rank noninvasive maternal abdominal recordings | |
CN113384277A (zh) | 心电数据的分类方法及分类系统 | |
Xiong et al. | Enhancing the detection of atrial fibrillation from wearable sensors with neural style transfer and convolutional recurrent networks | |
Salazar et al. | System of heart and lung sounds separation for store-and-forward telemedicine applications | |
Kotas | Combined application of independent component analysis and projective filtering to fetal ECG extraction | |
WO2018023698A1 (zh) | 一种胎儿心电分离方法及装置 | |
Erem et al. | Combined delay and graph embedding of epileptic discharges in EEG reveals complex and recurrent nonlinear dynamics | |
Tong et al. | Heart sound separation using fast independent component analysis | |
Gupta et al. | Classification of homomorphic segmented phonocardiogram signals using grow and learn network | |
Sarfraz et al. | Independent component analysis methods to improve electrocardiogram patterns recognition in the presence of non-trivial artifacts |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |