CN116784861B - 基于周期性快速独立向量分析的胎儿心电信号识别方法 - Google Patents
基于周期性快速独立向量分析的胎儿心电信号识别方法 Download PDFInfo
- Publication number
- CN116784861B CN116784861B CN202310683462.7A CN202310683462A CN116784861B CN 116784861 B CN116784861 B CN 116784861B CN 202310683462 A CN202310683462 A CN 202310683462A CN 116784861 B CN116784861 B CN 116784861B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- parent
- fetal
- vector
- signal
- 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 74
- 239000013598 vector Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000000737 periodic effect Effects 0.000 claims abstract description 32
- 230000008774 maternal effect Effects 0.000 claims abstract description 27
- 210000001015 abdomen Anatomy 0.000 claims abstract description 18
- 210000002458 fetal heart Anatomy 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000003187 abdominal effect Effects 0.000 description 8
- 238000000926 separation method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 101000739754 Homo sapiens Semenogelin-1 Proteins 0.000 description 1
- 102100037550 Semenogelin-1 Human genes 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001308 heart ventricle Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
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
- A61B5/24—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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- A61B2503/02—Foetus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于周期性快速独立向量分析的胎儿心电信号识别方法，包括：1、采集孕妇腹部处的表面心电信号；2、表面心电信号采用快速独立向量分析分解腹部心电信号，估计初始母体心电R波尖峰序列；3、将初始母体心电R波尖峰序列作为相对约束，采用基于周期性约束的快速独立向量分析估计母体心电R波尖峰序列；4、采用奇异值分解估计母体心电信号波形；5、从胎儿多通道心电信号中去除母体心电信号波形，得到估计的剩余信号，并作为胎儿多通道剩余心电信号；6、按照步骤2‑步骤4的过程对胎儿多通道剩余心电信号进行处理，得到胎儿心电信号R波尖峰序列和胎儿心率。本发明能够提高胎儿心电信号提取的精度，能够对胎儿心率进行检测。
Description
技术领域
本发明属于生物信号处理技术领域，具体涉及一种基于周期性快速独立向量分析的胎儿心电信号识别方法，主要应用于胎儿心率检测。
背景技术
胎儿心电信号(Fetal Electrocardiogram,FECG)能够反映胎儿心脏活动的电生理信号，其中，胎儿的R波代表心脏左右心室进行去极化操作，R波提取是胎儿心脏信号特征识别的重要步骤，根据相邻R波得到R-间隔，能够对胎儿心率进行计算。腹部表面心电信号(Abdominal surface Electrocardiogram,AECG)是一种在孕妇腹部表面采集得到的心电信号，具有无创、安全、便于携带和采集等优点，研究者希望能够从腹部心电信号提取胎儿心电信号，以实现无创胎儿心率监测。然而，由于FECG信号振幅非常微弱，且在腹部采集的心电信号是由母体心电信号(Maternal Electrocardiogram,MECG)、FECG、表面肌电信号(Surface Electromyography,SEMG)，测量噪声等多种信号在表面电极处叠加的结果，故难以直接胎儿心电信号的波形进行提取。
因为母体心电信号在对胎儿心电信号检测的影响较大，传统方法如自适应滤波(Adaptive filter,AF)，模板匹配(template subtraction,TS)在通过去除母体心电信号的基础上增强胎儿心电信号波形，以提高胎儿心电信号识别准确率。但上述方法并不能完全将母体心电信号进行去除，不可避免地会引入噪声。近年来，深度学习由于其具有强大非线性学习能力，也逐渐被用于生物电信号的处理中，如：对抗神经网络(generativeadversarial network,GAN)，长短时记忆网络(long short-term memory network,LSTM)等都被应用于胎儿心电信号检测，并取得了较好的效果。然而，神经网络的训练需要大量训练样本以及反复的调参工作，其结果往往会受到训练数据分布的影响，这些都导致算法在实际应用性能下降。
胎儿心电信号的检测本质上是盲源分离(Blind source separation,BSS)问题，基于高阶独立源假设，基于盲源分离的方法能够直接从孕妇腹部心电信号中分离母体以及胎儿的心电信号。然而，现有的基于盲源分离的方法如主成分分析(principal componentanalysis,PCA)，独立向量分析(independent component analysis,ICA)易受到信号中噪声的影响，且信号源成分数量需要少于观测源数量，这些都会导致胎儿心电信号无法完全从混叠信号中分离，或者导致分离出的胎儿心电信号出现错误。
发明内容
本发明为了克服现有的基于盲源分离方法的不足之处，提出一种基于周期性快速独立向量分析的胎儿心电信号识别方法，以期能够在伴有噪声干扰的腹部心电信号中成功分离胎儿心电信号，同时能提高提取的胎儿心电信号R波检测的准确率。
本发明为解决技术问题，采用如下技术方案：
本发明一种基于周期性快速独立向量分析的胎儿心电信号识别方法的特点在于，是按如下步骤进行：
步骤1、获取孕妇腹部处表面所采集的N通道表面心电信号并进行去噪处理后，得到腹部表面心电信号数据，记为E'(t)＝[e1(t),e2(t),…,el(t),…,eN(t)]T，其中，el(t)表示t时刻去噪后的第l个通道的心电信号；T表示转置；
步骤2、采用快速独立向量分析法分解所述腹部表面心电信号数据E'(t)，以估计初始母体心电R波尖峰序列r：
步骤2.1、定义并初始化母体多通道剩余心电信号er＝E'(t)；
步骤2.2、对母体多通道剩余心电信号er进行扩展与白化处理，得到母体球化信号
步骤2.3、对母体球化信号进行快速独立分量分解，得到母体解混向量W；
步骤2.4、计算初始心电信号成分从Y＝[y1,y2,…,yN]T中选择一列分量作为初始母体心电信号成分y，将y中高于选择阈值/>的所有局部峰值作为初始母体心电R波尖峰序列r；
步骤3、将初始母体心电R波尖峰序列r作为约束，采用基于周期性约束的快速独立向量分析法估计最终的母体心电R波尖峰序列
步骤3.1、定义并初始化迭代次数k＝1；定义并初始化第k次迭代的两个拉格朗日乘子αk，μk，定义并初始化两个惩罚因子γ，β；
定义并随机初始化一个解混向量w在第k次迭代的计算结果为wk；
定义第k次迭代的相关性函数为定义第k次迭代的周期性函数为/> 其中，/>为yk经过延迟/>的信号，/>为第k次迭代中的相关性下界，/>为第k次迭代中的周期性下界；yk表示第k次迭代中根据/>求得的母体心电信号成分，(yk)T为yk的转置；E表示期望；
步骤3.2、通过式(1)得到解混向量w在第k次迭代正交化后的计算结果
式(1)中，G'表示非多项式G的一阶函数；表示/>的一阶函数，/>表示/>的一阶函数；
步骤3.3、通过式(2)得到解混向量w在第k+1次迭代的计算结果wk+1：
步骤3.4、通过式(3)和式(4)分别得到第k+1次迭代的两个拉格朗日乘子αk+1，μk+1：
步骤3.5、若k<θ，则将赋值k+1给k，返回步骤3.2顺序执行，否则，表示得到解混向量w在第θ次迭代的计算结果wθ；其中，θ代表的迭代次数上限；
步骤3.6、根据wθ计算最终的母体心电信号成分将y*中高于选择阈值/>的所有局部峰值作为最终估计得到的母体心电R波尖峰序列/>
步骤4、采用奇异值分解估计母体心电R波尖峰序列中的母体心电信号波形M；
步骤5、将M从母体多通道剩余心电信号er中去除，得到估计的剩余信号并作为胎儿多通道剩余心电信号；
步骤6、按照步骤2.2-步骤4的过程对进行处理后，得到胎儿心电信号R波尖峰序列/>从而根据/>估计胎儿心电信号的R-R发放间隔，并得到胎儿心率。
本发明所述的基于周期性快速独立向量分析的胎儿心电信号识别方法的特点也在于，所述步骤2.2包括：
步骤2.2.1、对母体多通道剩余心电信号er进行扩展，得到母体扩展信号 其中，el(t-L+1)表示第l通道母体剩余心电信号经过L+1延迟得到的信号，L表示母体扩展信号的延迟因子；
步骤2.2.2、对母体扩展信号进行球化处理，得到母体球化信号 其中，/>表示球化后得到的第l通道母体扩展心电信号，L表示母体扩展信号的延迟因子。
所述步骤2.3包括：
步骤2.3.1、定义并初始化当前母体解混向量的个数为i＝1；
步骤2.3.2、定义并初始化当前迭代次数j＝0；令τ代表的迭代次数上限；定义第i个母体解混向量wi在第j次迭代的计算结果记为并随机初始化/>
步骤2.3.3、根据式(5)求解第i个母体解混向量wi在第j+1次的计算结果
式(5)中，E表示数学期望，G”为G的二阶导数；表示/>的转置；
步骤2.3.4、若i＝0，将直接作为第j+1次正交化后的计算结果/>若i>1，则利用式(6)对/>进行正交化处理后，得到第j+1次正交化后的计算结果/>
式(6)中，wp表示第p个母体解混向量；
步骤2.3.5、利用式(7)对正交化后的计算结果进行正则化后，得到第i个母体解混向量wi在第j+1次的计算结果/>
步骤2.3.6、如果j<τ，则将j+1赋值给j，返回步骤2.3.3顺序执行，否则，执行步骤2.3.7；
步骤2.3.7、若i<N，则表示得到第i个母体解混向量并将i+1赋值给i后，返回步骤2.3.2顺序执行，否则，表示得到母体解混向量W＝{wi|i＝1,2,…,N}。
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述胎儿心电信号识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述胎儿心电信号识别方法的步骤。
与现有技术相比，本发明的有益效果在于：
1.本发明通过基于盲源分离的方法能够直接估计初始母体和胎儿心电信号，不需要进行类似神经网络方法中的数据训练以及参数调节等工作，使得本发明能够快速满足胎儿心电信号的分离需求；
2、本发明通过同时结合相关性约束和周期性约束的基于周期性快速独立向量分析(Periodic constrained FastICA,pcfICA)方法，能够检查初始母体和胎儿心电信号错误或遗漏的R波发放序列，从腹部心电信号中检测胎儿心电信号，提高了在有噪声干扰情况下识别方法的鲁棒性；
3.本发明通过奇异值分解有效排除在识别胎儿心电信号时母体心电信号的干扰，并对胎儿心电信号波形进行保留，从而提高了胎儿心电信号识别的准确性。
附图说明
图1为本发明识别方法的流程示意图。
具体实施方式
本实施例中，一种基于周期性快速独立向量分析的胎儿心电信号识别方法，如图1所示，包括如下步骤：
步骤1、获取孕妇腹部处表面所采集的N通道表面心电信号并进行去噪处理后，得到腹部表面心电信号数据，记为E'(t)＝[e1(t),e2(t),…,el(t),…,eN(t)]T，其中，el(t)表示t时刻去噪后的第l个通道的心电信号；T表示转置；
具体实施中包括：
(1)本实验选定PhysioNet/CinC Challenge 2013 set-a公开数据集(以下简称NIFECGA)的腹部心电数据。
(2)NIFECGA记录了75位孕妇的腹部心电数据信号，每段信号记录时间均为1分钟，采样频率为1000Hz，包括4通道心电信号，以及胎儿心电信号的专家注释，由于a33,a38,a47,a52,a54,a71,a74记录的注释存在错误被排除，该实例采用其余68条记录进行实验，通过wfdb工具包解析腹部心电信号和胎儿心电信号注释。
步骤2、采用快速独立向量分析法分解腹部表面心电信号数据E'(t)，以估计初始母体心电R波尖峰序列r：
步骤2.1、定义并初始化母体多通道剩余心电信号er＝E'(t)；
步骤2.2、对母体多通道剩余心电信号er进行扩展与白化处理，得到母体球化信号
步骤2.2.1、对母体多通道剩余心电信号er进行扩展，得到母体扩展信号 其中，el(t-L+1)表示第l通道母体剩余心电信号经过L+1延迟得到的信号，L表示母体扩展信号的延迟因子；
步骤2.2.2、对母体扩展信号进行球化处理，得到母体球化信号 其中，/>表示球化后得到的第l通道母体扩展心电信号，L表示母体扩展信号的延迟因子；
步骤2.3、对母体球化信号进行快速独立分量分解，得到母体解混向量W；
步骤2.3.1、定义并初始化当前母体解混向量的个数为i；
步骤2.3.2、定义并初始化当前迭代次数j＝0；令τ代表的迭代次数上限；定义第i个母体解混向量wi在第j次迭代的计算结果记为并随机初始化/>
步骤2.3.3、根据式(5)求解第i个母体解混向量wi在第j+1次的计算结果
式(5)中，E表示数学期望，G”为G的二阶导数；表示/>的转置；
步骤2.3.4、利用式(6)对进行正交化处理后，得到第j+1次正交化后的计算结果/>
式(6)中，若i＝0，将直接赋值给/>若i>1，则在已求得的母体解混向量的基础上进行正交化，得到正交化后的计算结果/>其中，wp表示在前面的迭代中已求得的第p个母体解混向量；
步骤2.3.5、利用式(7)对正交化后的计算结果进行正则化后，得到第i个母体解混向量wi在第j+1次的计算结果/>
步骤2.3.6、如果j<τ，则将j+1赋值给j，返回步骤2.3.3顺序执行，否则，执行步骤2.3.7；
步骤2.3.7、若i<N，则表示得到第i个母体解混向量并将i+1赋值给i后，返回步骤2.3.2顺序执行，否则，表示得到母体解混向量W＝{wi|i＝1,2,…,N}；
步骤2.4、计算初始心电信号成分从Y＝[y1,y2,…,yN]T中选择一列分量作为初始母体心电信号成分y，将y中高于选择阈值/>的所有局部峰值作为初始母体心电R波尖峰序列r；
具体实施中包括：利用单次估计一个向量的快速独立分量分析来估计源信号。步骤2.2中的信号扩展和球化部分，延迟因子L选择为3，这与采样率和通道的数目有关；步骤2.3的算法执行总次数为4，因为源信号数量为4，且源信号数量一般不多于观测通道的数量；步骤2.3.6的迭代次数上限θ可以设置为100；步骤2.4阈值的选取规则为尽量包含较多心电信号的R峰，在此条件上尽可能包含较少的噪声，默认阈值源信号振幅的90％分位点
步骤3、将初始母体心电R波尖峰序列r作为约束，采用基于周期性约束的快速独立向量分析法估计最终的母体心电R波尖峰序列
步骤3.1、定义并初始化迭代次数k＝1；定义并初始化第k次迭代的两个拉格朗日乘子αk，μk，定义并初始化两个惩罚因子γ，β；
定义并随机初始化一个解混向量w在第k次迭代的计算结果为wk；
定义第k次迭代的相关性函数为定义第k次迭代的周期性函数为/> 其中，/>为yk经过延迟/>的信号，/>为第k次迭代中的相关性下界，/>为第k次迭代中的周期性下界；yk表示第k次迭代中根据/>求得的母体心电信号成分，(yk)T为yk的转置；E表示期望；
步骤3.2、通过式(1)得到解混向量w在第k次迭代正交化后的计算结果
式(1)中，G'表示非多项式G的一阶函数；表示/>的一阶函数，/>表示/>的一阶函数；
步骤3.3、通过式(2)得到解混向量w在第k+1次迭代的计算结果wk+1：
步骤3.4、通过式(3)和式(4)分别得到第k+1次迭代的两个拉格朗日乘子αk+1，μk+1：
步骤3.5、若k<θ，则将赋值k+1给k，返回步骤3.2顺序执行，否则，表示得到解混向量w在第θ次迭代的计算结果wθ；其中，θ代表的迭代次数上限；
步骤3.6、根据wθ计算最终的母体心电信号成分将y*中高于选择阈值/>的所有局部峰值作为最终估计得到的母体心电R波尖峰序列/>
在本实例中，步骤3是对步骤2得到的初始母体心电信号R峰序列进行可靠性估计，将步骤3得到的初始母体心电信号R峰序列作为参考信号，通过限制解空间更新解混向量，求解与参考信号相似的心电信号发放序列，排除其他局部解空间对估计解混向量的影响；步骤3.1中相关性约束的惩罚因子初始设置为一个接近0的小数，通常设置为0.01；同时通过周期性约束更新解混向量，求解周期分量，以排除肌电信号或测量噪声等非周期噪声的影响；步骤3.1中周期性约束的惩罚因子初始设置为一个接近0的小数，通常设置为0.01；y的延迟信号中延迟因子/>的取值为/>其中，L为信号长度。
步骤4、采用奇异值分解估计母体心电R波尖峰序列中的母体心电信号波形M；
步骤4.1、建立各通道波形矩阵A，其中，表示第i个波形的第j个样本，然后求解ATA的奇异值ρ＝[ρ1,ρ2,…,ρN]和特征向量S＝[s1,s2,…,sN],V＝[v1,v2,…,vN]；其中，ρN表示第N个特征向量对应的奇异值，sN表示分解得到的第N个左特征向量，vN表示分解得到的第N个右特征向量。
步骤4.2、选择前σ个特征值进行母体心电信号重建，令σ＝3，得到各通道重构母体心电信号M＝[m1,m2,…,mN]，其中，mN表示由前σ个特征向值以及特征向量重构得到的通道N的重构母体心电信号；
在本实例中，a识别母体心电信号时取值为700，识别胎儿心电信号时取值为500，步骤4中选择特征值越大，代表该特征向量包含的周期性成分能量越高，包含越多母体心电信号的周期成分。若特征值太大，则会将许多不属于母体心电信号的成分都从剩余信号中去掉，导致最终识别效果的下降；若特征太小，则无法将母体心电信号的成分完全去除；故重构数量通常设为3，此值既能较好去除母体心电信号，又能在此基础上保留胎儿心电信号。
步骤5、将M从母体多通道剩余心电信号er中去除，得到估计的剩余信号并作为胎儿多通道剩余心电信号；
在本实例中，步骤5的剥离策略直接按照通道进行剥离，以排除已识别的母体心电信号会对胎儿心电信号的估计产生影响，以对后续胎儿心电信号进行估计和R波检测。
步骤6、按照步骤2.2-步骤4的过程对进行处理后，得到胎儿心电信号R波尖峰序列/>从而根据/>估计胎儿心电信号的R-R发放间隔，并得到胎儿心率。
在本实例中，假设已经知道需要提取的母体心电信号以及胎儿心电信号数量，在步骤5更新剩余信号后，将剩余信号按照步骤2.2进行球化，通过步骤2的快速独立分量分析估计初始胎儿心电信号，再通过步骤3基于约束周期性快速独立向量分析对初始胎儿心电信号进行可靠性估计，根据相关性约束和周期性约束更新解混向量，估计最终的胎儿心电信号，提取胎儿心电信号尖峰发放序列。最后通过步骤4估计得到胎儿心电信号的波形，并估计得到胎儿心率。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
为了量化评估本发明的效果，通过将本方法应用于公开数据集NIFECGA验证本算法的有效性，并与不包括步骤4基于约束周期性快速独立向量分析的方法，以及不包括步骤4.1中的周期性约束的方法在NIFECGA数据集上进行比较。本方法的的评价主要有4个指标，分别为敏感度(SEN)，特异性(PPV)，准确率(ACC)和F1分数(F1-score)，这四个指标越高，说明算法估计得到的胎儿心电信号具有更高的可靠性。
表1
对比实验中，将ADFECGA中的68条腹部心电信号记录通过算法进行胎儿心电信号的提取，并与数据库的注释进行比较，由于信号通过预处理的滤波操作，信号的R峰会出现偏移现象，同时受到各种噪声的抵消或叠加效应，若在估计的胎儿心电信号R峰位置于注释距离差小于50ms，则认为该胎儿心电信号的R峰估计是准确的。表1是ADFECG受试者的平均实验结果统计表，从表1中可以看出，相比于没有不包括步骤4基于约束周期性快速独立向量分析的方法(方法1)，以及不包括步骤4.1中的周期性约束的快速独立向量分析的方法(方法2)，所提出的基于约束周期性快速独立向量分析的方法(所提方法)有效改进了胎儿心电信号提取的准确度，可以看到，通过相关性约束对提取的胎儿心电信号进行可靠性评估后，F1分数从方法1的96.39％±1.27％和方法提升至方法2的99.01％±0.04％；此外，通过结合相关性约束和周期性约束共同评估提取的胎儿心电信号可靠性，F1分数被提升至99.36％±0.01％，证明了本发明在有噪声干扰时具有良好的鲁棒性。
综上所述，本发明能够从孕妇腹部心电信号中提取胎儿心电信号，通过基于约束周期性快速独立向量分析的方法对初步提取的胎儿心电信号进行可靠性估计，从而对胎儿心电成分估计时可能由于肌电、测量噪声等干扰导致的错误进行纠正，提高了胎儿心电信号识别的精度。与传统的基于盲源分离的方法相比，本发明具有更强的鲁棒性；与基于机器学习的方法相比，本发明能够在无监督的条件下进行胎儿心电信号的提取，具有更加广泛的应用前景，对于母婴健康监测领域具有重要意义。
Claims (5)
1.一种基于周期性快速独立向量分析的胎儿心电信号识别方法，其特征在于，是按如下步骤进行：
步骤1、获取孕妇腹部处表面所采集的N通道表面心电信号并进行去噪处理后，得到腹部表面心电信号数据，记为E′(t)＝[e1(t)，e2(t)，...，el(t)，...，eN(t)]T，其中，el(t)表示t时刻去噪后的第l个通道的心电信号；T表示转置；
步骤2、采用快速独立向量分析法分解所述腹部表面心电信号数据E′(t)，以估计初始母体心电R波尖峰序列r：
步骤2.1、定义并初始化母体多通道剩余心电信号er＝E′(t)；
步骤2.2、对母体多通道剩余心电信号er进行扩展与白化处理，得到母体球化信号
步骤2.3、对母体球化信号进行快速独立分量分解，得到母体解混向量W；
步骤2.4、计算初始心电信号成分从Y＝[y1，y2，...，yN]T中选择一列分量作为初始母体心电信号成分y，将y中高于选择阈值/>的所有局部峰值作为初始母体心电R波尖峰序列r；
步骤3、将初始母体心电R波尖峰序列r作为约束，采用基于周期性约束的快速独立向量分析法估计最终的母体心电R波尖峰序列
步骤3.1、定义并初始化迭代次数k＝1；定义并初始化第k次迭代的两个拉格朗日乘子αk，μk，定义并初始化两个惩罚因子γ，β；
定义并随机初始化一个解混向量w在第k次迭代的计算结果为wk；
定义第k次迭代的相关性函数为定义第k次迭代的周期性函数为 其中，/>为yk经过延迟θ的信号，/>为第k次迭代中的相关性下界，/>为第k次迭代中的周期性下界；yk表示第k次迭代中根据/>求得的母体心电信号成分，(yk)T为yk的转置；E表示期望；
步骤3.2、通过式(1)得到解混向量w在第k次迭代正交化后的计算结果
式(1)中，G′表示非多项式G的一阶函数；表示/>的一阶函数，/>表示/>的一阶函数；
步骤3.3、通过式(2)得到解混向量w在第k+1次迭代的计算结果wk+1：
步骤3.4、通过式(3)和式(4)分别得到第k+1次迭代的两个拉格朗日乘子αk+1，μk+1：
步骤3.5、若k＜σ，则将赋值k+1给k，返回步骤3.2顺序执行，否则，表示得到解混向量w在第σ次迭代的计算结果wσ；其中，σ代表的迭代次数上限；
步骤3.6、根据wσ计算最终的母体心电信号成分将y*中高于选择阈值的所有局部峰值作为最终估计得到的母体心电R波尖峰序列/>
步骤4、采用奇异值分解估计母体心电R波尖峰序列中的母体心电信号波形M；
步骤5、将M从母体多通道剩余心电信号er中去除，得到估计的剩余信号并作为胎儿多通道剩余心电信号；
步骤6、按照步骤2.2-步骤4的过程对进行处理后，得到胎儿心电信号R波尖峰序列/>从而根据/>估计胎儿心电信号的R-R发放间隔，并得到胎儿心率。
2.根据权利要求1所述的基于周期性快速独立向量分析的胎儿心电信号识别方法，其特征在于，所述步骤2.2包括：
步骤2.2.1、对母体多通道剩余心电信号er进行扩展，得到母体扩展信号 其中，el(t-L+1)表示第l通道母体剩余心电信号经过L+1延迟得到的信号，L表示母体扩展信号的延迟因子；
步骤2.2.2、对母体扩展信号进行球化处理，得到母体球化信号/> 其中，/>表示球化后得到的第l通道母体扩展心电信号，L表示母体扩展信号的延迟因子。
3.根据权利要求2所述的基于周期性快速独立向量分析的胎儿心电信号识别方法，其特征在于，所述步骤2.3包括：
步骤2.3.1、定义并初始化当前母体解混向量的个数为i＝1；
步骤2.3.2、定义并初始化当前迭代次数j＝0；令τ代表的迭代次数上限；定义第i个母体解混向量wi在第j次迭代的计算结果记为并随机初始化/>
步骤2.3.3、根据式(5)求解第i个母体解混向量wi在第j+1次的计算结果
式(5)中，E表示数学期望，G″为G的二阶导数；表示/>的转置；
步骤2.3.4、若i＝0，将直接作为第j+1次正交化后的计算结果/>若i＞1，则利用式(6)对/>进行正交化处理后，得到第j+1次正交化后的计算结果/>
式(6)中，wp表示第p个母体解混向量；
步骤2.3.5、利用式(7)对正交化后的计算结果进行正则化后，得到第i个母体解混向量wi在第j+1次的计算结果/>
步骤2.3.6、如果j＜τ，则将j+1赋值给j，返回步骤2.3.3顺序执行，否则，执行步骤2.3.7：
步骤2.3.7、若i＜N，则表示得到第i个母体解混向量并将i+1赋值给i后，返回步骤2.3.2顺序执行，否则，表示得到母体解混向量W＝{wi|i＝1，2，...，N}。
4.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-3中任一所述胎儿心电信号识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
5.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-3中任一所述胎儿心电信号识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310683462.7A CN116784861B (zh) | 2023-06-09 | 2023-06-09 | 基于周期性快速独立向量分析的胎儿心电信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310683462.7A CN116784861B (zh) | 2023-06-09 | 2023-06-09 | 基于周期性快速独立向量分析的胎儿心电信号识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116784861A CN116784861A (zh) | 2023-09-22 |
| CN116784861B true CN116784861B (zh) | 2024-03-29 |
Family
ID=88043251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310683462.7A Active CN116784861B (zh) | 2023-06-09 | 2023-06-09 | 基于周期性快速独立向量分析的胎儿心电信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116784861B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0229473D0 (en) * | 2002-12-18 | 2003-01-22 | Qinetiq Ltd | Signal separation system and method |
| 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 |
| CN104382614A (zh) * | 2014-12-09 | 2015-03-04 | 重庆邮电大学 | 一种基于快速独立分量分析的心音肺音信号分离方法及装置 |
| CN106691437A (zh) * | 2017-01-26 | 2017-05-24 | 浙江铭众科技有限公司 | 一种基于母体心电信号的胎儿心率提取方法 |
| CN109009083A (zh) * | 2018-07-19 | 2018-12-18 | 电子科技大学 | 一种融合小波和fastICA的胎儿心电提取方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8064991B2 (en) * | 2008-01-08 | 2011-11-22 | The General Electric Company | Method of fetal and maternal ECG identification across multiple EPOCHS |
| US8632465B1 (en) * | 2009-11-03 | 2014-01-21 | Vivaquant Llc | Physiological signal denoising |
-
2023
- 2023-06-09 CN CN202310683462.7A patent/CN116784861B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0229473D0 (en) * | 2002-12-18 | 2003-01-22 | Qinetiq Ltd | Signal separation system and method |
| 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 |
| CN104382614A (zh) * | 2014-12-09 | 2015-03-04 | 重庆邮电大学 | 一种基于快速独立分量分析的心音肺音信号分离方法及装置 |
| CN106691437A (zh) * | 2017-01-26 | 2017-05-24 | 浙江铭众科技有限公司 | 一种基于母体心电信号的胎儿心率提取方法 |
| CN109009083A (zh) * | 2018-07-19 | 2018-12-18 | 电子科技大学 | 一种融合小波和fastICA的胎儿心电提取方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| Apsana, S ; Suresh, MG and Aneesh, RP.A novel algorithm for early detection of fetal Arrhythmia using ICA.《INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING, INSTRUMENTATION AND CONTROL TECHNOLOGIES (ICICICT)》.2017,全文. * |
| Virtual Instrumentation Based Fetal ECG Extraction;Raj, CG et al.;《PROCEEDINGS OF THE 4TH INTERNATIONAL CONFERENCE ON ECO-FRIENDLY COMPUTING AND COMMUNICATION SYSTEMS》;全文 * |
| 刘春艳,司夏岩,崔艳群等.FastICA及自适应相干处理的胎儿心电信号提取.《现代电子技术》.2020,全文. * |
| 基于快速ICA和样本熵的胎儿心电提取;袁延超;吴水才;高小峰;宾光宇;袁丽;;生命科学仪器(第04期);全文 * |
| 基于快速定点独立分量分析算法的母胎心电信号分离;刘清欣;万红;;生物医学工程研究(第01期);全文 * |
| 谢晓路,王子叶,陈干等.一种从母体腹部电极心电信号中检测胎心R波的算法.《厦门大学学报(自然科学版)》.2017,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116784861A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Izci et al. | Cardiac arrhythmia detection from 2d ecg images by using deep learning technique | |
| Chouhan et al. | Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold | |
| US9050007B1 (en) | Extraction of cardiac signal data | |
| Egambaram et al. | FastEMD–CCA algorithm for unsupervised and fast removal of eyeblink artifacts from electroencephalogram | |
| Rai et al. | De-noising of ECG Waveforms based on Multi-resolution Wavelet Transform | |
| Diery et al. | Automated ECG diagnostic P-wave analysis using wavelets | |
| CN110292376A (zh) | 去除脑电信号中眼电伪迹的方法、装置、设备及存储介质 | |
| Llinares et al. | Semi-blind source extraction of atrial activity by combining statistical and spectral features | |
| Slama et al. | Application of statistical features and multilayer neural network to automatic diagnosis of arrhythmia by ECG signals | |
| CN103054572B (zh) | 基于单导联心室晚电位信号的盲源分离方法 | |
| Wei et al. | Foetal heart rate estimation by empirical mode decomposition and MUSIC spectrum | |
| Karvounis et al. | Detection of fetal heart rate through 3-D phase space analysis from multivariate abdominal recordings | |
| Darsana et al. | Extracting Fetal ECG Signals Through a Hybrid Technique Utilizing Two Wavelet-Based Denoising Algorithms | |
| CN117582235A (zh) | 基于cnn-lstm模型的心电信号分类方法 | |
| Vimala | Stress causing arrhythmia detection from ECG signal using HMM | |
| CN111528833B (zh) | 一种心电信号的快速识别与处理方法及系统 | |
| Mousavian et al. | Noninvasive fetal ECG extraction using doubly constrained block-term decomposition | |
| CN116784861B (zh) | 基于周期性快速独立向量分析的胎儿心电信号识别方法 | |
| Yacin et al. | Analysis of foetal electrocardiogram extraction methods and enhancement using Hilbert-Huang transform | |
| Londhe et al. | A complete ECG signal delineation method based on wavelet transform | |
| Ribeiro et al. | A tensor decomposition approach to noninvasive atrial activity extraction in atrial fibrillation ECG | |
| Taralunga et al. | A new method for fetal electrocardiogram denoising using blind source separation and empirical mode decomposition | |
| Kaya et al. | Wavelet-based analysis method for heart rate detection of ecg signal using labview | |
| Tripathi et al. | Statistical analysis of HRV parameters for the detection of Arrhythmia | |
| Arvinti et al. | Adaptive thresholding algorithm for noisy electrocardiograms using reverse biorthogonal mother wavelets |
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 |