一种融合KPCA、FastICA及SVD的腹壁源胎儿心电 信号提取算法研究

目的:为实现从母体腹壁混合信号中提取高信噪比和波形清晰的胎儿心电信号,提出一种融合核主成分分析(kernel principal component analysis,KPCA)、快速独立成分分析(fast independent component analysis,FastICA)及奇异值分解(singular value decomposition,SVD)的胎儿心电信号提取算法。方法:首先,采用KPCA对母体心电信号进行降维,再利用改进的基于负熵的FastICA处理降维后的数据,得到独立成分。随后,引入样本熵进行信号通道选择,挑选出包含最多母体信息的信号通道。在选中的母体通道上进行SVD,得到母体心电信号的近似估计,再用腹壁源信号减去该信号得到胎儿心电的初步估计。最后,采用改进的基于负熵的FastICA成功分离出纯净的胎儿心电信号。在腹部和直接胎儿心电图数据库(Abdominal and Direct Fetal Electrocardiogram Database,ADFECGDB)和PhysioNet 2013挑战赛数据库中对提出的算法进行验证。结果:提出的算法在主观视觉效果和客观评价指标上都表现出优越的性能。在ADFECGDB数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.74%、98.85%和99.30%;在PhysioNet 2013挑战赛数据库中,胎儿QRS复合波检测的敏感度、阳性预测值和F1值分别为99.10%、97.87%和98.48%。结论:融合KPCA、FastICA及SVD的胎儿心电信号提取算法在提取胎儿心电信号的同时有效处理了附加噪声,为胎儿疾病的早期诊断提供了有力支持。

胎儿心电图的应用与进展

对胎儿心电图(fetal electrocardiogram,FECG)进行简单介绍,阐述近年来FECG技术在检测胎儿心律失常、监测妊娠高血压综合征患者宫内胎儿缺氧状况等方面的临床应用,并梳理了FECG本身存在的局限性。本文还总结了FECG信号处理技术的进展,并展望FECG未来的发展前景。

结合多路ν-SVR与TFBSS的胎儿心电信号提取

提出了一种结合多路v-支持向量回归机(ν-SVR)和时频盲源分离(TFBSS)的胎儿心电信号间接提取方法。利用多路ν-SVR估计各路腹壁信号中的母体心电成分并将其抑制,从而得到多路含噪声的胎儿心电成分的最优估计;然后通过TFBSS从多路含噪声的胎儿心电成分的最优估计中提取胎儿心电信号。采用临床心电数据进行实验,结果表明本文提出的方法在可视化结果和信噪比指标上均优于传统方法。

基于经验模式分解和最小二乘支持向量机的胎儿心电信号提取

针对心电信号的非平稳特性,将非平稳信号处理方法与非线性估计方法相结合,提出一种从母体腹壁混合信号中提取胎儿心电信号的新方法。采用经验模式分解(EMD)方法将非平稳的母体心电信号分解为有限个本征模函数(IMF)和一个残差信号;母体腹壁混合信号中的母体心电成分为母体心电信号的非线性变换,采用最小二乘支持向量机(LSSVM)拟合这一非线性变换;将EMD分解所得的本征模函数和残差信号经由所拟合的非线性变换得到母体腹壁混合信号中母体心电成分的最优估计,从母体腹壁混合信号中减去该最优估计得到胎儿心电信号。引入基于特征值分析和基于互相关系数计算信噪比的方法,评估胎儿心电信号提取方法的性能。实验结果表明,在胎儿心电信号和母体心电信号QRS波分离或者重叠的情况下,通过提出的方法均可得到清晰的胎儿心电信号,且信噪比相对于传统方法有明显提高。实验结果验证了该方法的有效性。

基于最小二乘支持向量机的胎儿心电信号提取

该文针对胎儿心电信号难以提取的问题,提出一种从母体腹壁混合信号中提取胎儿心电信号的方法。首先利用最小二乘支持向量机(LSSVM)拟合母体心电信号传导至腹壁所经历的非线性变换,然后将母体心电信号经由所拟合的非线性变换得到腹壁混合信号中的母体心电成分的最优估计,再从腹壁混合信号中减去母体心电成分的最优估计得到含噪声的胎儿心电信号,最后通过经验模式分解(EMD)抑制胎儿心电信号中的基线漂移和噪声,得到清晰的胎儿心电信号。在胎儿心电信号和母体心电信号QRS波完全重叠的情况下,通过该方法能够提取出清晰的胎儿心电信号。实验结果验证了该方法的有效性。

基于改进FastICA的胎儿心电提取算法研究

针对FastICA算法容易陷入局部最优,导致提取的胎儿心电往往含有较多噪声的问题。本文将修正BFGS法(MBFGS)和混沌优化算法相结合来代替传统的牛顿迭代法,提出一种新的独立分量分析方法,并用于胎儿心电信号的提取。分别用合成信号和临床信号对该算法进行验证,实验结果表明本文提出的算法能提取出清晰并不含母体心电的胎儿心电信号,而且算法性能更优于FastICA。

一种改进的FastICA算法在胎儿心电提取中的应用

目的为了改进传统FastICA算法对初始权值较敏感的问题,本文提出一种基于超松弛因子改进的FastICA算法来提取胎儿心电。方法首先对Da ISy数据库中的母体腹部混合信号进行中心化和白化处理,去除信号间的相关性;然后在牛顿迭代算法中引入超松弛因子对随机产生的初始权值进行处理,再用改进FastICA算法提取胎儿心电;最后对胎儿心电信号的提取结果通过可视化的波形和量化指标进行评估。结果实验结果显示该算法平均迭代次数由改进前的55次降到15次,信噪比也得到提高,并且改进后算法提取出来的胎儿心电几乎不掺杂母体心电。结论基于超松弛因子改进的FastICA算法,在保持收敛速度的同时,放宽了对初始权值的要求,避免了收敛不平衡,减少了迭代次数,可以提取出比较清晰的胎儿心电。

一种基于体震信号的快速ICA胎儿心搏信号提取方法

常规胎儿心搏检测方法为胎儿心电信号检测,针对其需要在母体体表粘附多个电极,对检测环境和受试者的状态要求较高等问题,提出一种应用快速独立分量分析算法提取胎儿心搏信号的方法.该方法利用体震信号无需在体表安装电极的非接触检测优势,通过对母体体震信号主成分的分析,获取胎儿心搏成分分量,更适用于日常家庭无感监测的要求.通过采集45组母体体震信号及同步胎儿心电信号,验证算法的准确率为91.3%.

基于独立分量分析的胎儿心电信号提取

研究独立分量分析方法在胎儿心电信号(FECG)提取中的应用,视胎儿心电信号与噪声为相互独立的信号源,采用FastICA算法,对来源于同一孕妇的观测信号进行独立分量分离,得到较为理想的FECG,实践证明:采用该方法提取FECG是一种有效的方法.

一种基于单通道腹部信号的胎儿心电提取算法

设计一种基于单通道孕腹部信号的胎儿心电提取算法,分别提取出母亲心电和胎儿心电,并计算出母亲心率和胎儿心率。首先对单通道孕腹部信号进行k-TEO(k=19)变换,突出母亲心电的QRS波,从而通过简单的阈值法确定母亲心电的R波位置,接着通过在相邻R波间重采样以获得相同的R-R间期T,这样经过一个间隔为T的梳状滤波器就可以分离出相同R-R间期的母亲心电,然后再一次在相邻R波间进行重采样恢复原来的R-R间期就可以获得实际的母亲心电了。原始腹部信号减去上面提取的母亲心电后,胎儿心电QRS波的信噪比大大提高,通过再次应用提取母亲心电的算法即可得到"干净"的胎儿心电波形。选取Physionet数据库中的8组(26通道)孕腹部信号数据进行分析,计算每个通道数据的胎儿心电QRS波位置识别灵敏度、阳性检测率和准确性。结果表明,胎儿心电QRS波的识别准确率达到87.1%,其中有6个通道达到100%。另外计算每个通道的母亲心率和胎儿心率并做统计分析,发现每一组中各个通道的母亲平均心率和胎儿平均心率都非常接近,同一组中各通道间母亲平均心率最大误差为0.1次/min,而胎儿平均心率最大误差也只有0.9次/min,进一步证明算法的可靠性。

应用自相关和独立分量分析的胎儿心电信号提取

目的:胎儿心电信号在监护胎儿健康状况过程中有着重要的作用。通常从孕妇腹部采集到的混合心电信号中提取出胎儿心电信号,孕妇腹部信号是准周期性的时间信号,其采样点存在着先后关系,传统的独立分量分析(ICA)算法在分离过程中没有考虑信号的时间相关性,针对这一问题提出了一种新的方法提取胎儿心电信号。方法:首先采用自相关分析可以得到混合信号具体的周期长度,根据周期长度进行片段截取信号后可以去除其时间相关性,再利用传统的FastICA分离截取信号得到ICA模型的模型参数,最后利用此模型参数从完整的混合信号中提取出胎儿心电信号。结果:使用临床数据进行了实验验证,分别使用传统的FastICA和新的方法提取胎儿心电信号,结果表明采用新方法提取出的胎儿心电信号中母体成分干扰得到了很好的抑制,胎儿心电信号比较清晰,分离效果优于传统的FastICA。结论:该方法可以清晰地提取出胎儿心电信号,在胎儿心电信号提取中具有很高的实用价值。

基于快速定点独立分量分析算法的母胎心电信号分离

研究快速定点独立分量分析方法在母胎心电信号分离中的应用。采用此算法,在胎儿心电信号与母体心电信号可以视为相互独立的信号源的前提下,对来源于同一孕妇的观测信号进行独立分量分离。快速定点独立分量算法可以有效地分离出单个独立分量,得到的胎儿心电信号(FECG)较理想。采用独立分量分析方法,实现母胎心电信号分离,是一种值得尝试的信号处理方法。

胎儿心电信号提取算法的研究进展

综述了独立成分分析(independent component analysis,ICA)、奇异值分解(singular value decomposition,SVD)、小波变换(wavelet transform,WT)、非负矩阵分解(non-negative matrix factorization,NMF)和经验模态分解(empirical mode decomposition,EMD)等传统胎儿心电(fetal electrocardiogram,FECG)信号提取算法以及目前常用的2种或多种算法组合的研究成果,分析了各算法在FECG信号提取中的优势和存在的问题,并基于常用的FECG数据库和不同的评价指标量化了各种算法的性能,指出了对FECG信号进行形态分析、建立大型开放式的侵入式胎儿心电信号(invasive fetal electrocardiogram,I-FECG)数据库是FECG信号提取算法的未来发展方向。

基于MICA技术的胎儿心电信号提取的应用研究

多维独立分析(Multidimensional Independent Component Analysis,MICA)方法适用于实现多分量信号分析和分量提取,可实际应用于对胎儿心电信号的提取。为了说明MICA算法分离结果的可靠性,利用动态心电合成模型生成仿真的心电信号数据进行了验证,用vkMICA、cfMICA、SJADE、MSOBI四种MICA算法对实际采集到孕妇心电数据集进行了处理。实验结果显示,四种MICA算法可提取出较纯净的胎儿心电信号,并能较好地反映出胎儿心电信号的实际特征。

基于模糊神经网络的胎儿心电提取法

针对当前间接法提取胎儿心电中导联多、连接复杂、背景噪声大、胎儿心电过于微弱等问题,研究基于两导联非侵入式提取胎儿心电的模糊神经网络分离方法。该方法只用两导联分别记录母体胸部和腹部心电,用模糊神经网络对采集数据智能计算。实验结果表明,在胎母信噪比较低时,模糊神经网络法比多项式神经网络法提取的胎儿心电具有更高的质量信噪比,提取效果更好。

一种基于云平台的胎儿心电远程监护系统

本文提出一种基于云平台的胎儿心电远程监护系统,该系统由心电采集器、智能手机APP和云端服务器软件3部分组成。创可贴式心电采集器实时采集孕妇和胎儿的混合心电信号,通过蓝牙无线传送给智能手机。智能手机APP软件对接收到的混合心电信号进行分离,从母体中提取出胎儿心电信号,并把胎儿心电信号通过移动通讯网远程传输到云端服务器。云端服务器对接收到的胎儿心电进行存储和智能分析,同时将胎儿心电信号和服务器智能分析结果推送给在线医生进行监护诊断,服务器智能分析结果能给医生诊断提供参考。云端服务器软件自动将医生的诊断结果和建议返回到孕妇智能手机中。实验结果表明,所研制的基于云平台胎儿心电远程监护系统运行可靠,适合对孕妇进行长期的胎儿心电远程监护。

胎儿心电图的检测与分析

介绍了检测胎儿心电图的原理、方法和胎儿心电图仪的组成，利用自适应噪声抵消技术，从母体无创提取胎儿心电波形，对临床试验测试结果进行讨论和统计分析，探讨异常胎儿心电图的临床诊断意义，并给出了测试波形实例。

融合峰值最大化小波分析与fastICA的胎儿心电提取

目的:针对母体心电信号和胎儿心电信号重叠度太高,导致胎儿心电分离精度低、受母体心电信号干扰的问题,提出一种峰值最大化的小波分析与快速独立成分分析(fast independent component analysis,fastICA)结合的胎儿心电提取算法。方法:首先对母体腹部混合信号(包含母体心电信号和胎儿心电信号)进行白化和去均值处理,再利用峰值确定小波包分解点,以降低混合信号重叠程度;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心电信号;最后使用小波去噪去除信号中的噪声和基线漂移。结果:该算法提取的胎儿心电信号比基于峭度的fastICA算法提取的胎儿心电信号更清晰,收敛性更好。结论:该算法能在母体心电信号和胎儿心电信号重叠度太高的时候,对胎儿心电信号进行有效分离,满足目前医疗市场上对提取胎儿心电信号的需求。

基于多尺度残差收缩U-Net的胎儿心电信号提取

针对在胎儿心电信号提取中,U-Net同级卷积编码器尺度的单一性忽略了母亲和胎儿心电特征波的大小和形态差异,且当残差收缩模块作为编码器的阈值学习过程中缺少对心电信号时间信息利用的问题,本文提出一种基于多尺度残差收缩U-Net模型的胎儿心电信号提取方法。首先在残差收缩模块中引入Inception和时间域注意力,增强同级卷积编码器的胎儿心电信号多尺度特征提取能力和时间域信息的利用;为了保持更多的心电波形局部细节特征,将U-Net中的最大池化替换为Softpool;最后,由残差模块和上采样构成的解码器逐步生成胎儿心电信号。本文应用临床心电信号进行实验,最终结果表明:与其他胎儿心电提取算法相比,本文方法可以提取更为清晰的胎儿心电信号,在2013年竞赛数据集上灵敏度、阳性预测值和F1分数分别达到93.33%、99.36%、96.09%。因此本文方法可以有效提取胎儿心电信号,为围产期胎儿健康监护提供了一种具有应用价值的方法。

一种基于遗传算法优化的长短时记忆网络胎儿心电信号提取方法

胎儿心电信号提取对围产期胎儿监护具备重要意义。为提高胎儿心电信号的预测精度,本文提出一种基于遗传算法(GA)优化的长短时记忆(LSTM)网络胎儿心电信号提取方法(GA-LSTM)。首先根据母体腹壁混合心电信号的特征,利用GA的全局搜索能力对LSTM网络中隐层神经元个数、学习率和训练次数进行寻优,计算参数的最优组合,使网络拓扑结构与母体腹壁混合信号的特征相匹配;然后,使用GA求出的最优网络参数构建LSTM网络模型,并利用GA-LSTM网络模型估计母体胸部心电信号传输到母体腹壁时的非线性变换;最后,利用母体胸部心电信号和GA-LSTM网络模型求得的非线性变换,估计腹壁信号中所含的母体心电信号,从腹壁混合信号中减去估计出的母体心电信号,得到纯净的胎儿心电信号。本文实验应用两个数据库的临床心电信号进行实验分析,最终结果表明:与传统归一化最小均方误差(NLMS)方法、支持向量机(SVM)方法、遗传算法支持向量机(GA-SVM)方法和LSTM网络方法相比,本文所提出的方法可以提取出更为清晰的胎儿心电信号,其准确率、灵敏度、精确性和总体概率均有较好的提高,表明本文方法可以提取出较为纯净的胎儿心电信号,对围产期胎儿健康监护具有一定的应用价值。