ICA.doc

引言 心电信号作为心脏电活动在人体体表的表现，信号一般比较微弱，幅度在10uV-5mV 频率为0.05-100Hz。在心电信号的采集、放大、检测及记录过程中，有来自外界的各种干扰，可能对ECG 信号造成干扰。ECG 噪声可能来自如下几个方面[2];（1）工频（50Hz/60Hz）干扰；（2）电极接触噪声；（3）运动伪迹（Motion Artifact）;（4）肌电噪声（EMG）;（5）呼吸引起的基线漂移和心电幅度变化;（6）其它电子设备的机器噪声;（7）电外科噪声(电外科噪声是一种高频干扰，与EMG 不同的是，它表现为幅度很大的正弦波，因而完全破坏了心电信号)。 去除ECG中50Hz的工频干扰可用多种数字滤波方法，常用的有平滑滤波，简单整系数带阻滤波滤波，小波变换，自适应滤波等。目前压制工频干扰的方法主要是采用陷波滤波法和自适应滤波法。陷波滤波法是在频率域中实现的，设计多吸收点的、具有一定阻带宽度的陷波滤波器组，用以消除工频干扰的基波和谐波成分。要是信号频谱与工频干扰的频谱有混叠,则陷波滤波器在滤除工频干扰的同时也会造成目标信号的损失。而自适应滤波法的前提是目标信号和干扰波不相关。在此基础上,利用自适应滤波算法(最小均方或最小二乘法)，自动调整滤波器系数,以跟踪输入过程的变化，并实现工频干扰的自适应抵消。这种方法在时间域进行,其本质与陷波滤波是一致的。 1所示，它是从线性混合信号里恢复出一些基本的源信号的方法。 假定第个观测信号是由个相互独立的未知信号线性混合而成： ， （2-5） 假定每个观测变量和未知源变量都是随机变量，矢量表示观测变量，矢量表示源变量，A表示混合矩阵，上式可以用矢量矩阵形式表示： （2-6） 也可以写成： （2-7） 统计模型称为独立分量分析（ICA）模型[12]。该模型描述了观测数据是如何由未知源信号s混合生成的。源信号是隐藏变量，不能直接观测到，而且混合矩阵也是未知的，所有能观测到数据是随机变量x。 为了保证ICA模型是可解的，我们做以下假定和限制[11]： 第一项假设是统计独立性，这项假设是最重要的，也是ICA方法可用于许多不同应用领域的主要原因。 第二项假设是非高斯分布。如果所观测变量具有高斯分布，其高阶累积量为0，因此就无法根据高阶信息估计ICA模型。 第三项假设未知混合矩阵(即 A）是方的，即独立分量数等于观测混合信号数，以简化估计。 第四项假设是各个观测器引入的噪声n很小，可以不予考虑。 在满足以上四项假设的情况下，通过计算矩阵A的逆W，就可解出独立分量 （2-8） 1.2 FastICA算法FastICA算法，又称固定点(Fixed-Point)算法FastICA算法有基于峭度、基于似然最大、基于负熵最大等形式，这里，我们介绍基于负熵最大的FastICA算法。它以负熵最大作为一个搜寻方向，可以实现顺序地提取独立源，充分体现了投影追踪（Projection Pursuit）这种传统线性变换的思想。此外，该算法采用了定点迭代的优化算法，使得收敛更加快速、稳健。 因为FastICA算法以负熵最大作为一个搜寻方向，因此先讨论一下负熵判决准则。由信息论理论可知：在所有等方差的随机变量中，高斯变量的熵最大，因而我们可以利用熵来度量非高斯性，常用熵的修正形式，即负熵。根据中心极限定理，若一随机变量由许多相互独立的随机变量之和组成，只要具有有限的均值和方差，则不论其为何种分布，随机变量较更接近高斯分布。换言之，较的非高斯性更强。因此，在分离过程中，可通过对分离结果的非高斯性度量来表示分离结果间的相互独立性，当非高斯性度量达到最大时，则表明已完成对各独立分量的分离。 负熵的定义： （.5） 式中，是一与具有相同方差的高斯随机变量，为随机变量的微分熵 （.6） 根据信息理论，在具有相同方差的随机变量中，高斯分布的随机变量具有最大的微分熵。当具有高斯分布时，；的非高斯性越强，其微分熵越小，值越大，所以可以作为随机变量非高斯性的测度。由于根据式（3.6）计算微分熵需要知道的概率密度分布函数，这显然不切实际，于是采用如下近似公式 （.7） 其中，为均值运算；为非线性函数，可取，或或等非线性函数，这里，，通常我们取。 快速ICA学习规则是找一个方向以便具有最大的