使用时频盲源分离和小波包去噪的胎儿心电信号提取.docVIP

使用时频盲源分离和小波包去噪的胎儿心电信号提取 摘 要：提出一种使用时频盲源分离（TFBSS）和小波包去噪的胎儿心电信号提取新方法。首先通过重排时频谱时频盲源分离方法进行胎儿心电信号的初次提取，并将初次提取得到的母体心电信号和噪声对应的各路分量置零，其余分量由混合矩阵进行重构；然后再利用重排时频谱的时频盲源分离方法对重构信号进行胎儿心电信号的二次提取，得到含噪声的胎儿心电信号；最后通过小波包去噪抑制胎儿心电信号中的基线漂移和噪声。在胎儿心电信号和母体心电信号的QRS波无重叠、部分重叠或完全重叠的情况下，通过该方法能有效抑制母体心电信号和噪声的干扰，提取胎儿心电信号。实验结果表明该方法能提取清晰的胎儿心电信号。 关键词：胎儿心电信号；时频盲源分离；小波包去噪；母体心电信号；重排时频谱 中图分类号： TN911.72 文献标志码：A 0 引言 胎儿心电（Fetal ElectroCardioGram， FECG）信号 能精确区分胎儿心脏每一搏动的微小电位变化，已成为认知和了解胎儿心脏活动及胎儿监护的重要手段[1-2]。胎儿心电信号间接提取方法从母体腹壁混合信号中提取胎儿心电信号， 为临床医师所认可。但该方法测得的胎儿心电信号十分微弱，而且混有较强的背景噪声，受母体心电信号（Maternal ElectroCardioGram， MECG）干扰较大，制约了胎儿心电信号的临床应用发展[1]。 为了提取清晰的胎儿心电信号，国内外学者提出了自适应滤波[3]、人工神经网络[4]、支持向量机[5]和盲源分离[2，6-7]等胎儿心电信号提取方法。 自适应滤波方法计算简单，但对非平稳性较强的胎儿心电信号不适合；人工神经网络以传统统计学为基础，以最小经验风险为学习目标，存在泛化能力、结构设计、局部极值等许多待解决的问题[8]；支持向量机能有效克服这些问题，但是人工神经网络和支持向量机方法均基于两导联系统提取胎儿心电信号，未能充分利用各导联采集得到的信息。 近年来，盲源分离方法被引入胎儿心电信号提取领域，该方法被认为是一种具有应用前景、效果较好的方法。但是，传统的盲源信号分离方法一般限于处理非高斯、平稳信号，且对噪声的抑制能力不强。而胎儿心电信号是一种典型的非平稳微弱信号，且含有较强的背景噪声[9]。 时频盲源分离（Blind Source Separation based on TimeFrequency distributions， TFBSS）方法[10-12]用空间时频分布来分离非平稳信号，可以分离具有不同时频分布的源信号， 也能够分离具有相同谱密度但不同时频分布的高斯源。同时， 由于采用时频联合分析的方法， 提高了算法对噪声的抑制能力。但是，时频交叉项的存在会降低盲源分离方法的性能，为此，郭靖等[13]提出一种重排时频谱的时频盲源分离方法有效解决了这一问题。本文设计了一种基于重排时频谱的时频盲源分离的胎儿心电信号提取方法，提取得到含噪声的胎儿心电信号，再通过小波包去噪技术滤除胎儿心电中的基线漂移和噪声，得到了清晰的胎儿心电信号。 1 胎儿心电信号提取原理 取自母腹体表的胎儿心电信号检测方法通常置8个电极于孕妇体表，每个导联采集得到的观测信号包含三类信号：母体心电信号、胎儿心电信号和附加噪声。母体心脏和胎儿心脏是两个独立的心电信号发生源，附加噪声[9]主要包括信号采集时加入的50Hz工频干扰；由人体运动、肌肉收缩引起的肌电干扰；由于测量电极接触不良、人体的轻微运动和被测对象的呼吸等引起的基线漂移；以及随机噪声等。母体心电信号、胎儿心电信号以及各种噪声之间可以认为是统计独立的，因此可以用含加性噪声的线性瞬时混合模型来表示这三类信号的混合。假设8导联系统采集得到的观测信号为X（t），源信号为S（t），噪声信号为N（t），混合矩阵为A，则有 6 结语 本文提出一种使用时频盲源分离方法的胎儿心电信号提取新方法。首先通过时频盲源分离方法进行胎儿心电信号的初次提取，将母体心电信号和噪声对应的各路分量置零，再由混合矩阵对其余分量进行重构并反投影回各电极处，得到胎儿心电信号在体表电极处的估计；然后再利用时频盲源分离方法对胎儿心电信号在体表各电极处的估计信号进行胎儿心电信号提取，得到含噪声的胎儿心电信号；最后通过小波包去噪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。 采用Lieven De Lathauwer提供的临床心电信号完成胎儿心电信号提取实验。在胎儿心电信号和母体心电信号的QRS波分离或重叠的情况下，本文提出的胎儿心电信号提取方法 均得到了清晰的胎儿心电信号，且本文提出的方法有效抑制了基线漂移和其他噪声。实验结果表明，本文提出的胎儿心电信号提取方法有效可行。 如何根据胎儿心电信号提取应用的特点，得到更符合胎儿心电信号特性的时频分布表示方