基于AR模型盲提取算法.docVIP

基于AR模型盲提取算法 　　摘要：运用心电图的方法来观察心室跳动信号越来越受人们的关注，在研究心室跳动时我们要心电图中剔除其它信息分量，我们提出一种新的基于AR模型的半盲算法，提取出想要的心室信号，先前研究者都是基于最小均方误差预测函数提出的，但是这种方法无法提取出我们想要的信号，所以本文提出一种新的代价函数，这个函数基于已知源信号的AR模型分离出我们想要的信号，通过理论证明和仿真分析证明该函数可以提取出我们想要的信号。 　　关键词：BSE（盲提取）；AR模型 　　Abstract: the use of electrocardiogram(ECGs) to diagnose and analyse atrial fibrillation(AF) has received much attention recently.We present a new autoregressive(AR) model for semiblind source extraction of the AF signal.Previous researchers showed that one could extract a signal with the smallest normalized mean square prediction error.but can’t get the desired signal,so wo introduce a new cost function,if the AR model parameters of one source signal is known,through theoretical analysis and simulation we demonstrate that this algorithm can extract the disired source. 　　Key words: blind source extraction(BSE),AR model 　　1. 引言 　　最近几年大家对心室抖动的电子观测方法研究的越来越多[1-3]，心室抖动就是大家知道的心律失常，这时心脏跳动就不服从一定的规律，最近大家采用盲分离的方法从心电图中提取出心室跳动的信号，[4-6]， 　　这种方法是从混合信号中分离出独立信号，但是盲分离算法的具有很高的运算量，针对这个问题我采用盲提取的方法来解决，盲提取算法要优于盲分离的方法[7,8]，它也是信号处理的一个主要领域，它同样是要求源混合信号是独立的，且混合方式也是线性混合的，与盲分离算法相比，盲提取方法要求复杂度要低很多，所以它在语音等信号处理的领域备受关注。 　　许多盲提取的算法已经被提出，如基于高阶累积量（HOS）[9,10]和基于二阶累积量(SOS)[11-13],Cichocki和Amari[7]给出这方面方法的一个概括，但是这些方法只能提取出一些特定阶数的信号[14]，对提取心室抖动信号处理的不是很好，因为在3.5-10Hz心室信号有个峰值，同时在我们观测的心电图信号中还有很多随机的峰值，所以这些信号不具备严格的周期性???因此基于周期性的信号处理方法[11,13,15]是不行的，同时对于独立分量分析的方法[9]也是很难达到比较好的性能，考虑到心室抖动信号具有窄带的频谱在3.5-10Hz之间，所以基于线性预测或者AR模型的方法被认为是可行的，但是在以前的盲提取算法[15]的线性预测的代价函数是基于最小均方误差的，即使知道源信号的AR模型也很难从分离的信号中提取出自己想要的信号，本文我们提出一种新的代价函数，已知源信号的AR模型，采用奇异值分解的方法提取出我们想要的信号，及运用我们已知的心室跳动信号的AR模型去半盲提取出想要信号。 　　2.最小均方误差代价函数 　　在采用盲提取算法时，我们首先假设一个M维的随机的信号向量x，它是由一个零均值单位方差的源信号s和一个未知的混合矩阵A的乘积所得，即：x=A×s，盲提取的目标是找到一个解混向量，使得■，为了使算法具有鲁棒性且收敛速度更快，我们首先对观测信号x进行白化，即■，其中V为白化矩阵，因此为了方便我们假设为一个白化后的向量，即■，A为正交矩阵，且WTW=1.由于我们一开始假设信号是相互独立的，所以信号S应满足下式： 　　■　　(1) 　　其中P为线性预测的长度即AR模型的阶数，所以我们假设预测误差函数为e(n)为 　　■ (2 ) 　　其中b为AR模型每阶的系数。 　　在论文[11,15]中提取源信号信息就是通过最小均方误差函数■，对应的归一化代价函数为■，因为我们一开始假设观测信号x为去白化后的信号，所以■为1，代价函数为■，如果我们知道想要提取s1(n)信号的AR模型，则代价函数■即这样表示：