论文部分内容阅读
胎儿心电(Fetal Electrocardiogram,FECG)能较好的反映胎儿在孕期阶段的健康和成长状况。对围产期的胎儿心电提取及分析可以确定胎儿心率、分析胎儿心脏功能参数,及时发现胎儿宫内缺氧等妊娠期或分娩期宫内异常情况,以便尽早采取措施,保证胎儿健康。因此清晰胎儿心电信号的提取具有非常重要的临床意义,也一直都是生物医学信号处理和分析的重要课题。但是由于各种噪声,如母体的心电信号(Maternal Electrocardiogram,MECG)、母体的呼吸噪声、电子仪器的热噪声、工频干扰等的严重影响,尤其是母体的心电信号干扰,从母体腹部检测信号中无创地提取出清晰稳定的胎儿心电信号一直是个难题。
很多研究先后提出了多种技术方法来解决这个问题,如盲分离(Blind SourceSeparation,BSS)法、聚类分析和模糊模式识别法、匹配滤波和匹配追踪法、独立分量分析法、基于改进的相关函数最大化的源信号提取算法及基于最小均方(Least Mean Square,LMS)、归一化最小均方(Normalized Least Mean Square,NLMS)、递归最小二乘(Recursive Least Square,RLS)自适应滤波算法等。尽管这些方法对提取胎儿心电信号有不同程度的改善,但是BSS、聚类分析、模糊模式识别和独立分量分析存在建模难和算法不易实现等问题。匹配滤波法和基于改进的相关函数最大化的源信号提取算法虽然结构简单、易于实现,但是计算的胎儿心电周期不准,正确识别率较低。匹配追踪法只能测量胎儿的心率,不能获得完整的胎儿心电图。而基于LMS、NLMS、RLS自适应滤波算法仍存在精度不高的缺点。为了更准确地提取出清晰的胎儿心电,本文基于最优经验模态分解(Optimal Empirical Decomposition,OEMD)的思想,提出了经验模态分解自适应滤波方法,即经验模态分解.最小均方算法(EMD-LMS),经验模态分解-归一化最小均方算法(EMD-NLMS),二维EMD-LMS算法用于改善胎儿心电信号的提取精度。本方法结合了经验模态分解算法与自适应算法的特点,能更好地处理非线性,非平稳数据。
为了更好地体现EMD自适应滤波算法的优点,本文首先将该方法用于处理不同频率叠加的正弦信号。将不同频率叠加的正弦信号加上高斯白噪声作为经验模态分解算法的目标信号,经过EMD分解得到一组内模函数(Intrinsic ModeFunctions,IMFs)。将这组内模函数作为自适应系统的主输入信号,没有加高斯白噪声的不同频率叠加的正弦信号作为自适应系统地参考输入。将该方法的处理结果与传统自适应滤波的处理结果进行比较。实验结果表明EMD自适应滤波方法具有处理效果好,误差低等特点。接下来将本方法应用于胎儿心电信号提取。在提取胎儿心电的过程中,首先利用EMD算法对孕妇腹部信号进行分解得到一组内模函数,然后将这组内模函数作为自适应滤波算法的主输入,并将孕妇胸部信号作为参考输入。孕妇的腹部信号与自适应系统输出信号之间的差即为胎儿心电信号。通过学习算法自适应组合内模函数,滤除母体心电信号,从而提取胎儿心电信号。实验分为模拟和临床两个部分。对计算机模拟仿真和临床胎儿心电信号进行提取,结果表明,用本文提出的EMD自适应滤波算法提取出的胎儿心电信号更清晰稳定,误差更小,其效果明显优于传统LMS,NLMS自适应滤波算法提取的效果。
全文共分五章,第一章绪论部分概述了课题研究的背景、意义及国内外发展现状和前景,并介绍了本论文的主要工作和特点:第二章介绍了本研究所涉及的EMD、自适应滤波和EMD自适应滤波的理论知识;第三章通过处理不同频率叠加的正弦信号,从而对EMD自适应滤波和传统的自适应滤波方法的性能进行对比,用各种自适应滤波算法对仿真信号进行处理,并对结果进行分析和讨论;第四章将EMD自适应滤波算法应用于胎儿心电信号的提取,研究分为模拟和临床实验两个部分,将所提方法与传统的自适应滤波算法对胎儿心电信号提取的结果进行比较,并给出实验结果;第五章给出了分析与结论及基于本方法的下一步工作安排。