独立分量分析(Independent Component Analysis:ICA)是近年来由盲信源发展来的多通道信号处理方法,揭示随机变量、测量数据或信号中的隐藏成分,实现信号的增强和分析。其基本研究思路是以非高斯信号为研究对象,在独立性假设的前提下对多路观测信号进行盲信号分离。独立分量分析的目的就是要从M个混合的信号中把N个未知的源信号恢复出来,而不利用其它的先验信息[1]。本文将独立分量分析应用到含有房颤心电信号的提取中。心房颤动(房颤)是最常见的心律失常,也是目前心律失常研究领域最难攻克的心脏疾病之一。房颤患者的体表心电中包含反映患者心房活动的信号,即心房颤动波(f波),其蕴含着丰富的有关患者心房特征结构及病理生理状况的信息,在临床上有很大的应用潜力。因此,本文用ICA方法提取出f波,为后期临床诊断提供可靠的数据。本文的主要工作概括如下:①从独立分量分析的定义和假设出发,分析了独立分量分析的基本数学模型;独立分量分析的基本准则;数据的前期预处理:形态滤波法[2],去均值和白化[1];独立性的判据及其优化准则;独立分量分析常用的几种算法;②先对此信号进行预处理,用去均值和白化的方法去除数据间的相关性,再用FICA(快速独立分量分析算法)[3]对这组心电信号进行信号分离,提取出房颤信号的特征量。对分离后的图像用组合形态滤波法去除它的基线漂移和高频噪声,再通过小波阈值[5]的方法,对房颤波进行消噪处理,最终得到干净的心电信号;③对实验结果进行了定性的分析,先做出房颤信号的直方图,目的说明它为亚高斯信号,符合ICA假设的条件。再做出AF的频谱估计图,找到AF波的主峰频率在3-10Hz之间[4],这个数据对于房颤病理的研究有着重要的意义。最后为了说明FICA算法在提取房颤特征信号实验中相对于其他算法的优越性,利用icalab工具箱做出其他算法的分离图形进行比较;④对于本文的各项工作进行总结,提出了本文的亮点以及需要改进的地方。