基于PFastICA的房颤信号盲源分离

摘要

随着人们生活和工作压力的不断增大，人类的健康状况出现了各种各样的问题，心脏病也成为威胁人们身体健康的一种常见疾病。心房颤动（atrial fibrillation，AF）简称房颤，是目前临床中最常见的一种心律不齐心脏疾病，在普通的人群中，AF的发病率为0.4％到1.0％，并且发病率随着人群年龄的增大而升高。在心脏病患者中，AF患者的死亡率是其他患者的2倍，对于AF患者的诊断和治疗已经成为当今国际心电生理研究的难点和热点。
　　 体表心电信号(electrocardiogram，ECG)作为一种医生用来判断是否发生AF的依据，在AF疾病的诊断和治疗中起着重要的作用。从AF疾病患者的ECG中提取出心房颤动信号，可以方便医生及时判断患者是否发生了心房颤动，并能够协助医生诊断出患者所忠心房颤动的类型。但是心电信号中的房颤信号会受到很多信号的干扰，比如占据心电信号大部分能量的QRST波群和高斯噪声，这写都给房颤信号的提取带来了不便。本文就是针对目前在房颤信号提取算法中存在的一些不足，对现有的算法进行了改进，并提出了一种新的算法。
　　 独立分量分析(independent component analysis，ICA)方法是一种信源分解技术，它是解决盲源分离(blind source separation，BSS)问题的一个有效手段。该分析方法在生物医学信号处理、语音识别、导航、通讯、地质信号等领域均有重要的应用。ICA是将观测到的信号按照统计独立的原则通过优化算法分解为若干独立的信号成分。在ECG中，由于心房波和心室波分别是由心房和心室活动产生的，因此，这两种信号可以认为是统计独立的。本文从这个观点出发，将ICA应用到AF信号的提取中。
　　 本文对房颤的产生机理和ICA的基础进行了深入分析，并在快速独立分量分析的基础上结合Pearson数学模型，提出了一种新的算法-PFastICA，该算法比传统的快速独立分量分析方法在提取信号的精确度上有所提高。将PFastICA算法应用于房颤信号的提取，实验证明，该算法比常用的FastICA技术具有更高的可靠性和有效性。

目录

声明

摘要

第一章 绪论

1．1 课题研究现状介绍

1．2 盲源分离技术的发展历史

1．3 本文的主要工作和章节安排

第二章 房颤信号研究基础

2．1 体表心电信号的产生机理及特性

2．2 房颤基础

2．3 房颤信号研究的进展

2．3．1 QRST波消除技术

2．3．2 预测房颤发作的计算机技术

2．3．3 自动检测房颤技术

2．3．4 心房动态系统的非线性特征研究

2．4 盲处理技术在房颤信号提取中的应用

2．5 本章小结

第三章 独立分量分析简介

3．1 盲源分离理论简述

3．2 盲源分离数学模型

3．2．1 线性混合模型

3．2．2 非线性混合模型

3．3 盲源分离算法分类

3．3．1 线性瞬时混合分离算法

3．3．2 非线性主成分分析和核主成分分析

3．3．3 非线性混合分离算法

3．3．4 新型的盲源分离算法

3．4 ICA原理

3．4．1 ICA的估计原理

3．4．2 ICA的预处理

3．4．3 ICA的基本方法

3．4．4 分离效果的检验标准

3．5 本章小结

第四章 PFastICA算法

4．1 FastICA算法

4．2 PFastICA算法模型的构建

4．2．1 第一步：FastICA分解

4．2．2 第二步：Pearson系统模型

4．3 PFastICA算法评估

4．4 本章小结

第五章 PFastICA算法验证及在提取房颤信号的应用

5．1 PFastICA算法验证

5．2 PFastICA算法提取房颤信号原理

5．3 PFastICA算法提取房颤信号实验

5．3．1 仿真房颤信号

5．3．2 提取房颤信号实验对比

5．3．3 实验数据对比

5．4 本章小结

第六章 总结与展望

6．1 本文研究总结

6．2 前景展望

参考文献

致谢

攻读硕士期间个人科技成果