论文部分内容阅读
心电信号(Electrocardiogram,ECG)是人体的重要生理信号之一,其中包含着大量关于心脏的病变、病理状况的相关信息,也反映了心脏与心血管的结构及其生理和病理的特性。心电信号的分析诊断对心血管等系统疾病的诊断具有很重要的意义,其精确度和可靠度会直接地影响心脏疾病患者的临床医疗诊断和愈后的效果评价。然而,传统的心电识别方法是医生临床听诊,很显然此过程具有一定的主观判断和不稳定性,准确性比较差。现阶段,从人体体表获取的心电信号,或多或少都会受到工频干扰、肌电干扰以及基线漂移等多种噪声的干扰。因此消除心电信号的噪声,对之后临床研究的特征波检测以及病理诊断等需求都具有重要的意义。非负矩阵分解(Non-negative Matrix Factorization, NMF),作为一种新兴的特征分离方法,由Lee和Seung等人在盲源分离的应用背景下于1999年提出,并发表在Nature杂志上,并且慢慢发展成为了信号处理和数据分析的有效方法。通过在矩阵分解过程中加入非负的矩阵元素,非负矩阵分解使得分解结果呈现出的完全不同,完成了降维的非线性目标。随着盲源信号处理研究的逐渐加深,非负矩阵分解已经逐步成为信号处理、生物医学和图像处理等多个研究领域中最受学者青睐的数据处理工具之一。本文将非负矩阵分解应用于对心电信号的消噪,具有收敛速度快、稀疏性、非负性、降维等特性。在对基本NMF算法的学习中,NMF加人了非负的约束。这样,通过分解得到的基信号数据以及用于重构的权重系数都是非负的。在这种模式下,只允许线性叠加运算,这就保证了“局部构成整体”模式。因此,NMF被认为是提取局部特征的一种方法。但是,NMF算法得到的“部分”有时候并不是像我们预期的那样局部化,而且基本NMF方法在某些时候的识别率不是很高。出于对NMF原算法的深入学习,本人在研究局部信号数据时建立PNMF算法,其目的是通过引入稀疏性限制获得编码矢量(矩阵H)真正的局部分解对象,并使基本组件(矩阵W)局部稀疏化,加强基成分的局部化特征,使算法适用于局部特征非常重要的应用。本文结合NNF算法特点及心电信号特征,首次提出了一种新的NMF算法——PNMF对心电信号盲源分离。结合MIT/BIH国际标准数据库中ECG数据和模拟基线漂移、工频干扰以及肌电干扰噪声合成含噪声心电信号,并应用新提出的PNMF算法进行盲源分离实验研究,对分离结果采用信噪比(Signal to Noise Ratio,SNR)评价参数进行量化评价,与3种不同的NMF算法进行了对比,同时将PNMF算法与FastICA算法的的分离结果做比较,从分离精度的角度来看,本文的算法取得了最佳的效果。实验结果表明PNMF算法可有效分离心电源信号,为实际心电后期准确诊断提供了一定的参考依据。