应用独立分量分析法去除心电信号中呼吸信号的仿真

论文摘要

心电信号(ECG)是生物医学信号之一,具有重要的临床意义,已在医学实践中得到广泛应用。但人体心电信号比较微弱,容易受多种因素的影响,使采集的信号受到干扰,其中呼吸就是很重要的影响因素之一。目前虽然有多种去除心电信号中呼吸信号的方法,但效果并不十分理想,有必要进一步寻求更可靠的解决方案。独立分量分析法(Independent Component Analysis, ICA)是近年来由盲信源分解(BSS)发展起来的一项多维信号处理技术,它可以在对信号源没有先验认知的情况下,把观察信号分解为独立的源信号。本文主要研究利用独立分量分析法(ICA)去除心电信号中混有的呼吸信号,主要包括以下几个方面的内容:一、ICA算法在心电信号去噪中的应用。利用动力学ECG模型生成心电信号,并生成一理想的噪声信号与该心电信号进行随机线性混合,采用ICA四种经典算法对混合信号进行分离,从收敛速度和相关系数两方面对各种算法分离出的结果进行性能分析。二、ICA算法在分离呼吸信号中的应用。生成模拟的心电信号和呼吸信号并进行非线性混合,采用上述四种ICA算法对混合信号进行分离,从收敛速度和相关系数两方面对各种算法分离出的结果进行性能分析。通过比较选出无论从收敛速度还是相关系数均高的一种算法作为后续工作的研究。三、ICA算法在分离实际心电信号中的呼吸信号的应用。利用PowerLab信号采集系统同步采集心电信号和呼吸信号,以含有呼吸信号干扰的心电信号和同步采集的呼吸信号组成两通道信号进行ICA分离,并以相关系数法对分离结果进行性能分析。本文中实验和仿真得到的结论反映了ICA能够成功地去除心电信号中呼吸信号的干扰,并无须较多先验知识,显示出该算法的优越性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1-1 引言
• §1-2 课题研究背景
• 1-2-1 去除心电信号中的呼吸信号的研究进展
• 1-2-2 盲分离与独立分量分析
• 1-2-3 ICA 在生物医学信号处理中的应用
• §1-3 本文主要研究工作
• 第二章 独立分量分析理论
• §2-1 引言
• §2-2 独立分量分析的定义
• 2-2-1 独立分量分析的线性模型
• 2-2-2 噪声ICA
• §2-3 独立分量分析的发展简史
• §2-4 独立分量分析的相关数学知识
• 2-4-1 概率论知识
• 2-4-2 统计知识
• §2-5 独立分量分析法的独立性度量
• 2-5-1 非高斯性极大
• 2-5-2 互信息量最小
• §2-6 小结
• 第三章 基于信息论的独立分量分析算法
• §3-1 引言
• §3-2 数据的预处理
• §3-3 基于信息论的独立分量分析算法
• 3-3-1 FastICA 算法
• 3-3-2 Infomax 算法
• 3-3-3 互信息最小算法
• 3-3-4 最大似然算法
• §3-4 本章小结
• 第四章 实验与仿真
• §4-1 数据的产生和预处理
• 4-1-1 数据的产生
• 4-1-2 数据的预处理
• 4-1-3 ICA 算法选择
• §4-2 1CA 算法的计算机仿真试验
• 4-2-1 ICA 算法在 ECG 去噪中的应用
• 4-2-2 ICA 算法在分离呼吸信号中的应用
• §4-3 基于实际数据的 ICA 算法在分离呼吸信号中的应用
• 4-3-1 ICA 算法的信号分离
• 4-3-2 ICA 算法的性能分析
• §4-4 小结
• 第五章 总结与展望
• 参考文献
• 致谢