关键字 |
| 噪声去除，心电图(ECG)，肌电图(EMG)，反向传播(BPN)，频谱重叠。 |
介绍 |
| 心电图信号在临床研究中已广泛应用于心脏疾病的诊断。它是由心产生的电势记录。由于Na+和K+离子在血液中的运动，某些细胞的去极化和复极化产生了电波。心电信号在2mv范围内，也需要0.1到120hz[1]的记录带宽。心电信号采集采用无创技术，即将电极放置在人体[2]皮肤的标准位置。心电信号和心率反映了人的心脏健康状况。心率失常或心电信号形态改变均为心律失常。通过分析记录的心电波形来检测和识别。有关心脏相关疾病性质的信息包含在P-QRS-T-U波的振幅和持续时间中。记录下来的心电信号通常会被不同类型的噪声所破坏，这些伪噪声存在于心电信号的频带内，并可能改变心电信号的特性。 Hence it is very difficult to take out useful information of signal. The major noise that corrupt the ECG signal are Electromyography(EMG) noise, power line interference, noise due to random movement and respirational movements, electrode contact noise. |
| 在[3]中定义了用于ECG分析的高通、低通、基于窗口的滤波器。该方法采用矩形窗、汉明窗、汉宁窗、凯撒窗等方法对心电信号进行降噪。矩形窗口FIR具有明显的衰减。矩形具有线性相位，滤波器是稳定的。采用了各种建模技术，如扩展卡尔曼滤波器[4]。提出了基于RLS的自适应滤波器[5]。本文给出了LMS和RLS两种自适应滤波器的性能特点。RLS自适应滤波器与LMS自适应滤波器相比，MSE增大，信噪比减小。 |
| SRLMS、NSRLMS、LMS等的性能比较以信噪比为[6]为基准。本文的信噪比值表明，与NSRLMS相比，在SRLMS等基本算法中信噪比值较小。LMS和NLMS也是如此，这意味着归一化可以提高信噪比。采用离散小波变换和神经网络对心电信号进行降噪处理。神经网络降噪模型在[8]中。本文提出了一种神经网络降噪模型。比较了两种不同的神经网络，以尽量减少噪声的影响。还提出了一些其他技术来提取受背景噪声污染的ECG组件，并允许测量ECG信号中的微妙特征。 |
| 本文的其余部分组织如下:第二部分是关于问题的制定，即以前工作中的问题类型。在第三节之后为算法描述，其中关于算法的步骤发生。第四节讨论了网络的设计方法，第五节讨论了结果，第六节总结了全文。 |
问题公式化 |
| 肌电图(EMG)伪影经常污染心电图(ECG)。与基线漫游等相比，它们更难抑制或消除。肌电图是一种随机信号。它因时间而异，也因人而异。由于它们的随机特性以及从同一对电极获得的ECG和EMG信号的频谱有相当大的重叠。 |
| 有许多方法已经实现消除噪声信号中的噪声。高通、低通和陷波滤波器是信号传递的基本方法。这种滤波器最大的缺点是它们也会去除截止频率局部的重要频率分量。通常应用的低通滤波结果在有限的抑制肌电图伪影和显著降低尖锐的Q, R和S心电波振幅。 |
| •ECG是随机信号。静态滤波器的系数为常数。因此，静电设计不可能消除心电干扰。 |
| •为了克服静态滤波器的局限性，开发了不同的自适应滤波方法。固定滤波器的设计不可能消除心电信号中的干扰。因此，本文提出了一种称为BPN的自适应机制。说明了BPN在消除心电信号中肌电干扰方面的有效性。 |
算法描述 |
| 人工神经网络(ANN)已经在许多领域得到了成功的应用。因此，将其应用于心电分析是很有意义的。神经元是大脑的基本处理单元，在神经网络[9]中神经元的工作原理是相同的。神经网络是由一组神经元通过突触权重相互连接而形成的。它是用来在学习阶段获取知识的。神经元的数量和突触的权重可以根据需要的设计角度来改变。基本神经网络由3层组成:输入层、隐藏层、输出层。图1 |
反向传播网络 |
| 使用广义增量学习规则的反向传播训练是一种迭代梯度算法，旨在最小化多层前馈神经网络的实际输出与期望输出之间的均方根误差。每一层都与前一层完全连接，并且没有其他连接。 |
| 反向传播算法的解释如下: |
| 步骤1:初始化 |
| 将所有的权重和偏差设置为0到1之间的小的真实随机值。 |
| 步骤2:表示输入和期望的输出 |
| 给出输入向量x(1)， x(2)，…， x(N)从测量到的心电信号和相应的期望响应d(1)， d(2)，…， d(N)来自原始心电信号，其中N为训练模式数。 |
| 步骤3:实际输出计算 |
| 用式(1)计算输出信号y1, y2......yNM |
 (1) |
| 在哪里 |
| Wij是权重，bi是偏差。 |
| 步骤4:权重(wij)和偏差(bi)的自适应 |
| 权重和偏差按式(2)改变 |
 |
 |
| 在哪里 |
 |
| 式中，xj (n) =节点j在迭代n时的输出，l为层数，k为神经网络输出节点数，M为输出层数，φ为激活函数。学习率用μ表示。数据流有两个阶段。首先，输入模式从输入层传播到输出层，作为向前数据流的结果，它产生了实际的输出。然后产生的错误信号从输出层反向传播到前一层以更新它们的权重。不同的训练算法使用性能函数的梯度来确定如何调整权重以最小化性能(即MSE)，这些算法是梯度下降与自适应lr(学习率)反向传播(traingda)，梯度下降动量和自适应lr反向传播(traingdx)， Leverberg Marquardt反向传播(trainlm)和缩放共轭梯度反向传播(trainscg)[9]。 |
BPN的实施 |
| 实现BPN的软件是MATLAB。BPN算法实现的基本过程如下: |
| •指定BPN的输入和目标。 |
| •指定层数。通过反复实验确定隐层的大小。 |
| •提到每个层的激活函数: |
| TANSIG是隐层的双曲正切s型传递函数。 |
| PURELIN是一个线性传递函数，它被用作输出层的激活函数。 |
| •创建前馈反向传播网络。 |
| •使用训练函数TRAINLM, TRAINSCG, TRAINGDA和TRAINGDX训练网络。 |
设计方法 |
| 用于去除ECG噪声的各种步骤如下: |
| •首先采集心电和肌电信号。 |
| •EMG和ECG信号被干扰的损坏信号。 |
| •计算估计信号心电信号。 |
| •然后应用不同训练算法的反向传播。 |
| •比较训练算法的性能。 |
| •获得估计的期望信号。 |
结果与讨论 |
| 利用ECG信号和肌肉噪声(EMG)对所提出的系统进行了评估。图2中原始心电信号为训练过程中的目标，图3为肌电信号。图4为受EMG和ECG干扰的损坏信号。一旦性能目标(估计ECG的均方值)达到最小值，训练就会停止。均方误差是输出和目标之间的平均平方差。MSE值越低，表示网络性能越好，0表示没有错误。 |
 |
|
| 其中，t -目标a -实际输出e -误差，N -样本数量 |
| 这里的目标是实现原始的心电信号，并将其作为目标传递给网络。信号的输入是受肌电图信号噪声污染的测量信号。这是由心脏以外的其他肌肉收缩引起的。 |
| 使用BPN估计心电图如图5所示。表1总结了神经网络的训练结果，通过比较四种训练算法的Elapsed time, epoch, SNR和MSE。这些算法是梯度下降自适应lr(学习率)反向传播(traingda)，梯度下降动量和自适应lr反向传播(traingdx)， Leverberg Marquardt反向传播(trainlm)，缩放共轭梯度反向传播(trainscg)。所有这些算法都使用性能函数的梯度来确定如何调整权重以最小化性能(即MSE)。 |
| 从表1中可以看出，用TRAINLM反向传播函数训练的神经网络可以得到最快的算法实现(12代)和最好的性能(MSE = 0.000783)。使用BPN估计的心电信号以及trainlm算法训练过程中的表现如图6所示。 |
结论 |
| 心电信号受到电极噪声、电源线干扰、肌电图等各种噪声的污染。采用常规方法去除非生理噪声。由于心电信号的某些特征与肌电信号相似。采用BPN技术消除心电信号中的肌电干扰。结果表明，即使干扰的频率内容相互重叠，BPN也是一种有效的消除心电信号非线性干扰的技术。从上图中可以明显看出，各种神经网络学习算法的性能目标是在反向传播上以最高的精度从噪声信号(测量)拟合到纯心电信号(原始)。Leverberg Marquardt反向传播(trainlm)具有MSE值小、时间短的优点。 |
|
表格一览 |
 |
| 表1 |
|
|
数字一览 |
|
|
|
参考文献 |
- R. Acharya, J. S. Suri, J. A.E. span和S. m .。心脏信号处理的进展?,Springer Berlin Heidelberg, New York, ISBN: 3-540-36674-1, 2007.
- J.莫斯和S.斯特恩，无创心电学:动态心电图监测的临床意义?，第一版，W.B.美国费城，ISBN: 9- 7020-1925-9,1996。
- K. Jagtap, M.S. Chavan, R.C. Wagvekar, M.D. Uplane，数字滤波器在心电图降噪中的应用?，仪器仪表学报，vol.40, no. 4。第83页?86,June 2010.
- 用改进的扩展卡尔曼滤波结构进行心电去噪和压缩?IEEE Trans。生物医学。工程55 (9)，2240?2248年,2008年。
- Sachin Singh和K. L. Yadav博士?心电信号处理中不同自适应滤波器的性能评估?计算机科学与工程学报，vol. 02, No. 05, 1880-1883, 2010。
- Syed Ateequr Rehman, R.Ranjith Kumar，自适应滤波算法在心电信号增强中的性能比较?国际计算机与通信工程高级研究杂志，第1卷，第2期，2012。
- Suranai Poungponsri，余晓华?一种基于神经网络的自适应滤波方法用于心电图信号降噪?神经计算117页，206页?213年,2013年
- Lubna Badri ?神经网络降噪的发展?《国际阿拉伯信息技术杂志》，2010年第7卷第3期。
- Demuth H.和Beale M.，神经网络工具箱用于MATLAB用户?《指南》，The Mathworks，马萨诸塞州。?2002。
|
菜单
(1)
