基于独立成分和小波分析的胎儿心电提取

背景：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,如何快捷与有效地提取出胎儿心电将成为重要的研究课题。 目的：采用结合独立成分分析和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。 方法：结合独立成分分析和小波分析的算法进行胎儿心电的特征提取,首先对含噪信号进行小波变换,去除奇异信号和非平稳随机信号,然后对小波重构后的信号运用快速独立成分分析算法进行成分分析。 结果与结论：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,但这些信号都是随机的,不相关的,可以认为它们间是相互独立的。采用结合独立成分和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。实验证明该方法是一种有效的方法。     

结合快速独立成分分析算法和卷积神经网络的胎儿心电信号提取与分析方法

胎儿心电信号为胎儿异常情况的早期诊断和干预提供了重要的临床信息,本文提出一种胎儿心电信号提取与分析的新方法。首先,将改进的快速独立成分分析（FastICA）法和奇异值分解（SVD）算法结合,来提取高质量胎儿心电信号并解决波形缺失问题。其次,运用一种新的卷积神经网络（CNN）模型识别胎儿心电信号QRS复合波,并有效解决波形重叠问题。最终,实现胎儿心电信号的高质量提取与胎儿QRS复合波的智能识别。以复杂生理信号研究资源网2013年心脏病学计算挑战赛（PhysioNet2013）数据库资料对本文所提方法进行验证,结果表明该提取算法平均灵敏度与阳性预测值为98.21%和99.52%;QRS复合波识别算法平均灵敏度与阳性预测值为94.14%和95.80%,相较于其他研究成果均有较好的提升。综上,本文提出的算法与模型具有一定的实践意义,今后或可为临床医学决策提供理论依据。     

基于非线性时间序列分析的胎儿心电信号提取

研究一种基于非线性时间序列分析的方法——非线性状态空间局部投影消噪算法来提取胎儿心电信号,在对胎儿心电信号进行分析的基础上提出胎儿心电提取的基本方案,采用改进的虚假邻点法及自相关函数法确定嵌入维数m及延迟时间τ,并对邻域半径r及局部嵌入流形维数Q的选取进行了说明。通过对实际母婴混合信号的仿真实验,验证了该方法的有效性。     

基于经验模态分解自适应滤波的胎儿心电信号提取

目的提出了一种基于经验模态分解自适应滤波的胎儿心电信号提取法。方法首先利用经验模态分解算法对孕妇腹部信号进行分解得到一组内模函数(IMF),然后将这组IMF作为自适应滤波器的主输入信号,并将孕妇胸部信号作为参考输入信号。通过学习算法自适应组合IMF,滤除母体心电信号成分,从而提取胎儿心电信号。结果与结论基于仿真和临床的实验结果表明,该方法提取的胎儿心电信号误差小,性能优于传统的最小均方和归一化最小均方自适应滤波算法。     

基于空间独立成分分析的内源性光学成像信号提取

目的：内源信号光学成像分析方法通常使用空白本底或交混本底作为基准图像,然后将刺激条件下获得的皮层图像与基准图像相除或者相减,得到刺激条件下的皮层功能图。但是空白本底和交混本底本身是含有皮层活动信息的,二者也存在结构上的差异,说明本底方法本身可能会带来计算误差。本文的目的是探索一种不使用本底基准图像的内源信号分析方法。方法：将主成分分析与空间独立成分分析相结合,不使用本底相减方法,以自行记录的麻醉猫初级视皮层对正弦光栅刺激反应所得到的成像图像为数据源,直接提取方位功能图。结果：我们提出的基于空间独立成分分析的内源信号分析方法同样可以提取出效果较好的方位功能图。将我们得到的方位功能图与传统本底方法得到的方位功能图的轮廓进行比较,两种分析方法得到的功能构筑信息基本相同。结论：我们提出的基于空间独立成分分析的内源信号提取方法可以有效直接从原始图像提取出方位功能图。     

新的独立成分分析算法结合主成分分析实现fMRI信号的盲分离

用ICA算法来实现fMRI信号的盲源分离,可以提取出产生fMRI信号的多种源信号。但是在处理过程中存在两个困难:(1)fMRI数据的规模比较大,计算耗时;(2)计算量太大难免产生误差,给结果的分析带来不便。所以我们考虑对数据进行降维,但是如何确定源信号的个数也是一个难题。我们利用信息论的方法来估计源信号的个数,再使用主成分分析对数据进行降维。通过这样的处理,有效地确定了源信号的个数,减少了计算量。然后将一种新的ICA算法(New fixed-point,NewFP)用于处理降维后的数据。最后通过对实际的fMRI信号进行处理,结果表明新算法可以快速有效的分离fMRI信号,且准确性优于FastICA算法。     

一种基于单通道腹部信号的胎儿心电提取算法

设计一种基于单通道孕腹部信号的胎儿心电提取算法,分别提取出母亲心电和胎儿心电,并计算出母亲心率和胎儿心率。首先对单通道孕腹部信号进行k-TEO(k=19)变换,突出母亲心电的QRS波,从而通过简单的阈值法确定母亲心电的R波位置,接着通过在相邻R波间重采样以获得相同的R-R间期T,这样经过一个间隔为T的梳状滤波器就可以分离出相同R-R间期的母亲心电,然后再一次在相邻R波间进行重采样恢复原来的R-R间期就可以获得实际的母亲心电了。原始腹部信号减去上面提取的母亲心电后,胎儿心电QRS波的信噪比大大提高,通过再次应用提取母亲心电的算法即可得到“干净”的胎儿心电波形。选取Physionet数据库中的8 组(26 通道)孕腹部信号数据进行分析,计算每个通道数据的胎儿心电QRS波位置识别灵敏度、阳性检测率和准确性。结果表明,胎儿心电QRS波的识别准确率达到87.1%,其中有6 个通道达到100%。另外计算每个通道的母亲心率和胎儿心率并做统计分析,发现每一组中各个通道的母亲平均心率和胎儿平均心率都非常接近,同一组中各通道间母亲平均心率最大误差为0.1次/min, 而胎儿平均心率最大误差也只有0.9次/min,进一步证明算法的可靠性。     

独立成分分析及其应用的研究进展

独立成分分析(ICA)是一项把混合信号分解成具有统计独立性成分的新技术。ICA近年已在生物医学和雷达等领域的信号分离中展示了很好的应用前景。我们比较系统地介绍了ICA的基本原理、主要算法、应用和将来ICA研究的发展方向，旨在进一步推动有关的理论与应用研究工作。     

一种基于独立成分分析的功能磁共振数据处理方法

独立成分分析（ICA）是统计信号处理中的一项新技术，用来从混合信号的多维观测中提取具有统计独立性的成分。我们针对功能磁共振数据处理，采用先对相邻的两体元信号作ICA分离，然后与参考信号进行相关，把相关系数大于一定阈值的体元作为刺激引起兴奋的体元，从而实现刺激的功能定位。经实际脑功能磁共振数据试验，初步证明了方法的有效性。     

基于空间约束的时间独立成分分析方法分析fMRI数据

首先采用相关分析初步检测可能的功能激活区域,并以初步检测的功能激活区域作为空间约束条件,对fMRI数据进行时间模式的独立成分分析,然后利用功能实验设计时序信息,通过典型相关分析方法对独立成分排序,自动识别与功能实验设计相关的功能信号成分,最后以识别的功能信号成分作为参考函数,重新利用相关分析自适应地分析fMRI数据。通过对实际的fMRI数据分析验证了提出方法的有效性及可靠性。     

两导心电信号独立分量分析算法的研究

根据独立分量分析(ICA)理论,要想在观测信号中提取出独立分量,观测信号的数目必须大于或等于独立分量的数目,因此要求采用ICA算法的胎儿心电图机导联数必须大于一定数目,但在实际应用中常常难以满足这个条件。故本文提出了一种基于少数导联心电(ECG)信号的胎儿心电(FECG)提取算法,结合FECG和自适应噪声抵消算法,从两导采集于孕妇腹部体表的ECG信号中提取FECG。实验表明,该方法能够获得清晰的FECG信号。     

Fetal heart rate monitoring based on independent component analysis

In this paper, an algorithm based on independent component analysis (ICA) for extracting the fetal heart rate (FHR) from maternal abdominal electrodes is presented. Three abdominal ECG channels are used to extract the FHR in three steps: first preprocessing procedures such as DC cancellation and low-pass filtering are applied to remove noise. Then the algorithm for multiple unknown source extraction (AMUSE) algorithm is fed to extract the sources from the observation signals include fetal ECG (FECG). Finally, FHR is extracted from FECG. The method is shown to be capable of completely revealing FECG R-peaks from observation leads even with a SNR=-200dB using semi-synthetic data.     

基于快速定点独立分量分析算法的母胎心电信号分离

研究快速定点独立分量分析方法在母胎心电信号分离中的应用。采用此算法,在胎儿心电信号与母体心电信号可以视为相互独立的信号源的前提下,对来源于同一孕妇的观测信号进行独立分量分离。快速定点独立分量算法可以有效地分离出单个独立分量,得到的胎儿心电信号(FECG)较理想。采用独立分量分析方法,实现母胎心电信号分离,是一种值得尝试的信号处理方法。     

An fMRI study of acupuncture using independent component analysis

In this paper, we studied the brain functional networks corresponding to the traditional multiple-block acupuncture task paradigm. Due to the complexity and sustainability seen during acupuncture, we wanted to investigate whether or not the effects during acupuncture are changing according to the multiple-block paradigm. We introduced the data driven method of independent component analysis (ICA) to identify brain functional networks activated during the course of acupuncture and to isolate different networks likely related to different aspects of the acupuncture experience. The comparisons between different resting states disclosed the discrepancies between the pre- and post-needling effects in the brain. Furthermore, the distinction between needle stimulation and the resting state indicated that there existed different functional brain networks. These results also portray time variability during the course of acupuncture.     

基于粒子群优化算法的白血病基因表达样本分类研究

目的基于分子生物学的微阵列基因表达数据和智能优化算法对白血病肿瘤样本进行分类研究。方法给出基于粒子群优化(PSO)算法用于分类模型的训练和测试,选取含7129个基因的72个白血病基因表达样本,从中选取包含50、100和200个特征基因的3组数据,在不同基因数条件下分别执行10次分类测试。建立基于K-均值算法的分类模型,在同等条件下验证PSO算法分类性能。使用准确率、精确率、召回率、F1值等机器学习指标及Boxplot和Heatmap图谱用于分析对比。结果PSO算法用于分类测试的数据分别含20例急性淋巴细胞白血病(ALL)和14例急性髓细胞白血病(AML)样本。10次分类结果的平均分类准确率均在90%左右;PSO算法的分类准确率并不稳定,10次分类测试中,准确率的平均值和最优值间存在明显差异;ALL亚型的召回率明显高于AML亚型,均接近100%,但AML亚型的精确率明显高于ALL亚型,均接近100%,F1值可比性不大。K-均值算法与PSO算法类似,分类性能随着基因数的增加而降低;K-均值算法在200基因数条件下分类结果较差,分类稳定性和准确率均出现大幅下降,且低于同等条件下PSO算法分类结果;100个基因数条件下,ALL亚型召回率为100%,高于AML亚型;AML亚型精确率为100%,高于ALL亚型;200个基因数条件下,平均值中ALL亚型召回率和F1值高于AML亚型,AML亚型精确率高于ALL亚型,其最优值的统计学指标差异不大。相同白血病肿瘤样本的不同特征基因数条件下,PSO算法可获得较高准确率的分类结果,但分类稳定性不足,整体上优于K-均值算法。结论PSO算法能够应用于白血病基因表达样本的分类研究。     

基于独立成分分析和随机森林判别法的Microarray分析及在分子生物学中的应用

提出基于独立成分分析（ICA）和随机森林判别的Microarray分析方法。该方法先采用独立成分分析获取高阶统计信息,提取Microarray数据特征,达到降维的目的。再应用提取的特征,采用随机森林判别法对样本进行分类。数值分析结果表明,提取5个特征就可以使袋外样本OOB（out of bag）的分类错误率达到7．89％。该方法有效地降低了特征空间维数,具有较高的正确识别率,提高了算法的鲁棒性和灵活性。     

MUAP extraction and classification based on wavelet transform and ICA for EMG decomposition

We have developed an effective technique for extracting and classifying motor unit action potentials (MUAPs) for electromyography (EMG) signal decomposition. This technique is based on single-channel and short periodȁ9s real recordings from normal subjects and artificially generated recordings. This EMG signal decomposition technique has several distinctive characteristics compared with the former decomposition methods: (1) it bandpass filters the EMG signal through wavelet filter and utilizes threshold estimation calculated in wavelet transform for noise reduction in EMG signals to detect MUAPs before amplitude single threshold filtering; (2) it removes the power interference component from EMG recordings by combining independent component analysis (ICA) and wavelet filtering method together; (3) the similarity measure for MUAP clustering is based on the variance of the error normalized with the sum of RMS values for segments; (4) it finally uses ICA method to subtract all accurately classified MUAP spikes from original EMG signals. The technique of our EMG signal decomposition is fast and robust, which has been evaluated through synthetic EMG signals and real EMG signals.     

A comparative study of feature extraction and blind source separation of independent component analysis (ICA) on childhood brain tumour 1H magnetic resonance spectra

Independent component analysis (ICA) has the potential of determining automatically the metabolite signals which make up MR spectra. However, the realiability with which this is accomplished and the optimal approach for investigating in vivo MRS have not been determined. Furthermore, the properties of ICA in brain tumour MRS with respect to dataset size and data quality have not been systematically explored. The two common techniques for applying ICA, blind source separation (BSS) and feature extraction (FE) were examined in this study using simulated data and the findings confirmed on patient data. Short echo time (TE 30 ms), low and high field (1.5 and 3 T) in vivo brain tumour MR spectra of childhood astrocytoma, ependymoma and medulloblastoma were generated by using a quantum mechanical simulator with ten metabolite and lipid components. Patient data (TE 30 ms, 1.5 T) were acquired from children with brain tumours. ICA of simulated data shows that individual metabolite components can be extracted from a set of MRS data. The BSS method generates independent components with a closer correlation to the original metabolite and lipid components than the FE method when the number of spectra in the dataset is small. The experiments also show that stable results are achieved with 300 MRS at an SNR equal to 10. The FE method is relatively insensitive to different ranges of full width at half maximum (FWHM) (from 0 to 3 Hz), whereas the BSS method degrades on increasing the range of FWHM. The peak frequency variations do not affect the results within the range of ±0.08 ppm for the FE method, and ±0.05 ppm for the BSS method. When the methods were applied to the patient dataset, results consistent with the synthesized experiments were obtained. Copyright © 2009 John Wiley & Sons, Ltd.