文档介绍：引言心电信号作为心脏电活动在人体体表的表现,信号一般比较微弱,幅度在 1 0uV-5mV 频率为 -100Hz 。在心电信号的采集、放大、检测及记录过程中,有来自外界的各种干扰, 可能对 ECG 信号造成干扰。 ECG 噪声可能来自如下几个方面[2] ;(1 )工频( 50Hz/60Hz )干扰;(2) 电极接触噪声;(3) 运动伪迹( Motion Artifact );(4) 肌电噪声( EMG );(5) 呼吸引起的基线漂移和心电幅度变化;(6 )其它电子设备的机器噪声;(7 )电外科噪声(电外科噪声是一种高频干扰,与 EMG 不同的是, 它表现为幅度很大的正弦波, 因而完全破坏了心电信号)。去除 ECG 中 50Hz 的工频干扰可用多种数字滤波方法,常用的有平滑滤波,简单整系数带阻滤波滤波, 小波变换, 自适应滤波等。目前压制工频干扰的方法主要是采用陷波滤波法和自适应滤波法[6]。陷波滤波法是在频率域中实现的,设计多吸收点的、具有一定阻带宽度的陷波滤波器组,用以消除工频干扰的基波和谐波成分。要是信号频谱与工频干扰的频谱有混叠, 则陷波滤波器在滤除工频干扰的同时也会造成目标信号的损失。而自适应滤波法的前提是目标信号和干扰波不相关。在此基础上,利用自适应滤波算法(最小均方或最小二乘法),自动调整滤波器系数,以跟踪输入过程的变化,并实现工频干扰的自适应抵消。这种方法在时间域进行,其本质与陷波滤波是一致的。 1 ICA 基本理论 基本模型定义独立分量分析的模型如图 1所示,它是从线性混合信号里恢复出一些基本的源信号的方法。假定第 i 个观测信号 x 是由 n 个相互独立的未知信号 s 线性混合而成: n in iiiaaasssx????? 2211,mi,,2,1??(2-5 ) 假定每个观测变量和未知源变量都是随机变量,矢量 ix 表示观测变量],,,[ 321xxx?,矢量 js 表示源变量],,,[ 321sss?,A表示混合矩阵 ija ,上式可以用矢量矩阵形式表示: As X?(2-6 ) 也可以写成: ??? nj j ijisax 1(2-7 ) 统计模型称为独立分量分析( ICA )模型[12]。该模型描述了观测数据是如何由未知源信号 s混合生成的。源信号是隐藏变量,不能直接观测到,而且混合矩阵也是未知的,所有能观测到数据是随机变量 x。源信号)(ks 混合系统 A 噪声信号)(kn 观测向量)(kx 分离系统 W 输出向量)(ky 为了保证 ICA 模型是可解的,我们做以下假定和限制[11]: 第一项假设是统计独立性, 这项假设是最重要的, 也是 ICA 方法可用于许多不同应用领域的主要原因。第二项假设是非高斯分布。如果所观测变量具有高斯分布,其高阶累积量为 0 ,因此就无法根据高阶信息估计 ICA 模型。第三项假设未知混合矩阵(即A) 是方的, 即独立分量数等于观测混合信号数,以简化估计。第四项假设是各个观测器引入的噪声 n很小,可以不予考虑。在满足以上四项假设的情况下,通过计算矩阵 A 的逆 W ,就可解出独立分量xsW?( 2-8 ) FastICA 算法 FastICA 算法, 又称固定点(Fixed-Point) 算法, FastICA 算法有基于峭度、基于似然最大、基于负熵最大等形式, 这里