论文部分内容阅读
生物医学中所用到的心电图(Electrocardiogram,ECG)中包含心跳速率(Heart Rate,HR)、波形趋势以及波群周期等重要特征,这些潜在信息能够辅助医生在治疗过程中适当调整手术方案。在ECG中有一类特殊的信号:胎儿心电(Fetal Electrocardiogram,FECG),由于其中存在孕妇心电信号(Maternal Electrocardiogram,MECG)和噪声的干扰,提取清晰的FECG成为一个难点,相应的特征提取比如R波定位和胎儿心率(Fetal Heart Rate,FHR)计算也增加了难度。本文提出一种从孕妇腹腔心电图中提取FECG的神经网络改进算法,并利用小波分析的特征提取改进算法对FECG进行R波检测和FHR计算,主要的研究内容如下所述:1、针对FECG中所含噪声的特殊性和差异性,本文进行了去噪预处理,对工频噪声、基线漂移和肌电噪声三种不同的杂声采用了不同的抑制方法,使用梳状滤波器抑制工频噪声、中值滤波器抑制基线漂移、低通滤波器去除肌电噪声,实验证明将不同的干扰信号分开处理可以得到更好的去噪效果。2、针对传统神经网络算法采用的梯度下降法导致的计算时间长、容易落入局部极小值等缺点,本文提出将列文伯格(Levenberg-Marquard,LM)算法结合后向传播神经网络(Back Propagation Neural Networks,BPNN)从MECG中提取FECG的算法。将LM-BPNN应用于模拟数据和临床数据中,均方误差(Mean Square Error,MSE)和信噪比(Signal Noise Ratio,SNR)等指标明显优于其余改进BPNN算法,在可视性效果、精度和速度方面也有相当大的优势。3、提出了基于小波理论的R波检测改进算法。由于提取到的FECG中R波定位不准确而导致FHR的计算与实际有差异,本文在小波变换(Wavelet Transform,WT)模极大值的基础上应用自适应阈值R波检测算法,并将其应用在模拟数据和临床数据中,结果证明该方法对模拟信号的R波定位准确率在99%以上,瞬时心率误差在0.37%左右,表现出了良好的检测特性。本文提出的FECG的特征提取算法不管在模拟信号还是临床信号中都具有很好的应用性,为神经网络在医学信号处理中做了进一步研究,为FECG其余波的特征提取打下了良好的基础。