基于非負矩陣分解的盲源分離算法在心電信號消噪中的研究.pdf

1、心電信號（Electrocardiogram，ECG）是人體的重要生理信號之一，其中包含著大量關于心臟的病變、病理狀況的相關信息，也反映了心臟與心血管的結構及其生理和病理的特性。心電信號的分析診斷對心血管等系統(tǒng)疾病的診斷具有很重要的意義，其精確度和可靠度會直接地影響心臟疾病患者的臨床醫(yī)療診斷和愈后的效果評價。然而，傳統(tǒng)的心電識別方法是醫(yī)生臨床聽診，很顯然此過程具有一定的主觀判斷和不穩(wěn)定性，準確性比較差?，F(xiàn)階段，從人體體表獲取的心電信號，

2、或多或少都會受到工頻干擾、肌電干擾以及基線漂移等多種噪聲的干擾。因此消除心電信號的噪聲，對之后臨床研究的特征波檢測以及病理診斷等需求都具有重要的意義。
　　非負矩陣分解(Non-negative Matrix Factorization，NMF)，作為一種新興的特征分離方法，由Lee和Seung等人在盲源分離的應用背景下于1999年提出，并發(fā)表在Nature雜志上，并且慢慢發(fā)展成為了信號處理和數(shù)據(jù)分析韻有效方法。通過在矩陣分解過程

3、中加入非負的矩陣元素，非負矩陣分解使得分解結果呈現(xiàn)出的完全不同，完成了降維的非線性目標。隨著盲源信號處理研究的逐漸加深，非負矩陣分解已經逐步成為信號處理、生物醫(yī)學和圖像處理等多個研究領域中最受學者青睞的數(shù)據(jù)處理工具之一。本文將非負矩陣分解應用于對心電信號的消噪，具有收斂速度快、稀疏性、非負性、降維等特性。
　　在對基本NMF算法的學習中，NMF加人了非負的約束。這樣，通過分解得到的基信號數(shù)據(jù)以及用于重構的權重系數(shù)都是非負的。在這種

4、模式下，只允許線性疊加運算，這就保證了“局部構成整體”模式。因此，NMF被認為是提取局部特征的一種方法。但是，NMF算法得到的“部分”有時候并不是像我們預期的那樣局部化，而且基本NMF方法在某些時候的識別率不是很高。
　　出于對NMF原算法的深入學習，本人在研究局部信號數(shù)據(jù)時建立PNMF算法，其目的是通過引入稀疏性限制獲得編碼矢量（矩陣H)真正的局部分解對象，并使基本組件（矩陣W)局部稀疏化，加強基成分的局部化特征，使算法適用于局

5、部特征非常重要的應用。
　　本文結合NMF算法特點及心電信號特征，首次提出了一種新的NMF算法——PNMF對心電信號盲源分離。結合MIT/BIH國際標準數(shù)據(jù)庫中ECG數(shù)據(jù)和模擬基線漂移、工頻干擾以及肌電干擾噪聲合成含噪聲心電信號，并應用新提出的PNMF算法進行盲源分離實驗研究，對分離結果采用信噪比(Signal to Noise Ratio，SNR)評價參數(shù)進行量化評價，與3種不同的NMF算法進行了對比，同時將PNMF算法與Fas