胎儿心电（共4篇）
胎儿心电 篇1
0引言
胎儿心电的提取是围产期的一项重要监测项目。其目的是为了了解怀孕期间胎儿心脏的健康状况。通常是在母体腹部适当位置处放置若干体表电极以测量胎儿心电 (fetal ECG, FECG) 。但测得的信号中常迭加着一些干扰和噪声。其中最主要的干扰来自母体心电 (maternal ECG, MECG) 。此外, 工频干扰、呼吸、肌电等引起的噪声也是常见的。
目前已有许多采用其它技术来提取FECG的报道, 如匹配滤波、基于自相关与互相关的方法、自适应噪声抵消、奇异值分解等。但这些方法都存在一些缺陷, 如FECG的提取效果受电极放置的位置、人工干预、胎儿姿态等的影响。
随着盲源分离 (Blind source separation, BSS) 的发展, 人们开始尝试用独立分量分析 (independent component analysis, ICA) 的方法来提取FECG。ICA是指在多个独立信源S与混合矩阵A均未知的情况下, 寻找某种算法, 能够从观测信号中恢复出源信号中各个独立分量。在胎儿心电测量值中, 噪声是混合的, 混合系数决定于身体的几何因素和软组织的导电率, 因此噪声基本上是恒定的, 而且这些信源间相互独立, 符合ICA的基本要求, 所以采用ICA技术来提取FECG是一项可行的办法。但是, 从大量接收的混合信号中把所有的源信号都分离出来耗时大, 计算量大, 因此最理想的算法是从接收信号中直接把需要的FECG提取出来。文献[1]提出了基于相关函数最大化的源信号提取算法, 该算法简单、运算量小, 可以很快地提取出FECG, 但所提取的FECG中常混有一些低频噪声, 效果不太理想。本文在此文献的基础上, 提出了一种基于峭度和自相关函数联合最大化的算法——KAJM算法。该算法充分利用了FECG与其它源信号互相独立, 并且具有特殊的自相关结构等性质, 能快速提取出FECG, 并大大降低各种噪声的影响。
1算法推导
文献[2]已证明, FECG的分离问题是一个基于瞬时线性混合模型的独立分量分析问题。在该模型下, 源信号的提取问题可描述为:设有N个未知的零均值、单位方差的统计独立的源信号s1, s2, …, sN, 被随机混合成M (M≥N) 个混合信号x1, x2, …, xM, 即x=As, 其中x=[x1, x2, …, xM]T, s=[s1, s2, …, sN]T, A为M×N维未知的混合矩阵。现希望找到一个列向量w, 使得y=wTx为一个源信号。
通常在处理之前, 要对接收信号x进行预白化, 其目的是简化算法或改善算法性能。本文设x已白化。
现考虑FECG提取问题。因为胎儿心跳周期与母体不同, 且多数噪声可看成白噪声, 故可作出以下合理假设:设需要提取的源信号si与其它信号的自相关函数满足以下条件:
式中τ*称为最优时延 (Optimal Time Delay, OTD) 。利用FECG与这些噪声是彼此统计独立的先验知识, 在wTw=1的条件下构造目标函数:
undefined. (2)
式中kurtosis (y) 定义为归零化峭度:
undefined. (3)
式中y=wTx为输出信号。当算法最终收敛时, y即为FECG。η为一个参数, 它必须保证最大化 (2) 式后得到的输出y为FECG。若η选取不当, 则有可能输出为其它源信号 (如MECG) 。值的选取问题, 后面有详细阐述。
类似于文献[3]的推导, 对 (2) 式求关于w的梯度, 得到:
undefined. (4)
式中Rx (τ*) =E{x (t) x (t-τ*) T}, m2和m4分别为y的二阶原点矩和四阶原点矩。从而得到了基于最大化 (2) 式的离线梯度算法 (KAJM算法) :
undefined
其中ζ=μη。该算法在每一次迭代后, 都需要对w (k+1) 进行归一化, 即:w (k+1) ←w (k+1) /‖w (k+1) ‖。
为了寻找最优延时τ*, 文献[1]提出挑选一个包含有明显FECG的信号xi, 求它的自相关函数ri (τ) =E{xi (t) xi (t-τ) }。由于胎儿的心跳频率通常在120～160次/分之间[1], 因此在ri (τ) 上特定的区间 (τ∈[0.375, 0.5]) 将有一个峰值。该峰值对应FECG的OTD。此种方法有可能引入估计误差, 但大量仿真试验显示, 本文提出的算法对该估计误差不敏感, 性能不受影响。
常数ζ影响到提取信号的质量。本文设ζ为时变量, 即ζ (k) =ζ0 (k+1) , 其中k为迭代次数;ζ0为初始值 (通常取值在10以上) 。此时算法[5]变为:
2仿真试验
本试验所采用的ECG数据来自文献[4] (图1所示) , 其采样频率为250 Hz, 采样时间为10 s[1]。由于接受信号x1包含有较明显的FECG, 故对其求自相关函数。在区间[0.375, 0.5]之间可找到一个峰值, 对应的τ*为0.448 s (相当于112个采样周期) , 即为所求的OTD (此时估计的OTD等于真实的OTD) 。用本文提出的KAJM算法提取FECG, ζ0为10, w的初始值为范数是1的任意列向量, 步长μ取为0.1, 结果如图2中第二条曲线所示。图1中第一条曲线是采用文献[1]中的算法所得到的FECG。显然, 本文提出的算法大大降低了呼吸噪声的影响, 得到的FECG更加清晰。前面曾指出, 对OTD的估计有可能与真实的OTD有偏差, 故在第二个实验中, 参数OTD取为0.452 s (相当于113个采样周期) , 其他参数不变, 运行本文算法和文献[1]的算法进行比较, 结果分别如图2中第4条曲线和第3条曲线所示。可见, 文献[1]中的算法对OTD的估计误差非常敏感, 此时已得不到FECG, 而本文提出的算法则对OTD的估计误差有较强的鲁棒性, 仍能提取出清晰的FECG。
3结束语
本文利用胎儿心电信号与其它信号相互独立, 且具有一定的自相关结构的特点, 提出了一种基于峭度和自相关函数联合最大化的源信号提取算法。大量的仿真试验表明, 该算法收敛速度快, 能有效地抑制各种噪声, 提取出的FECG更为清晰。尽管该算法需要事先估计胎儿心电图的周期, 但允许有较大的估计误差。相比之下, 文献[1]中提出的算法则对该估计误差非常敏感, 实用性不强。
参考文献
[1]Barros A K, Cichocki A.Extraction of Specific Signalswith Temporal Structure[J].Neural Computation, 2001, 13:1995-2003.
[2]LATHAUWER L D E, MOOR BDE, VANDEWAL-LE J, Fetal.Electrocardiogram Extraction by BlindSource Subspace Separation[J].IEEE Trans on Bio-medical Engineering, 2000, 47 (5) :567-572.
[3]Amaris, Cichocki A.Adaptive Blind Signal Processing-neural Network Approaches[J].Proc of the IEEE, 1998, 86 (10) :2026.
[4]张开滋, 郭继鸿, 刘海洋, 等.临床心电信息学[M].长沙:湖南科学技术出版社, 2002:117-398.
胎儿心电 篇2
随着计算机技术的不断发展, 我国已经由传统的电子监护向专家分析系统方面进行发展。胎儿远程心电监护主要是指, 产妇在家中利用终端对胎儿的心电进行监测, 监测的结果通过电话线、互联网络等通信网络传输到医院, 有专家对结果进行分析, 并给出相应的防护措施。让孕妇可以足不出户便能够完成产前的检查工作, 并能够随时了解胎儿的健康情况, 保障孕妇和胎儿的健康安全。下面从各个方面介绍胎儿心电信号的提取以及监护系统应用。
1 胎儿心电信号的提取
FECG不仅能够帮助得到胎儿的心率值和瞬时心率值, 还能够从胎儿心电波形得到更多关于胎儿心脏的信息。通过对波形的分析, 结合孕妇的临床观察, 能够及时发现胎儿的情况, 如内部缺氧、妊娠期、分娩期等病理情况, 并采取有效的措施, 有效降低围产期胎儿的发病。当发现胎儿有先天性心脏病的时候, 应该要通过提前终止妊娠、进行宫内心脏修补手术等方法, 治疗胎儿疾病, 从而达到优生优育的目的。根据目前的情况显示, 胎儿心电信号的获取方法包括了头皮电极法以及胎儿心电法两种方法。下面进行详细介绍:
1.1 头皮电极法
头皮电极法主要是指产妇在分娩的时候, 通过胎儿头皮上的电极来获得FECG。该方法不会受到孕妇心电信号的影响。因此具有心电波形清晰等特点, 但无法对胎儿的情况进行连续的监测。因此不建议在怀孕期间使用。此外, 由于这种方法对胎儿产生一定的伤害, 容易导致感染的风险, 因此, 并不适用于胎儿的监测当中。
1.2 腹部胎儿心电法
要使用无创性的监测方法, 腹部胎儿心电发是一个比较良好的选择。该方法具有操作简单, 可以进行连续监测。对胎儿和孕妇都有损害, 因此是一种比较好的检测方法。由于这种方法用于FECG的提取方法, 还包括了APA的干扰对消法、自适应滤波法等相关技术。然而这些技术的算法并不科学, 提取出来的FECG效果并不满意, 且算法还存在着建模难的特点, 因此在提取算法当中并不适用。
2 胎儿远程心电监护系统
随着人类对健康的日益重视以及远程医疗的逐步发展, 家庭医疗保健工程逐渐走到人们的生活当中。这种治疗工程提出了“在家就医”的方法, 通过在家就医达到自我保健的效果。通过将高科技和先进的医疗技术相结合, 从而对孕妇和胎儿的健康进行及时的监护。进入21世纪, 由于医疗费用不断高涨, 实现在家进行给护理治疗是提高生活质量的趋势。给予无线通信网的远程监护系统主要通过网络的传输以及医院社区监护中心构成。通过该系统, 产妇可以在家中对胎儿的信号进行记录, 而不会受到监护装置的限制, 并将采集到的心电数据通过电话线和网络传输到医院当中, 并有医院的专家进行诊断。下面本文对该系统的应用和发展进行研究。
2.1 胎儿远程心电监护系统的发展
在上世纪初开始, 记录胎儿心电的技术已经出现, 但是由于技术等原因未能够应用到临床试验当中。在1957年, 医学家进行了胎儿心电图的研究并在1958年对胎儿心率监护工作进行报告, 并开张了以腹壁诱导心电法检测, 对胎儿心率进行监测和记录工作, 为日后的心率图记录奠定基础。1974开始, 大批的胎儿监护仪器进图市场, 在发达国家之间流行。
随着胎心监护技术的不断发展, 人们再想到一个问题, 如何让孕妇在家中感到异常情况的时候, 得到有效地监护。因此, 为了寻求这样一种方法, 专家正在寻求一种既能够方便孕妇进行检查, 又能够及时发现胎儿情况的监测手段。随着科学技术的不断发展, 胎儿电子监护技术得到不断广泛应用, 新一代的远程胎儿电子监护应运而生。经过十多年的发展, 远程胎儿监护系统已经成熟发展, 可以采用普通电话线进行信息的传递。通过采用模拟数据的传输, 将信号传送到电话线上, 成本比较低, 但准确性同样较低。另一种方法则是, 以数据传输为主, 其特点是将传输的信息转化成为数字信号, 再通过电话线进行传输, 利用误差检测方法实现无误出传输工作。
2.2 胎儿远程心电监护系统的应用
由于胎儿远程心电监护系统是一种新兴的技术, 它能够将孕妇和胎儿的健康情况和医疗技术相结合, 实现胎儿心电等生理数据的获取。通过该监护系统, 实现了孕妇—专家, 家庭——医院的开放式监护工作, 极大程度上实现了社会的要求。因此, 应该大力发展该系统, 让更多的孕妇能够得到监护, 因此受到了孕妇和医生的欢迎。
3 结束语
目前胎儿远程心电监护系统依然存在着相关的问题, 包括:电话网的心电信号速度较慢, 受到的干扰较大[2], 腹壁外的胎儿心电提取工作受到严重的干扰;孕妇的探头位置需要进一步改善等。随着一起设备和医疗设施的不断改善, 远程监护系统也将会不断完善, 其收集的信息可以不断扩大, 孕妇通过仪器还可以对心率、血压、心电数据、尿蛋白、血糖、体重等方面进行测量, 并通过互联网的方式传递到医院的监护中心进行储存, 必要的时候可以进行数据的统计和分析总结, 为日后的资料提供依据和借鉴。由此看来, 胎儿远程监护工作会成为围产医学领域、家庭监护领域以及社区监护领域当中的一项重要的内容, 有着非常重要的意义和广泛的前景。
参考文献
[1]姜佩杰, 吴水才, 贾文娟, 白燕萍, 杨春兰.胎儿心电信号的提取及远程监护系统的研究[J]中国医疗设备.2010.01 (03) :67—69.
胎儿心电 篇3
在围产期,胎儿由于脐带压迫或其他原因造成暂时性缺氧,会引起窒息、智力迟钝、痴呆甚至死亡。据统计,我国弱智儿童中很大部分是由于胎儿生长过程中处于缺氧的窘迫状态而导致发育不良或早产造成的[1],而25%的胎儿死亡是可以避免的[2]。因此,围产期对孕妇和胎儿进行监护十分重要。胎儿心电图(fetal electrocardiogram,FECG)记录的是胎儿心脏动作电位及其在心脏传导过程中的图形变化,通过对其波形变化的分析,可及早发现许多妊娠期或分娩期的胎儿病理情况,以便及早采取措施,从而预防新生儿疾病并降低胎儿死亡率,实现优生优育。
胎儿心电信号包含了许多胎儿健康的重要信息,但是容易受到各种噪声影响,如母体心电(maternal electrocardiogram,MECG)、工频干扰、基线漂移以及母体肌电(EMG)等。其他干扰可以通过普通滤波消除,但作为强噪声的母体心电幅度比胎儿心电大10~20倍,且在时域中胎儿心电约有10%~30%和母体心电重合,频域中也有大部分频谱重叠,因此胎儿心电常被淹没。另外,如何确定胎儿位置和电极的放置等,都是胎儿心电信号提取的困难之处[3]。
近几十年来,在胎儿心电提取上已经提出许多方法和算法,传统经典算法包括相干平均法、匹配滤波法、自适应滤波法、奇异值分解(SVD)和小波分析,近年发展起来的方法有独立量分析(ICA)[4,5,6]和神经网络[7,8,9]等。另外,国内外众多学者也在上述方法的基础上尝试改进[10,11,12,13]或2种算法结合应用[14,15,16]。但是这些方法都存在着一定的局限性:匹配滤波虽然简单,但是识别率低;自适应滤波提取信号中常混有母体心电信号;SVD和ICA[4]效果较好但实现困难,目前理论研究居多;神经网络建模难,收敛速度慢。因此,从母体腹部所获取信号中提取纯净胎儿心电信号,国内外都尚处于研究阶段[17]。
本文将小波分析与自适应算法相结合,对母体腹部信号和胸部信号小波分解后分别每层对应自适应滤波,再通过小波重构得到胎儿心电信号。结果证明,相对于传统自适应算法,提取效果有明显提高,尤其对母体与胎儿心电重合部分有很大改善;同时与其他算法相比,具有较好的实时性。
2 算法原理
自适应滤波和小波分解都属于经典的信号处理算法,将自适应滤波应用于小波分解后的每层小波系数,在胎儿心电提取中是一种新的方法。首先将母体腹部信号和胸部信号进行5层小波分解,提取出每层系数分别对应自适应滤波,然后对处理后的小波系数重构,便得到所需的胎儿心电。本文所提出方法采用的是平稳小波变换,自适应滤波采用LMS算法。
2.1 小波分析
几十年来,小波分析在应用数学和工程学科中得到迅速发展,与Fourier变换相比,小波变换属于时间(空间)频率的局部化分析,能自动适应时频信号分析的要求,从而可聚焦到信号的任意细节,适用于微弱信号的检测。小波分解就是对低频分量不断进行细化,逐层将信号分解为近似部分和细节部分。
平稳小波变换是一种非正交的小波变换,能对连续小波变换给出一个更为近似的估计。离散小波变换在信号分解过程中采用下抽样,重构时再通过插值补零恢复信号长度。而在平稳小波变换时,不对信号本身进行下抽样处理,而是对滤波器进行修改,在每2个滤波器系数间插零来实现滤波器的延展。这样变换后的近似信号和细节信号长度与原信号相同,可有效避免因信号下抽样、小波基不具有平移不变性而造成重构时的Gibbs振荡现象。
小波去噪的原理就是将信号小波变换多尺度分解,对各尺度上的小波系数做阈值处理,然后利用小波系数重构信号,从而达到去噪目的。目前最常用的小波变换去噪法有阈值去噪和模极大值去噪2种。在胎儿心电信号提取应用中,通过小波域中模的极大值方法来检测腹部信号中的奇异值,将腹壁混合信号中与母体心电信号相同的奇异点相抵消,然后获取胎儿心电信号并进行重构。另外,小波变换也常用来与其他信号提取算法相结合,对算法进行后期去噪处理。
小波分析是分析非平稳信号的强有力工具,在胎儿心电提取中也得到了较广泛应用。但其缺点是提取效果受母体腹部信号波形影响较大,效果不稳定,且模极大值重构时计算量大,实时应用有一定困难[18]。因此小波分析更多的是在其他算法基础上对MECG前期预处理,或对提取得到的FECG进一步去噪。
2.2 自适应滤波算法原理
自适应滤波器通过采用期望值和负反馈值进行综合判断的方法来改变滤波器的参数。作为一种经典的算法,自适应滤波在胎儿心电信号提取中被广泛使用。自适应滤波系统由2个输入端构成,即原始输入端和参考输入端。在胎儿心电提取中,将母体腹部提取信号作为原始输入,母体胸部信号作为参考输入,不断调整滤波器系数使参考输入无限接近母体心电信号,通过原始母体腹部信号减去母体胸部信号,便可得到较为纯净的FECG信号。自适应滤波原理如图1所示。
常用自适应滤波算法有最小均方误差(LMS)算法、归一化最小均方误差(NLMS)算法和递推最小二乘(RLS)算法等。在这几种基本算法基础上,又有多种改进算法。不同的算法具有不同的收敛速度、稳态失调和算法复杂度。LMS是现今应用最广泛的一种线性自适应算法,它是基于最小均方误差算法(MMSE)和最陡下降法(SD)提出的,算法简单,易于实现。
LMS算法进行修正的滤波器权系数迭代公式为:
式中,μ为控制收敛速度的常数,称为步长因子。为了保证迭代后收敛,必须满足
式中,λmax是输入信号自相关矩阵的最大特征值。
在n时刻滤波器的参考输入信号为:
对应滤波后输出为:
则滤波器输出误差估计为:
式中,m是自适应滤波器的长度,W(n)为自适应滤波器在时刻n的权矢量,d(n)为期望输出值,x(n)为干扰信号,e(n)是误差信号。
LMS算法结构简单、计算量小,不要求信号绝对平稳,在正确条件下可获得满意的性能。但其缺点是提取到的胎儿心电信号中常混有一些母体心电成分,而且对输入相关矩阵条件变化比较敏感。
3 算法验证与讨论
胎儿心电信号的提取可分为以下几个步骤:
(1)分别对母体腹部信号和胸部信号做平稳小波分解,尺度为5,小波函数采用“sym4”;
(2)将各层分解所得到的小波细节系数,分别采用LMS算法进行自适应滤波,其中母体腹部信号的细节系数作为自适应的原始输入,母体胸部信号的细节系数作为参考输入。LMS算法参数设置:滤波器长度m=7,步长因子μ=0.000 000 1。
(3)将第5层小波近似系数采用LMS算法自适应滤波,同样母体腹部信号的近似系数作为自适应的原始输入,母体胸部信号的近似系数为参考输入。
(4)利用平稳小波的逆变换对自适应滤波后的小波系数进行重构,得到所需的胎儿心电信号。
对算法进行验证所采用的数据来源于Da ISy数据库(database for the identification of systems),由Lieven De Lathauwer[19]提供。数据的采样频率为250 Hz,记录时间为10 s,共有8道数据,其中前5通道为母体腹部信号,后3通道为母体胸部信号,每个通道采集2 500个数据点。取每个通道的前1 000个点绘制心电波形,如图2所示。
首先采用第1通道腹部信号和第8通道胸部信号提取胎儿心电,实验结果如图3所示。原始输入和参考输入信号波形都比较清晰,因此提取效果较为理想。
为了对比效果,作者将第1通道腹部信号和第8通道胸部信号直接进行LMS实时滤波,参数设置不变,实验结果如图4所示。
实验结果对比可知,本文所提出算法比LMS算法提取效果明显提高,更好地抑制了母体心电的干扰。另外,观察胎儿心电第6个波形可看出,对FECG和MECG波形重叠部分有较好的改善。
下面使用其他通道数据做算法验证,结果如图5、图6所示。
不同通道的验证结果均强于LMS算法,且改善了第6个波形母体与胎儿心电重合部分的提取效果。
4 结论
胎儿心电提取是围产期一项重要检查项目,对胎儿的健康诊断具有重大意义。在胎儿心电信号的采集过程中,会受到各种噪声的干扰,尤其作为强噪声的母体心电是FECG提取的主要困难所在。本文在已有算法的基础上提出了小波分析与自适应滤波相结合的方法。经过数据验证,证明该方法与LMS算法相比对母体心电有更好的抑制,提取所得FECG波形工整,尤其对母体心电波形与胎儿心电波形重合的情况提取效果有明显改善。另外,与其他算法相比,该算法计算简单,容易实现,保持了较高的实时性。实验结果表明该方法可以达到检测胎儿心电信号的目的,是提取FECG的一种有效新方法。
摘要：目的:利用小波分析与自适应滤波算法相结合从母体腹部信号中提取胎儿心电。方法:首先对母体腹部信号和胸部信号做5层平稳小波分解,然后在每层小波系数引入最小均方误差(LMS)算法对应滤波,最后将小波系数重构获得胎儿心电。结果:使用临床数据进行验证,结果表明,基于小波分析与自适应滤波的算法能够识别母体腹部信号中的胎儿心电信号。结论:该方法与LMS算法相比提取效果更好,尤其对母体心电波形与胎儿心电波形重合部分改善明显。另外,该算法计算简单,易于实现,保持了较高的实时性。
胎儿心电 篇4
对胎儿心电信号(Fetal Electrocardiogram, FECG)进行分析是临床上了解围产期胎儿健康状况的重要手段。从腹壁经电极采集到的FECG往往受到母亲心电信号(Maternal Electrocardiogram, MECG),母亲呼吸产生的基线漂移等干扰。其中, 由于母亲心电的幅度比胎儿心电大10~20倍,在时域中有10%~30%是和胎儿心电重合的,在频谱上也有重叠,所以胎儿心电时常被淹没在母体的生理信号当中,这对FECG信号的提取造成了极大的困难[1]。
QRS波是心电信号(Electrocardiogram,ECG)中最明显的波群,其峰值为R波,对FECG中的R波进行检测可以得出胎儿的心率以及相关的变异性参数等信息,有利于分析围产期胎儿的健康状况。要得到FECG的R波位置,一般需要先对FECG信号进行提取。由于现有的FECG提取方法,如传统的支持向量机法、小波变换、匹配滤波法、自适应滤波法,以近期发展起来的神经网络和独立分量分析等方法操作起来有不少缺陷,本文现提出一种基于小波变换和匹配滤波的FECG的R波检测方法。该法先对母体腹壁心电信号进行平稳小波分解,滤除基线漂移和其他噪声,增强FECG的信号特征,再用匹配滤波法消除MECG的干扰,从而得到纯净的FECG信号并进行R波的检测。
1小波变换及匹配滤波法
1.1平稳小波变换
平稳小波变换与经典的离散小波变换不同,它在信号分解的过程中并不进行下抽样处理,而是对滤波器进行修改,在每两个滤波器系数间插零来实现滤波器的延展,经过此处理后小波变换所得到的高频系数和低频系数就与原信号相同。平稳小波作为一种非正交的小波变换,具有冗余性和平移不变性的特点,且平稳小波的冗余性比连续小波低,能够得到更为近似的信号[2]。故本文选用平稳小波来对腹壁心电信号进行小波分解。图1为平稳小波的分解步骤图。
1.2匹配滤波
对于匹配滤波法,其先用阈值检测法得到母体腹壁信号中MECG的R波位置,再通过相关的算法生成一个MECG的QRS波模板信号,最后从腹壁信号中减去该模板从而得到纯净的FECG[3]。基于匹配滤波法的胎儿心电提取框如图2所示。
2基于小波变换和匹配滤波的胎儿心电R波检测
本文采用小波变换和匹配滤波结合的方法对FECG进行R波的检测,流程如图3所示。
步骤1选择信号
为了简便,本文所使用的实验数据直接来源于由美国麻省理工学院提供的MIT-BIH数据库。本文所采用的数据是MIT-BIH数据库中244号的第5路信号,该数据集为非侵入式胎儿心电信号(Non-Invasive Fetal Electrocardiogram),该信号采样率为1 000 Hz。
步骤2选择小波基和小波尺度
本文采用平稳小波变换对母体腹壁信号进行小波分解。经过大量的实验分析,最后选用Daubechies族小波中的db2小波对心电信号作6层平稳小波分解,并且选用尺度4上的高频系数进行MECG的R波检测。
步骤3母亲心电信号MECG的R波检测
对于MECG的R波检测,本文采用比较常用的阈值检测法,即选取一定的阈值,将信号中大于该阈值的点判为MECG的R波位置。同时还要考虑成人心电的不应期,简单的说,成人心率在60~100次/min,也就是正常情况下60 ms内不会出现另外一个母亲R波, 我们用此准则来进行R波的误判值和漏检值的检测。
步骤4获得MECG的QRS波模板信号
本文采用算术平均法来获取MECG的QRS波模板信号[4],记为template。由于正常成人QRS波群时间为0.06~0.10 s,且本实验信号采样率f = 1 000 Hz,故本实验的母亲模板长度取为70。设所有的母亲QRS波分别为x(1),x(2),x(3),…,x(n),则母亲QRS模板信号如下式所示:
步骤5消除腹壁信号中的MECG信号
根据MECG的R波位置,用相减法在相应的母亲QRS波的位置中减去母亲QRS模板信号template,得到纯净的胎儿心电信号。
步骤6胎儿心电信号FECG的R波检测
该步骤在上一步获得的胎儿心电信号中进行,方法与步骤3中MECG的R波检测基本相同。需要注意的是,FECG的心电信号不应期与成人心电不同,正常胎儿心率为120~160次/min,也就是约40 ms内不会出现另一个胎儿R波。
3实验仿真
本实验选用MIT-BIH数据库中244号的第5路信号,选取前8 s信号用于仿真,采样率为1 000 Hz,即8 000个采样点,原腹壁信号如图4所示,可以看到, 信号有明显的基线漂移。
取前500个点对母体腹壁的混合信号进行放大, 其中圆圈内为FECG信号,可以看到FECG的幅值比MECG的幅值要小得多,而且在强烈的基线漂移中比较难以观察。
对腹壁信号用Db2小波进行6层(j=6)平稳小波分解,每个小波尺度下小波分解的信号如图6所示。
通过对图6的观察,在j=1,j=2和j=3尺度下, 信号的噪声很大;在j=4尺度下虽然仍有小量噪声干扰,但是可以看到胎儿心电的信号得到了明显的增强;在j=5和j=6尺度下虽然噪声较少,但是胎儿心电不明显;故选用j=4尺度下的信号用于FECG的提取及其R波的定位。
接下来在小波分解第4层的信号中进行MECG的R波定位,所用方法为阈值检测法,检测结果如图7所示。
利用所定位到的MECG的R波位置采用算术平均法取一个MECG的QRS波模板信号,长度取为70。所取模板如图8所示。
根据所获得的MECG的R波位置,在信号中减去母亲QRS波模板信号,得到FECG信号,并进行相应的R波检测,结果如图9所示。
4结论