高猛

摘要：為了消除體表EGG采集時(shí)混疊的噪聲信號，利用獨(dú)立分量分析的冗余取消特性， EMD方法得到原始信號固有模態(tài)函數(shù)（IMF），并根據(jù)IMF的Hilbert時(shí)頻譜作為虛擬噪聲通道重構(gòu)分量的選擇依據(jù)，將一維信號擴(kuò)張為多維觀測信號，然后再利用FastICA算法對其實(shí)施盲分離，有效的消除了EGG混疊的噪聲信號，得到了清晰的EGG波形。

關(guān)鍵詞：胃電信號；FastICA算法；虛擬噪聲通道；消噪

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）06-0116-02

1 引言

胃電圖（EGG）是通過體表電極記錄到的胃平滑肌的電活動，能夠比較客觀地評價(jià)患者的胃腸功能，它是胃腸動力學(xué)研究中一項(xiàng)極為重要的工具。目前胃電圖應(yīng)用于臨床診斷存在各種針對微弱信號的非線性處理方法，如小波多分辨率分析、人工神經(jīng)網(wǎng)絡(luò)、自適應(yīng)干擾對消技術(shù)等，這些方法共同特點(diǎn)是需要對被測信號有一定的先驗(yàn)知識，這一特點(diǎn)恰好可采用盲源分離（BBS）技術(shù)進(jìn)行處理。獨(dú)立分量分析（ICA）是一種盲源分離的有效方法，在實(shí)際應(yīng)用中，由于ICA要求輸入是多維的，在進(jìn)行信號去噪（通常是一維信號）時(shí)，需要構(gòu)造虛擬通道。

2 虛擬通道ICA模型

獨(dú)立分量分析是近年來由盲信源分解技術(shù)發(fā)展而來的多道信號處理方法。通過假定傳感器陣列所采集到的信號是多個(gè)具有統(tǒng)計(jì)獨(dú)立性的內(nèi)在信源信號的線性疊加，再采用某種特定的優(yōu)化準(zhǔn)則將所謂的獨(dú)立分量一一分解出來。ICA通常假設(shè)觀測信號由幾個(gè)獨(dú)立源信號經(jīng)線性混疊而成，其處理的一般模型為：

式中：為噪聲向量。當(dāng)式（2）中的混合矩陣退化為常數(shù)1時(shí)，式（2）即為一維加噪觀測表達(dá)式。不過作為一種典型的多元統(tǒng)計(jì)方法，ICA處理的對象通常為多維觀測向量，當(dāng)處理一維加噪觀測時(shí)，必須引入適當(dāng)?shù)奶摂M觀測以將一維觀測擴(kuò)展為多維觀測。ICA可通過對虛擬列滿秩混合矩陣的辨識，恢復(fù)虛擬源，從而實(shí)現(xiàn)真實(shí)信號的消噪。在胃電信號的實(shí)際處理中，必須考慮信號獲取過程中混雜的外來干擾的種類和性質(zhì)。利用此方法建立得到的ICA模型，在虛擬源通道的引入過程中，并沒有破壞ICA模型的數(shù)學(xué)基礎(chǔ)，所以ICA的原理、模型和方法對本文所建立的模型任是適用的。

2.1 基于EMD的虛擬通道構(gòu)建

2.1.1 虛擬通道的構(gòu)建方法

EMD是用于非線性、非平穩(wěn)時(shí)間序列信號的分解算法。它將復(fù)雜信號自適應(yīng)地分解成瞬時(shí)頻率有意義的、有限個(gè)固有模態(tài)函數(shù)（IMF，instrinsic mode function）。信號經(jīng)過EMD分解得到若干個(gè)IMF。

式中為觀測信號；為分解結(jié)果固有模態(tài)分量；為殘差。噪聲屬于占滿全部時(shí)間基線的高頻噪聲類型.因此，分解后主要集中在最開始的幾個(gè)IMF分量中。選擇EMD分解的最開始的若干IMF分量，進(jìn)行線性組合（疊加），構(gòu)造虛擬噪聲通道。

2.1.2 IMF的選擇

噪聲的功率譜為恒定的常數(shù)，分布在整個(gè)頻段上。在Hilbert時(shí)頻譜上，噪聲占滿整個(gè)時(shí)間基線；而窄帶信號的Hilbert時(shí)頻譜是平緩的；突變信號或間斷信號的Hilbert時(shí)頻譜在某時(shí)刻有畸變（尖峰），但尖峰是離散稀疏的。噪聲Hilbert時(shí)頻譜與其他信號相比存在顯著區(qū)別。EMD每分解出1個(gè)IMF，就計(jì)算它的Hilbert時(shí)頻譜。IMF在頻率域是正交的，每個(gè)IMF代表了觀測信號中不同成分的瞬時(shí)頻率。依據(jù)噪聲瞬時(shí)頻率與其他信號的不同，選擇與噪聲Hilbert時(shí)頻譜近似（適配）的IMF分量，當(dāng)出現(xiàn)平緩時(shí)頻譜或突變時(shí)頻譜時(shí)，EMD分解停止，取所得IMF的組合作為觀測信號中噪聲的表征分量。

2.2 FastICA算法

FastICA是一種快速的尋優(yōu)迭代算法，基于負(fù)熵的FastICA算法迭代步驟如下：

①對觀測信號進(jìn)行去均值和白化處理，得到標(biāo)準(zhǔn)化的；

②選擇要估計(jì)的源信號的個(gè)數(shù)；

3 實(shí)驗(yàn)結(jié)果和分析

3.1 原始胃電信號

實(shí)驗(yàn)數(shù)據(jù)來源于某實(shí)驗(yàn)室開發(fā)的胃電檢測系統(tǒng)，系統(tǒng)采樣率為5Hz。測試時(shí)，被試者安靜地坐在有靠背的椅子上盡量維持呼吸平穩(wěn)，采集時(shí)間30min。圖1為截取的一段一維原始胃電數(shù)據(jù)的時(shí)域波形，從圖中可以看出，胃電信號淹沒在強(qiáng)噪聲背景下?？紤]采集的原始胃電信號中的胃電和噪聲是各自獨(dú)立產(chǎn)生的，可采用獨(dú)立分量分析方法對其進(jìn)行分離，為了分離胃電信號中的噪聲獨(dú)立源分量，必須對一維帶噪電觀測進(jìn)行擴(kuò)張，引入虛擬噪聲通道，將其變換為多維虛擬觀測信號，使其滿足ICA分離的假設(shè)條件。

3.2 胃電虛擬噪聲通道構(gòu)建

EMD算法的精確度設(shè)置為：閾值，閾值冗余度。最大迭代次數(shù)設(shè)置為100（迭代次數(shù)設(shè)置過高將導(dǎo)致算法運(yùn)算時(shí)間過長）。對觀測信號做EMD分解，對所求得的IMF分量作Hilbert時(shí)頻譜，利用噪聲與真實(shí)信號在Hilbert時(shí)頻譜上的不同表現(xiàn)，選擇IMF重構(gòu)出胃電阻抗信號中的虛擬噪聲通道，如圖2所示為EMD分解重構(gòu)的虛擬噪聲通道。

3.3 FastICA算法在胃電分離中的應(yīng)用

圖3為經(jīng)FastICA算法分離的胃蠕動阻抗信號和噪聲，從圖中可以看出，F(xiàn)astICA算法成功的分離了噪聲和胃蠕動阻抗信號，獲得了清晰的頻率約3次/min的胃電波形。

實(shí)驗(yàn)結(jié)果表明，通過引入合適的虛擬噪聲通道，可以獲得比較好的胃蠕動阻抗信號提取效果，即使是在強(qiáng)背景噪聲下的微弱信號的提取，也能得到比較好的結(jié)果。同時(shí)在實(shí)驗(yàn)過程中，發(fā)現(xiàn)引入的虛擬通道和實(shí)際存在的噪聲匹配程度越高，最終提取的效果越好。只要對被測對象的觀測條件和噪聲類型進(jìn)行正確的分析，從而應(yīng)用ICA時(shí)引入適配度高的虛擬噪聲通道，就可有效消除實(shí)際觀測到的胃電信號中的噪聲，從而實(shí)現(xiàn)胃電信號的有效提取。

參考文獻(xiàn)

[1]Xing JH， Chen JD. Alterations of Gastrointestinal Motility in Obesity [J]. Obesity research， 2004， 12（11）：1723-1732.

[2]Chang F Y. Electrogastrography： Basic knowledge， recording， processing and its clinical applications[J]. J Gastroenterol Hepatol， 2005，20（4）：502-516.

[3]Kara S， Dirgenali F， Okkesim S. Detection of gastric dysrhythmia using WT and ANN in diabetic gastric oparesis patients[J].Computers in biology and medicine， 2006， 36：276-290.

[4]古良玲，楊永明，全曉麗，等.自適應(yīng)對消器在生物電信號處理中的應(yīng)用[J].醫(yī)療衛(wèi)生裝備，2006，27（4）：16-20.endprint