首页 > 文献资料
-
一种改进的FastICA算法在胎儿心电提取中的应用
目的 为了改进传统FastICA算法对初始权值较敏感的问题,本文提出一种基于超松弛因子改进的FastICA算法来提取胎儿心电.方法 首先对DaISy数据库中的母体腹部混合信号进行中心化和白化处理,去除信号间的相关性;然后在牛顿迭代算法中引入超松弛因子对随机产生的初始权值进行处理,再用改进FastICA算法提取胎儿心电;后对胎儿心电信号的提取结果 通过可视化的波形和量化指标进行评估.结果实验结果显示该算法平均迭代次数由改进前的55次降到15次,信噪比也得到提高,并且改进后算法提取出来的胎儿心电几乎不掺杂母体心电.结论 基于超松弛因子改进的FastICA算法,在保持收敛速度的同时,放宽了对初始权值的要求,避免了收敛不平衡,减少了迭代次数,可以提取出比较清晰的胎儿心电.
-
基于FastICA和通道间相关的表面肌电信号分解研究
目的为了对神经肌肉疾病进行相关的研究和临床上诊断治疗,探索新的和有效的表面肌电(sur-face EMG,sEMG)信号分解方法.方法首先用FastICA求解混矩阵,然后对测量信号矩阵进行变换,再用通道间相关性分解sEMG信号.结果经过仿真和真实信号进行测试,分解信噪比为0 dB的第一组信号时,以平均95.6％的准确率分解出20个运动单元(motor unit,MU);分解信噪比为20 dB,且参与发放的MU更多,发放频率更高的第二组信号时,以平均98.4％的准确率分解出29个MU;分解真实信号时,得到的平均MU个数为14.2,并用“二源法”进行评测,两组中分解出相同MU的比例为80％,且相同MU发放时刻的平均重合率为95.1％.结论这种结合FastICA和通道间相关的方法能以较高的准确率实现sEMG信号的有效分解.
-
基于遗传算法的多通道癫痫脑电信号盲源分离
目的:研究一种将心电噪声信号从脑电信号中分离出来的算法及其DSP硬件实现.方法:癫痫是一种中枢神经系统疾病,该病的诊断主要依靠脑电监测,但由于人体是一个复杂网络,临床采集到的脑电通常会混有其他噪声如心电干扰,这为后续的处理引入不可控制的误差.本文采用基于遗传算法的独立分量方法实现多通道脑电信号的盲源分离.结果:通过相关临床专家检验,认为该方法基本能够去除心电噪声,和参考心电信号对比具有一致性.结论:通过从北京某三甲医院癫痫中心采集到的患者脑电数据进行测试,对比试验表明,该方法是一种稳健高效的处理方法,符合并行运算的特点,整套算法可以移植到基于DSP的嵌入式系统架构上,具有一定的实用价值.
