文摘

J波是越来越重要的临床诊断的一个新的索引的心电图(ECG)心室双相,但其信号经常混在正常ST段,使用传统的心电图仪,诊断的经验不能满足实际需求。因此,一种新的多层方法非负矩阵分解(NMF)摘要本文提出,以驼峰形状J波,例如,它可以从ST段中提取原始J波信号和分析提取的准确性,显示驼峰形状特征的J波从频域功率谱,光谱类型,为临床诊断提供基础和增加J波的诊断的可靠性。

1。介绍

近年来,作为一个新指数的心电图心室双J波在临床诊断吸引了越来越多的关注。我们可以认为J波位于心电图QRS波与ST段(1]。它代表了去极化和bipolarization开始结束,在正常情况下的心,终于心室去极化和心室bipolarization最早的相互过渡区重叠约10 ms的人类,如果J点偏离基线,也就是说,J点转变,在早期复极化综合征,急性心肌缺血,心包炎和束支块等等(2]。如果J点转移,形成了特殊的圆顶类型或类型,这意味着J波发生。

ECG信号的基线漂移,加剧了我们观察到工频干扰、肌电干扰噪声,等等,在大多数情况下,原始J波信号在正常和ST段(3]。所以我们不能观察J波的特点从混合信号。在诊所,心电图及心电向量图提供有限的诊断信息。这些结果是由一些复杂的症状或临床特点,很难决定相对的治疗。从信号处理的角度,很难获得准确的从心电图J波噪声干扰。很明显,噪声必须被移除,以获得所需的信息从心电图。然后混合信号包括J波和正常心电图信号将会有效地分离。

我们有必要研究数字J波的特点,我们应该从心电信号中提取J波。虽然处理心电信号的方法已经非常成熟,从心电信号中提取J波信号的方法是罕见的发现和提取精度是不可取的。不仅会影响J波直接数值特征,而且后期的分析分类精度(4]。在这种情况下的临床诊断,这是不可能的诊断患者J波的健康状况。提出了一组相关的方法来实现所需的结果。通常,信号处理可以实现的步骤如下:(1)预处理方法的混合信号的主成分分析(PCA)为了过滤掉噪音和初始化,(2)从混合信号分离原J波基于多层定点NMF分解,(3)分析角度的J波频谱分离,功率谱密度,在数字领域和光谱。

仿真结果表明,本文的方法具有更好的精度和实现J波的特征提取。它可以作为医生的判断依据。

2。非负矩阵分解

虽然独立分量分析(ICA)和稀疏成分分析(SCA)算法基于盲源分离(BSS)是主要的方法,它们不再适用于实际的条件依赖或nonsparse源信号。特别是,对于复杂的心电图信号,分离很差。很明显,非负矩阵分解是盲源分离的新方法来解决相关的源信号(5]。因此,本项目采用改进的NMF算法来提取J波。因为NMF没有限制的统计独立源或稀疏源,它能更好地实现源分离,算法收敛速度快等特点,稀疏的,负的,和降维6]。优化NMF算法能够满足实际需求。提取结果是可取的,比如从心电信号中提取J波准确地用小错误和简单的程序。我们可以得到更理想的提取的结果。

BSS问题的数学模型可以表示如下: 在哪里是观察到的混合信号矩阵;未知源信号矩阵;和混合矩阵(7]。假设,是已知或可以估计。BSS的目的是分离未知和从混合信号矩阵。

NMF分解是矩阵的基本模型的矩阵和,在那里和非负限制条件下,公式定义如下:

比较(1)和(2),我们可以把观测数据在BSS矩阵在NMF被分解。如果和等于和分别,NMF可以用来解决问题的BSS甚至J波分离。

3所示。提取前的预处理

考虑到均方误差(MSE),主成分分析方法和最优正交分解是最具代表性的财产在信号处理领域,可以压缩ECG信号减少维度和消除噪音最大的信噪比。它节省了随后的分解时间和提高分离精度。作为最终结果NMF总是局部最优,初始化的目标函数和将直接影响NMF算法的整个过程。也就是说,初始化和不同会产生不同的分离结果(8]。比较传统的方法,最终选择PCA初始化。主成分分析可以找到投影方向与样本空间的最集中的能量。的投影方向观测信号将生产重建信号和重建误差定义为,在那里是一家集站ECG信号的均值;变换矩阵;和是投影系数矩阵。我们可以计算后设置一个最低范围并采取适当的。然后我们可以获得最初的转换矩阵和的和通过非负处理。的程序和。因此,PCA预处理的NMF算法有很大的优势。

4所示。定点NMF

不同的NMF算法相比,定点NMF适用于从心电信号中提取J波。该算法的优点是,散度偏差时是零(9]。我们可以判断算法的优点和缺点的最终值通过计算相应的目标函数和算法可以简化分离精度的评价。目标函数如下公式所示: 在哪里和是负的,当且仅当吗满足公式(3)可以获得最小值0。

的迭代规则和下列公式所示: 在哪里和是最初的非负矩阵。散度偏差是单调递增迭代和规则下的价值是最小和算法收敛时和是局部最优10]。

5。选择的提取方案

大量的调查后,我们发现NMF算法的约束条件,矩阵元素分解是负的(11]。心电信号数据从领导通常获得一维矩阵形式。例如,我们可以检查心电图的特定值从麻省理工学院和贝斯以色列医院(MIT-BIH) [12]。心电图信号矩阵通常是由积极的和消极的元素,因此必须改善信号矩阵提取从心电图J波的NMF方法。为了满足NMF的限制条件,我们分类心电图数据转化为积极的和消极的元素。积极的ECG信号矩阵的元素应该选择与信号矩阵形成一个新的矩阵剩下的绝对值的负面元素形成矩阵。在新的矩阵元素的位置和原来的一样,和其他元素仍被认为是零。和根据定点NMF分别分解。整个过程可以被描述为和。的和在一起是一个混合矩阵吗。的和在一起是一个J波矩阵吗,那里的分解后积极的轴和J波信号,同样,J波信号的绝对值在负轴。因此,整个J波提取源信号然后我们可以进一步分析驼峰式J波的特性。J波提取流程图如图1。

6。多层NMF的设计

很难获得较高的分离精度与单层NMF分解。特别是对于一些复杂的数据和局部最小值的函数,结果并不总是理想。为了提高NMF的性能,本文采用一种简单的方法与层次结构和多级执行,执行连续的非负矩阵分解(13]。

在第一步中,我们使用NMF算法执行作为一个基本的分解。然后在第二阶段,我们可以使用相同或不同的更新规则和第一阶段的结果来执行类似的分解。不断实施多级分解,最后我们可以得到所需结果。这个过程可以重复几次,直到满意的标准。在每个步骤中,我们通常把分解性能逐渐提高(14]。这个模型和基本矩阵被定义为。它意味着我们与许多层或建立一个系统混合动力子系统来提高分离精度。

比较不同层定点NMF的队伍,我们发现的层数越多,处理速度越慢,提取精度并不一定更好。处理速度和精度综合的考虑方面,我们选择的七层定点NMF分解。

7所示。实验结果和分析

驼峰J波,例如,源信号和混合信号的数字数据所示2和3。源信号预处理和混合信号是由稀疏混合随机生成的。为了使混合信号更接近真实的信号,我们需要随机混合预处理的源信号。通过这种方式,我们可以得到一个驼峰形状J波接近真正的信号,研究是有意义的。

7.1。七层NMF分离的结果

分离的数据结果如图4和5。估计信号由七层定点NMF分解图所示4非常类似于源信号图吗2。图5显示了估计的信号干扰比(SIRs)信号和混合矩阵后分离。我们可以发现,估计信号的平均先生从四个频道156.5343 dB和爵士的混合矩阵为178.8577分贝。总之,实验成功通过分析数据的分离结果4和5。

7.2。单层NMF分离的结果

作为比较,单层NMF的数据分离结果如图6和7。图6显示了单层定点NMF估计信号分解。图7显示了四通道的众位估计信号和混合矩阵109.5713 dB和91.935分贝。它再次验证七层分离方法的可行性,可以单独从心电图J波高的精度。在分离信号,x1,x2正常心电图x3和x4形成一个驼峰形状J波信号。

与单层NMF相比,七层NMF分离更为理想。原因是我们不能获得决赛和单层NMF的完全分解,使目标函数收敛,从而导致不同的分离信号在某些领域真正的信号在很大程度上。的和通过单层多层分解NMF能使目标函数收敛和分离信号接近真正的信号。缺点是各层越多,时间越长,分离过程中所花费的时间。在综合考虑之后,我们采用七层NMF分解并获得理想的结果。

7.3。利用ICA分离结果

ICA BSS问题是最常见的方法15),其中快速独立分量分析(Fast-ICA)是最各自。处理速度快的优势,稳定性能(16]。下面是使用Fast-ICA的结果和该方案的实验结果和Fast-ICA比较。

相比,我们的方法的结果,我们可以得出结论,在图8Fast-ICA J波和ECG信号的不同在很大程度上从源信号。在图9,分离信号的爵士18.7589 dB,混合矩阵只有30.8253 dB。通过J波的分离效果,该方法优于经典Fast-ICA。

8。J波变换在数字领域

频谱、功率谱密度和光谱提取的驼峰形状J波图所示10,11,12。比较的数据10- - - - - -12,我们可以确定初始信号时hump-shaped J波的特点类似于J波。因此,当J波不明显甚至隐藏在ST段,这种方法可以用来比较文本的数据和病人的心电图特征在数字域。结合临床经验的医生,他们可以提供一个依据医生判断病人是否有一个不引人注目的J波。

9。结论

介绍了多层定点NMF和J波的分解方法可以成功地从心电图异常中提取。最好的初步方法和分解层提出了和工作得很好。同时,我们得出频谱、功率谱密度和光谱J波在数字域。它可以被视为一种依据J波角色和未来的研究有助于医生诊断心脏疾病。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(批准号61371062);山西省国际合作项目(批准号2014081029 - 1);科研项目的归侨学者山西省(批准号2013 - 032年);山西省国际合作项目(批准号2012081031)。