论文总字数：18109字

目 录

1 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.2.1 脉搏波和心电信号的研究 1

1.2.2 盲源分离（BSS）和独立成分分析（ICA）的发展 2

2 独立成分分析（ICA）相关知识 3

2.1 盲源分离 3

2.2 ICA基本原理 4

2.3 ICA应用前提条件 5

2.4 ICA算法的组成 5

2.5 数据预处理过程 5

2.6 ICA算法特点 6

2.7 ICA算法的应用领域 7

3 Informax算法与FastICA算法的设计与实现 7

3.1 Informax算法设计 7

3.2 FastICA算法设计 9

3.3 Informax算法与FastICA算法的实现 11

3.3.1 Matlab平台建立实验模型 11

3.3.2 利用Informax算法分离混合信号 12

3.2.3 利用FastICA算法分离混合信号 12

4 FastICA算法应用于检测到的人体信号 13

4.1 目标人体信号特征 13

4.1.1 脉搏波波形特征 13

4.1.2 心电信号波形特征 14

4.2 FastICA算法应用于检测信号 15

4.2.1 FastICA算法应用于脉搏波信号 15

4.2.2 FastICA算法应用于心电信号 16

5 总结与展望 18

5.1 总结 18

5.2 展望 18

参考文献： 19

致谢 20

基于独立成分分析的人体信号检测

汤文俊

,China

Abstract：In order to be able to make pulse wave and electric signal detected more accurately reflects the degree of a person's health, this paper first chose the independent component analysis (ICA) algorithm commonly used in FastICA algorithm and Informax algorithm for mixed signal is separated, FastICA algorithm is determined by signal after the separation accuracy comparison advantages in signal processing, and then use the FastICA algorithm respectively to detect the pulse wave and electric signal processing, remove noise, isolated and mixed in the useful components of respiratory wave components, Finally, the parameters related to heart rate, respiration law, QRS wave group and so on were found from the useful components and respiratory wave components.

Key words：FastICA、Informax、Pulse wave、electric signal

绪论

1.1 研究背景及意义

人体信号即人体生物信号，作为人体内“医生”，它无时无刻地反应一个人的生命特征，因此从古至今一直被当作判断个体健康程度的重要依据。随着医学的发展和医疗设备的进步，医学界已经不在满足于使用听诊器或者用望闻问切的方法来粗略判断病人的身体特征，而是依赖高科技的医疗设备对人体局部部位的身体信号进行更为细致的采集和研究。通常人体内的信号分成两种类型，一种是如心电、胃电等电信号，另一种是如脉搏波、呼吸波等非电信号，但是无论是哪种类型的信号，其中都蕴藏着丰富的生理、病理信息，因此足以引起医学界和生物界的关注。

现代医学中医生在对通过精密仪器检测到的人体信号进行分析时，虽然能够判断一个人的健康程度，能够判断出一个人是否患有疾病或者患有什么疾病，但是往往还会存在潜在的生理问题不被发现或者判断存在误差，这是由于通过仪器直接检测到的人体信号是混合信号，其中参杂很多不需要的成分即噪声。这些噪声是外部环境和其他身体信号共同作用的结果，例如检测到的脉搏波中就混合着人体运动伪迹、呼吸波成分等，检测到的心电信号参杂着肌电信号、肺电信号等。这些噪声的成分的存在，对个体生理健康的判断有着严重的影响，因此研究如何将这些噪声从人体检测的信号中去除并且从混合信号中提取出所需要的信号成分就显得很有意义。

通常检测到的人体信号都是混合信号，并且其中混合的成分是未知的，若要提取出其中的我们所需要的成分，去除噪声，这就需要使用盲源分离（BSS）。盲源分离强大的信号处理方法，使得它在生物工程、雷达、图像处理等邻域都有很大的应用范围。现如今，所知道的独立成分分析算法、冗余压缩算法和投影追踪算法等，都是围绕盲源分离所设计出来的算法。在这些算法里面，独立成分分析算法现阶段发展最为突出，因此选择独立成分分析（ICA）来对检测到的人体信号进行处理。

本文设计与导师科研项目相结合，目的在于利用独立成分分析算法（ICA）对检测到的人体信号进行分离，去除混合在其中的噪声，尽量还原出信号中的有用成分以便提供更加准确的医学和生物学判断，并且可以提取出所需要的信号成分，最后根据分离出的有用成分和所需要的成分中找到与人体生理特征相关的参数。

1.2 国内外研究现状

1.2.1 脉搏波和心电信号的研究

1）脉搏波的研究

脉搏波是由心脏的搏动所引起的，其在人体内的传播除了受到心脏搏动的影响，还受到周围内脏器官和沿途血管的影响，因此从脉搏波中我们可以得到丰富的生理、病理信息。人体心血管系统的许多特点，都可以从脉搏波的波形、波速、幅度的变化而分析得来。如果脉搏波产生了异变，则很有可能会使个体健康受到损害。脉搏波的研究历史可以说是源远流长，世界上的绝大多数国家，总是从摸脉诊断开始。西方在诊脉方面出现过很多名人和著作，包含了很多的临床经验，其中比较重要的如1540年波兰Struthius的《脉诊的艺术》一书，书中描述了作者用树叶放在搏动的动脉上观察其振动情况，绘出西方最早的脉搏图解，是脉搏波描记的先驱^[1]。我国的诊脉历史比西方还要长久，在诊断疾病的时侯采用“望、闻、问、切”的方法，其中“切”即是通过把脉来感受脉搏波的搏动进行诊断。中医方面的很多著作，都有提到脉搏波的诊断方法，例如最早记载切脉方法的《内经》、李时珍攥写的《濒湖脉学》等等。几千年的中医医学的脉诊，提供了丰富的理论知识，推动了我国中医药学的发展。在对脉搏波的研究过程中，人们除了钻研于理论研究，也一直在寻找各种方法尝试将感受到的脉搏波搏动动作用实物客观地描述出来，具体的方式有用图形、乐谱来描述。随着现代医学的发展，当今国内外都具备了一套关于脉搏波的成熟的理论体系，也有精细的仪器可以将检测到的脉搏波在电子屏幕上用波形呈现出来，使得脉搏波更加直观，容易被诊断、研究。

2）心电信号的研究

心脏在搏动之前，心肌首先发生兴奋，在兴奋过程中产生微弱电流，该电流经人体组织向各部分传导，由于身体各部分的组织不同，各部分与心脏间的距离不同，因此在人体体表各部位，表现出不同的电位变化，这种人体心脏内电活动所产生的表面电位与时间的关系称为心电图^[2]，它可以记录心电信号活动状态。虽然人类对心电信号的研究起始时间没有脉搏波那么早，但是也有许多生理学家对其进行了深入探索，比如弦线电流首次被用来描述记录心电信号是在二十世纪初由荷兰生理学家Einthoven所提出的，在此之后对心电信号的研究成果更是数不胜数。现如今，对心电信号采集技术的研究已经形成了各种心电信号采集设备(心电监护仪)，对心电病情的监测和诊断还需要对采集的心电信号完成处理、分析和构建成熟可靠的心电诊断系统^[3]。

1.2.2 盲源分离（BSS）和独立成分分析（ICA）的发展

1）盲源分离的发展

盲源分离（BSS），是指从混合信号中分离出未知的源信号，起源于“鸡尾酒会”^[4]问题。人们在嘈杂的鸡尾酒会中，彼此专新与面前的人交谈，忽略了别人的对话，忽略周围伴随的音乐声，这种可以从诸多混合声音中辨别出自己想要的声音的现象叫做鸡尾酒会效应。

从这一个现象中，人们得到启发，在1986年，提出了递归神经网络模型学习算法和基于HEBB学习算法，目的在把两个独立的未知源信号从混合信号中分离出来，这就是盲源分离研究的开始（BBS）。其后二十几年来，在盲源分离上面又衍生出了诸多的算法，大多都获得了实际的成功。盲源分离的诸多算法，由两类方式所设计得到，即从算法角度所设计和从代数函数和准则而言所设计。前者常见的算法有自适应算法和批处理算法，后者常见的算法有基于非线性函数的方法和基于互信息量的方法。尽管国内对盲源分离的研究起步较晚，但是近几十年在理论和应用方面取得了很大的进展。《时间序列分析——高阶统计量方法》一书中介绍了盲源分离的理论基础，可以说国内关于盲源分离的研究的开端。

2）独立成分分析的发展

独立成分分析（ICA）近几年来在盲源分离中的研究进展最为突出，它可以把检测到的数据进行线性分解，以达到分离其中统计独立的成分的目的。在混合信号中，要求源信号是相互独立的非高斯信号，即可应用ICA对混合信号进行解混，可以分离其中的噪声和有用成分，以及挖掘出其他所需成分。因为ICA算法在对盲信号进行分离时，还原度最高，效果最佳，因此已经迅速渗透到生物工程学、雷达信号处理等领域，成为当下对盲信号处理的首选方法。

独立成分分析（ICA）相关知识

2.1 盲源分离

盲源分离是指，在面对一个混合信号时，不知道其源信号和混合条件，但是我们又有将源信号从中分离出来的需求，从而去寻找方法来达到目的。由于目前对混合信号进行分离的诸多算法都围绕已知源信号的特征或者了解混合条件而设计，处理盲源信号的时侯并不能很有效地分离出源信号，因此盲源分离的研究近几年变的越来越深入。

“鸡尾酒会”中的声学现象可以说是盲源分离问题的来源，其场景可以描图如下：鸡尾酒会中的每个人都在和面前的人沟通聊天，嘈杂的背景音乐和旁人的交谈声并不能影响到他们彼此听到对方的说话声音。盲源分离问题如图2.1所示：

剩余内容已隐藏，请支付后下载全文，论文总字数：18109字

相关图片展示：