没有合适的资源?快使用搜索试试~ 我知道了~
首页遗传BP神经网络的胎儿心电信号提取算法优化与噪声抑制
本篇论文主要探讨了基于遗传BP神经网络的胎儿心电信号提取算法在胎儿心电图检测中的应用。胎儿心电图检测是评估围产期和妊娠期胎儿健康的关键工具,它有助于早期识别宫内缺氧、先天性心脏病等问题,从而降低新生儿疾病发病率和死亡率。然而,实际获取的心电信号常受到母体心电活动和复杂噪声的严重影响,因此如何准确且稳健地从混合信号中分离出胎儿心电信号是一个重大挑战。 首先,论文针对母体心电干扰对胎儿心电信号提取精度的影响,提出了一个遗传BP神经网络提取方法。传统的BP神经网络虽然具有强大的非线性映射能力,但在处理母体心电模板时,参数设置不当可能导致模板不准确,进而影响胎儿心电信号的提取。作者通过集成遗传算法优化神经网络参数,有效解决了这个问题。在DaISy数据库上的实验结果显示,该方法的准确率和灵敏度分别达到了95.49%和96.36%,证明了其在消除母体心电干扰方面的有效性。 接着,论文关注到提取后的胎儿心电信号可能存在残余噪声问题。经过时域和频谱分析,发现胎儿心电信号在时域表现为非平稳性,在频谱上呈现伪周期性。为了进一步改善信号质量,作者采用小波阈值和降噪自动编码器相结合的方法,针对胎儿心电信号的特定噪声特性进行增强处理。实验验证表明,这种方法能够显著提高信噪比,平均达到15.33dB,平均均方根误差降低到0.061,证实了提出的去噪算法对于提取高质量胎儿心电信号的有效性。 这篇硕士论文通过遗传BP神经网络和先进的噪声处理技术,成功地开发了一种胎儿心电信号提取算法,对于提高围产期胎儿健康监测的准确性和可靠性具有重要意义。关键词包括胎儿心电图、遗传BP神经网络、时频域分析、小波阈值和自编码器,这些都代表了论文的核心研究内容和技术手段。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88478216/bgb.jpg)
河北大学硕士学位论文
6
心电信号中进行经验评估,其 F1 测量值为 90.2%。但使用的数据导联少,网络初始化
过程繁琐,耗费时间长,且网络参数设置需进行长期搜索和更新过程。在这里需要指
出的一点是网络参数的设置将直接影响最后的胎儿提取准确性。Rahmani 等人
[32]
提出
了一种的端到端深度学习模型来检测胎儿 QRS 波群(即胎儿心电图波形主要峰值)。
该模型采用一维八度卷积(OctConv)结合残差网络(ResNet)来学习多时间频率特征,从
而降低网络内存和计算成本,此方法在具有 QRS 注释的 2013 挑战赛数据上达到 91.1%
的 F1 测量值,同时节省了 50%以上的计算成本,证明了该方法的有效性。但提取后胎
儿心电信号仍存在一些低频噪声。总体来说,深度学习方法需要大量样本来训练网络,
而现有公开的胎儿心电数据较少,这会导致网络模型泛化能力较差。且深度学习提取
方法需设计深层网络,随设置层数的增加,深度神经网络的梯度消失问题会更加突显。
故借助机器学习方法构造准确的母体心电模板,进而提取出胎儿心电信号是目前的主
流方法。
1.2.2 胎儿心电信号提取存在的问题
综合分析以上胎儿心电信号提取研究现状可知,提取出高质量的胎儿心电信号存
在很大的挑战,其原因主要有:腹壁混合心电信号十分复杂,且胎儿心电信号幅度较
小完全湮没于母体心电分量和复杂噪声中。另一方面,目前没有理想的胎儿心电信号
提取算法,提取到的胎儿心电信号仍残留少量的母体成分和其他随机噪声,需要进一
步做增强处理。本文研究遗传 BP 神经网络胎儿心电信号提取方法,亟待解决的问题可
以概括如下:
(1)提高胎儿心电信号提取准确性问题。由以上的分析可知,目前依靠数据构造
母体心电信号模板,进一步从 AECG 中分离出胎儿心电成为可行的方法。其中参数设
置是胎儿心电信号提取的关键步骤,参数设置好坏直接影响母体心电模板构造的准确
度,从而影响提取后胎儿心电信号的质量。针对本文利用人工神经网络方法,需要选
择合理的网络参数,神经网络中的参数主要包括学习率
、神经网络的层数
L
、隐藏层
中神经元的个数
j
等,其中神经网络的层数、隐层中神经元的个数等主要影响母体心
电模板构造的准确度;学习率主要影响网络学习速度,主要体现在训练数据代价函数
![](https://csdnimg.cn/release/download_crawler_static/88478216/bgc.jpg)
第一章 绪论
7
曲线的下降速度上;学习的回合数主要影响训练总体时间。因此,为了进一步获得清
晰的胎儿心电信号,研究一种高性能的优化算法,来解决上述参数设置问题,成为本
文亟需解决的问题之一。
(2)提取后的胎儿心电信号增强问题。目前大部分提取方法主要是通过构造母体
心电模板,来滤除腹壁心电信号中的母体心电分量,得到较清晰的胎儿心电信号。但
由于构造的母体心电模板不够准确和腹壁心电信号中噪声复杂的原因,提取后的胎儿
心电信号中仍含有其他随机噪声和少量母体心电分量,难以获得优质的胎儿心电信号。
因此,可以对提取后胎儿心电信号波形和频谱进行分析,并进一步详细分析其噪声特
点,根据噪声特点选取相应的降噪方法,获得更为纯净、具有更高信噪比的胎儿心电
信号。传统的胎儿心电信号降噪方法包括自适应数字滤波器(Adaptive Filter)
[33]-35]
、
小波去噪算法(Wavelet Denoising, WD)
[36]-38]
、神经网络类算法
[39]-40]
等。其中,滤波
类算法只能在离线状态时滤除噪声;小波类去噪算法是利用小波沿时间轴前后平移,
伸展和压缩形成的小波基对信号分解、重构包含而提取出已含噪声信号中的有用信号,
但降噪效果依赖于小波基的选择;神经网络模型已在一维、二维信号和图像降噪等领
域取得了不错的研究成果,但容易忽略提取后胎儿心电信号噪声特性,噪声可能与胎
儿心电信号存频率重叠,致使有用信号损失,影响临床诊断效果。因此,结合提取后
胎儿心电信号特点,选取适合的降噪方法对胎儿心电信号进一步增强,同样是本文亟
需解决问题之一。
从上述分析可知,为了提高胎儿心电信号的提取质量,需要依据孕妇腹壁混合心
电信号特点,从参数设置、胎儿心电信号增强等方面研究稳健的胎儿心电信号提取方
法,以获得更清晰的胎儿心电图,便于医生诊断。
1.3 论文主要研究内容及章节安排
本文主要内容围绕腹壁混合心电信号中胎儿心电信号提取问题展开研究,对胎儿
心电信号提取方法国内外研究现状加以概述,并结合目前存在的问题,提出了基于遗
传 BP 神经网络胎儿心电信号提取及增强。利用遗传算法全局搜索特性,获得最优参数
搭配的 BP 网络,设计最优 GA-BP 网络模型捕捉胎儿心电信号深层次特征,经过对此
学习和训练,估计胸部导联心电信号与母亲心电信号之间非线性变换映射,随之利用
![](https://csdnimg.cn/release/download_crawler_static/88478216/bgd.jpg)
河北大学硕士学位论文
8
非线性反变换估计出混合信号内母体心电模板,最后从中消除掉母体心电模板,分离
出质量较好的胎儿心电信号,通过对提取后胎儿心电信号和数据库中直接采集的胎儿
心电信号进行时域波形和频谱分析,详细分析其信号特点,并对噪声特点进行阐述。
针对其噪声特点融合小波阈值和降噪自动编码器网络对提取后胎儿心电信号做进一步
去噪处理,以达到胎儿心电信号增强的目的。分别通过胎儿心电真实数据提取和降噪
实验评估算法的可行性,实验效果证实该算法可以从腹壁混合心电信号中有效且稳定
地将胎儿心电信号提取出来,对围产期胎儿医疗监测领域具有实用价值。
本文的主要工作内容和各章安排如下:
第一章,从胎儿心电信的研究背景和提取意义展开叙述,结合目前胎儿心电信号
提取方法研究现状基础,分析现有方法的优点与欠缺之处。并总结目前胎儿心电信号
提取存在的问题以及本文要解决的问题。
第二章,介绍胎儿心电信号基础知识,然后对胎儿心电信号采集方法、现有胎儿
心电数据库进行介绍说明,最后对本文研究算法所涉及的神经网络基础理论知识和遗
传算法理论做出简要介绍。
第三章,本章节针对胎儿心电信号提取准确性的问题,提出遗传 BP 神经网络的胎
儿心电信号提取算法,分离出较为清晰的胎儿心电信号。利用遗传算法优化的 BP 神经
网络估计胸部导联信号和母体心电信号之间非线性关系,计算出精准的母体心电模板,
随后从腹壁混合心电信号中消去,从而分离出优质的胎儿心电信号。通过选取真实胎
儿心电数据库中数据进行实验考证,评估胎儿心电信号提取质量。
第四章,对提取后胎儿心电信号做增强处理,从时域和频域两方面对提取胎儿心
电信号进行时域波形和频谱分析,详细阐述其特点,分别设计小波阈值去噪算法和融
合小波阈值和降噪自动编码器网络对提取后胎儿心电信号做降噪处理,从而消除掉胎
儿心电信号残余噪声和母体心电成分,达到胎儿心电信号增强的目的。最后将实验结
果和其他胎儿心电信号降噪算法结果对比分析,验证本文降噪算法的有效性。
第五章,对本文提出的胎儿心电信号提取算法研究进行总结,指出算法研究仍存
在的不足,对下一步研究内容进行展望。
剩余60页未读,继续阅读
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)