一種利用單通道母體腹部心電信號(hào)提取胎兒心電信號(hào)的新技術(shù)

王文波，錢(qián)龍

（武漢科技大學(xué) 理學(xué)院，湖北 武漢 430065）

據(jù)統(tǒng)計(jì)，全世界每年發(fā)生260 多萬(wàn)例死產(chǎn)，其中45%以上病例發(fā)生于孕婦分娩期間，因此產(chǎn)前胎兒健康檢測(cè)具有重要的生理學(xué)意義[1].通過(guò)在孕婦分娩前對(duì)胎兒心電信號(hào)進(jìn)行檢測(cè)，并分析其波形，可以高效評(píng)估胎兒在子宮內(nèi)的生長(zhǎng)發(fā)育情況，從而降低圍產(chǎn)兒的死亡率和發(fā)病率[2-3].目前，多采用無(wú)創(chuàng)的非入侵式檢測(cè)方法對(duì)胎兒健康進(jìn)行檢查[4-5].

非入侵式檢測(cè)方法是使用多導(dǎo)聯(lián)置電極技術(shù)分別記錄孕婦胸部和腹壁混合信號(hào)，然后將胎兒心電信號(hào)從孕婦腹壁混合信號(hào)中分離出來(lái).然而由腹壁電極所采集的信號(hào)普遍包含較多的噪聲：導(dǎo)聯(lián)電極干擾、母體心電活動(dòng)干擾、基線漂移[6]等，因此，如何有效抑制各種噪聲從而分離出純凈的胎兒心電信號(hào)成為一個(gè)國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)問(wèn)題.

為了消除各種背景干擾和母體心電成分，國(guó)內(nèi)外學(xué)者已經(jīng)提出了一系列從腹壁混合信號(hào)中獲取胎兒心電信號(hào)的方法：盲源提取技術(shù)[7-8]是假設(shè)各個(gè)源信號(hào)未知的情況下，只提取出胎兒心電信號(hào)，但該技術(shù)對(duì)時(shí)間延遲周期的依賴(lài)性較大，其性能具有局限性；獨(dú)立成分分析（Independent Component Analysis，ICA）技術(shù)[9]在假定各信號(hào)成分統(tǒng)計(jì)獨(dú)立的基礎(chǔ)上建立ICA 模型，該算法一般采用梯度法對(duì)分離矩陣自適應(yīng)尋優(yōu)，且需要嚴(yán)格設(shè)定初始分離矩陣和步長(zhǎng)，使得該技術(shù)容易陷入局部最優(yōu)，導(dǎo)致分離的胎兒心電信號(hào)精度不高[10]；自適應(yīng)濾波法[11]計(jì)算量小且易于收斂，但該算法不能有效提取出母體心電和胎兒心電重合部分的胎兒心電信號(hào)；小波分解技術(shù)[12]涉及到小波基和其他參數(shù)的選擇，對(duì)于不同的數(shù)據(jù)，參數(shù)選擇較為困難，因此該方法適用性較低，不能用于實(shí)時(shí)提取；匹配濾波法[13]需要保持信號(hào)之間同一波形形態(tài)，對(duì)濾波器的選擇較為困難；支持向量機(jī)技術(shù)[14]和人工神經(jīng)網(wǎng)絡(luò)[15-16]技術(shù)在胎兒心電提取方法中得到了較多的應(yīng)用，這些方法將傳統(tǒng)統(tǒng)計(jì)學(xué)作為基礎(chǔ)，以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則進(jìn)行學(xué)習(xí)，存在著泛化能力弱、結(jié)構(gòu)設(shè)計(jì)較難、易陷入局部最優(yōu)等問(wèn)題.以上這些方法都是建立在復(fù)雜導(dǎo)聯(lián)多通道信號(hào)采集的基礎(chǔ)上，然而多通道記錄數(shù)據(jù)會(huì)要求在孕婦體表放置更多的電極，這可能會(huì)引起孕婦的身體不適從，并間接影響心電信號(hào)的提取效果.因此這些方法的臨床使用價(jià)值非常有限.

隨著胎兒心電提取方法的不斷深入研究，采用單通道腹壁混合心電信號(hào)進(jìn)行胎兒心電提取的方法成為主流.這些方法以自適應(yīng)噪聲消除技術(shù)[17]、奇異值分解技術(shù)[18]、模板去除技術(shù)[19]和卡爾曼濾波技術(shù)[20]等為基礎(chǔ)，從單通道腹壁混合心電信號(hào)中分離出胎兒心電信號(hào).但現(xiàn)有的單通道胎兒心電提取方法仍存在一定的不足：模板去除技術(shù)很難從腹壁混合心電信號(hào)中消除噪聲和母體心電成分[21]，導(dǎo)致提取效果較差；奇異值分解技術(shù)分解出來(lái)的矩陣往往解釋性較弱且分解矩陣隨時(shí)間越來(lái)越大，對(duì)存貯空間有較大的需求[22]；卡爾曼濾波技術(shù)的計(jì)算復(fù)雜度較高，并且在胎兒心電與母體心電重疊的部分，該技術(shù)將失去其提取作用[23]；自適應(yīng)噪聲消除技術(shù)通常需要訓(xùn)練特定的濾波器參數(shù)[24]，該方法的臨床實(shí)用性較低.

為了解決上述問(wèn)題并提取更為清晰的胎兒心電信號(hào)，本文提出了一種利用單通道腹壁混合信號(hào)進(jìn)行胎兒心電信號(hào)分離的新方法，該方法只需記錄一次孕婦腹壁混合信號(hào)，極大降低了信號(hào)的電極干擾且可以進(jìn)行長(zhǎng)期監(jiān)測(cè).該方法的具體思路為：首先，將平滑窗（Smooth Window，SW）技術(shù)與SVD 技術(shù)相結(jié)合（SW-SVD），用來(lái)估計(jì)孕婦腹壁混合信號(hào)中的母體心電成分，采用估計(jì)的母體心電信號(hào)代替母體胸部信號(hào)；然后，將SW-SVD 方法估計(jì)的母體心電信號(hào)作為輸入信號(hào)，利用最小二乘支持向量機(jī)（Least squares support vector machine，LSSVM）構(gòu)造輸入信號(hào)和腹壁混合信號(hào)中母體心電成分的最佳映射模型，并采用布谷鳥(niǎo)優(yōu)化算法（cuckoo search，CS）優(yōu)化LSSVM 的關(guān)鍵超參數(shù)；最后，將CS-LSSVM 映射模型得到最佳母體心電信號(hào)與腹壁混合信號(hào)相減，即可分離出初步的胎兒心電信號(hào)，對(duì)初步獲取的胎兒心電信號(hào)再次使用SW-SVD 技術(shù)進(jìn)一步消除母體心電的干擾，最終得到更為純凈的胎兒心電信號(hào).實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的歸一化最小均方誤差（Normalized least mean squares，NLMS）、長(zhǎng)短時(shí)記憶（Long short term memory，LSTM）網(wǎng)絡(luò)以及LSSVM 方法相比，文中所提出的方法具有更強(qiáng)的抗噪聲能力和泛化能力，可以得到更為清晰的胎兒心電信號(hào).

1 胎兒心電信號(hào)提取原理

設(shè)i 時(shí)刻母體腹壁的電極記錄母體腹壁混合心電信號(hào)為ui，ui中包含母體心電成分si、胎兒心電成分di和背景噪聲ηi三種信號(hào)，三者關(guān)系如下：

式中：母體心電成分si是在時(shí)刻由母體胸部參考心電信號(hào)mi經(jīng)非線性變換所形成的信號(hào)，所以腹壁混合信號(hào)中的母體心電成分si的相位和幅度等參數(shù)都會(huì)發(fā)生改變[25]，兩者的非線性變換函數(shù)為：

因此本文進(jìn)行胎兒心電提取時(shí)，首先對(duì)腹壁混合信號(hào)使用SW-SVD 技術(shù)分離出母體胸部參考心電信號(hào)mi；然后將心電數(shù)據(jù)集的部分樣本作為訓(xùn)練集{（Mi，ui），i=1，2，…，l}，求得輸入信號(hào)Mi和目標(biāo)輸出信號(hào)ui之間的非線性變換函數(shù)f（·）的最佳估計(jì)值，其中信號(hào)Mi由母體胸部參考心電信號(hào)mi和其J 維時(shí)間導(dǎo)數(shù)構(gòu)成[26].本文選取CS-LSSVM 模型來(lái)對(duì)非線性變換函數(shù)f（·）進(jìn)行擬合.

圖1 為本文方法的基本流程圖，主要分為三個(gè)階段.第一階段：采用SW-SVD 技術(shù)對(duì)母體腹壁混合信號(hào)進(jìn)行分解，將分解出的母體信號(hào)作為母體胸部信號(hào)的參考信號(hào)；第二階段：將參考信號(hào)作為模型的輸入，單導(dǎo)聯(lián)母體腹壁混合信號(hào)作為目標(biāo)輸出信號(hào)，采用CS-LSSVM 模型評(píng)算參考信號(hào)傳至腹壁的非線性映射并得到母體胸部信號(hào)的最佳參考，其后將胸部信號(hào)的最佳參考信號(hào)與腹壁混合信號(hào)相減，便可提取出初步的胎兒心電信號(hào)；第三階段：對(duì)初步提取的胎兒心電信號(hào)再次進(jìn)行SW-SVD 技術(shù)，進(jìn)一步去消除母體心電成分的干擾，即可提取出較為純凈的胎兒心電信號(hào).

圖1 胎兒心電提取方法流程圖Fig.1 Flow chart of fetal ECG extraction method

2 SW-SVD 技術(shù)

2.1 SVD 原理

設(shè)x（t）是一組實(shí)數(shù)域的一維時(shí)間序列，現(xiàn)按時(shí)間間隔τ 對(duì)每組序列采樣n 點(diǎn)，采樣m 組，構(gòu)成m×n 的矩陣M：

則存在一個(gè)分解使得M=UΣV*，其中U 是m×n 階酉矩陣，Σ是半正定階對(duì)角矩陣，V*是m×n階酉矩陣，V*是V 的共軛轉(zhuǎn)置矩陣.這樣的分解就稱(chēng)作M 的奇異值分解[27].

2.2 SVD 提取母體心電參考信號(hào)

2.3 均值濾波

本文采用均值濾波來(lái)進(jìn)行窗口平滑操作，該技術(shù)主要用來(lái)抑制噪聲和胎兒或母體心電信號(hào)的干擾.均值濾波是低通數(shù)字濾波的一種，處理思路比較簡(jiǎn)單，濾波效率較高[32].均值濾波算法如式（5）所示：

在本文中SW-SVD 技術(shù)用于第一階段母體心電參考信號(hào)的分離和第三階段最終胎兒心電信號(hào)的分離.其操作流程如圖2 所示.

圖2 第一階段母體心電參考信號(hào)的SW-SVD 技術(shù)流程Fig.2 SW-SVD technical process of maternal ECG reference signal in the first stage

母體心電參考信號(hào)分離的第一步是從腹壁混合信號(hào)中提取QRS 波群[33-34]，在本文中，檢測(cè)到母體R峰的位置后，采用對(duì)R 峰位置進(jìn)行左右延拓的方式進(jìn)行QRS 波群的提取，將QRS 波群長(zhǎng)度定位101 個(gè)點(diǎn)，可完全覆蓋所有的QRS 波[35].然后，將所提取的QRS 波群以矩陣Y 的形式進(jìn)行排列[36]，每個(gè)連續(xù)的QRS 波依次占據(jù)矩陣所對(duì)應(yīng)的每一行，而R 峰處在矩陣的同一列，因此矩陣Y 的構(gòu)造如式（6）所示.

式中：w 為QRS 波群的點(diǎn)數(shù)，這里w=101；N 為該通道QRS 波的個(gè)數(shù).

對(duì)第三階段提取的初步胎兒心電信號(hào)采用上述相同的SW-SVD 操作，這里將胎兒QRS 波群長(zhǎng)度定位51 個(gè)點(diǎn)，可完全覆蓋所有的QRS 波，進(jìn)而構(gòu)造信號(hào)矩陣Y.該操作主要目的是消除母體心電干擾成分和其他噪聲，從而得到更為清晰的胎兒心電信號(hào).

圖3 單個(gè)QRS 波周期圖Fig.3 Periodogram of a single QRS wave

3 基于CS 優(yōu)化的LSSVM

3.1 LSSVM 原理

LSSVM 是對(duì)傳統(tǒng)支持向量機(jī)（Support Vector Machine，SVM）的改進(jìn)，兩者的主要區(qū)別在于LSSVM將SVM 中求解問(wèn)題的不等式約束改為等式約束，且將樣本誤差平方和損失函數(shù)作為訓(xùn)練集的經(jīng)驗(yàn)損失，也就是其代替?zhèn)鹘y(tǒng)二次規(guī)劃方法解決函數(shù)估計(jì)問(wèn)題，引入最小二乘線性系統(tǒng)到支持向量機(jī)中，這樣不僅提高了求解問(wèn)題的速度，減少計(jì)算復(fù)雜度，也使得模型的收斂精度有所提高[37].其算法描述如下：

1）對(duì)于給定的訓(xùn)練樣本集{（xi，yi），i=1，2，…，l}，xi為樣本輸入，yi為樣本輸出.在非線性狀態(tài)下，應(yīng)用核函數(shù)將樣本轉(zhuǎn)換到高維空間中，則樣本滿足如下線性規(guī)律：

式中：h（x）為回歸函數(shù)，βT為高維空間超平面的法向量，b 為偏置量，φ（x）為非線性映射函數(shù).

2）給每一個(gè)樣本引入松弛因子ei，依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，將SVM 中的不等式約束問(wèn)題轉(zhuǎn)化成一個(gè)等式約束的優(yōu)化問(wèn)題，使得所求問(wèn)題得到進(jìn)一步簡(jiǎn)化：

式（8）為L(zhǎng)SSVM 模型優(yōu)化問(wèn)題，其中βTβ 決定函數(shù)的復(fù)雜度，C 為模型的懲罰系數(shù)，用來(lái)平衡函數(shù)的復(fù)雜度和擬合誤差，ei為松弛因子.

3）引入拉格朗日函數(shù)后可得：

式中：αi（i=1，2，…，l）為L(zhǎng)agrange 乘子.

根據(jù)KKT 條件，對(duì)上式中各變量進(jìn)行求偏導(dǎo)，并令其偏導(dǎo)為0 可求得LSSVM 回歸估計(jì)函數(shù)為：

本文中選擇徑向基函數(shù)作為核函數(shù)，即K（xi，x）=exp（-‖xi-x‖2/σ2），其中，σ 為核函數(shù)的寬度參數(shù).

當(dāng)使用LSSVM 模型進(jìn)行計(jì)算時(shí)，其核函數(shù)參數(shù)σ 和懲罰系數(shù)C 這兩個(gè)關(guān)鍵超參數(shù)的選擇對(duì)于模型的預(yù)測(cè)性能起著至關(guān)重要的作用.因此，本文采用CS 算法對(duì)該模型的超參數(shù)進(jìn)行尋優(yōu)處理，從而求得超參數(shù)的最優(yōu)組合.

3.2 CS 算法

布谷鳥(niǎo)搜索算法是一種自然啟發(fā)式算法，于2009 年由Xin-She Yang 和Suash Deb[38-39]提出，該算法是基于布谷鳥(niǎo)寄生卵育行為和萊維飛行特征而產(chǎn)生的一種新型群體智能算法，寄生卵育即通過(guò)局部隨機(jī)搜索的方法將自己的鳥(niǎo)蛋放入其他鳥(niǎo)窩中，且每個(gè)鳥(niǎo)窩都存在發(fā)現(xiàn)的概率；萊維飛行是一種隨機(jī)游走的搜索方式，通過(guò)這種方式不斷更新孵化地點(diǎn)，直至最優(yōu)[40].文獻(xiàn)表明[41]布谷鳥(niǎo)算法復(fù)雜度較低、涉及的參數(shù)較少、全局尋優(yōu)能力強(qiáng)等特點(diǎn)，該算法首先假設(shè)如下3 種理想狀態(tài)：

①每只布谷鳥(niǎo)每次下1 個(gè)蛋，并將其放入隨機(jī)選擇的巢中；

②具有優(yōu)質(zhì)蛋的最佳巢會(huì)被帶到下一代；

③可用的寄主巢數(shù)量是固定的，且寄主以Pa∈（0，1）的概率發(fā)現(xiàn)布谷鳥(niǎo)放的蛋.

該算法通過(guò)萊維飛行（Levy Flight）來(lái)增強(qiáng)全局搜索能力，搜索路徑和更新位置公式如下：

位置更新之后，用隨機(jī)數(shù)r∈[0，1]與Pa（Pa為發(fā)現(xiàn)概率）對(duì)比，若r ＞Pa，則對(duì)采用偏好隨機(jī)游動(dòng)的方式進(jìn)行改變，偏好隨機(jī)游動(dòng)公式如下：

3.3 CS 優(yōu)化的LSSVM 母體心電信號(hào)估計(jì)模型

本文將CS 算法與LSSVM 模型相結(jié)合，構(gòu)建基于CS-LSSVM 的母體心電估計(jì)模型.首先采用CS算法對(duì)LSSVM 的關(guān)鍵超參數(shù)作尋優(yōu)處理，得到參數(shù)的最優(yōu)組合，進(jìn)一步提高模型的非線性映射能力和預(yù)測(cè)性能；然后利用最優(yōu)參數(shù)組合構(gòu)建的CSLSSVM 模型作為母體參考心電信號(hào)與腹壁混合信號(hào)之間的非線性變換函數(shù)f（·）；在此基礎(chǔ)上應(yīng)用非線性變換函數(shù)f（·）求得母體參考信號(hào)的最佳估計(jì)，最后從母體腹壁的混合信號(hào)中進(jìn)行分離，即可分離提取得到初步的胎兒心電信號(hào)的估計(jì).模型具體操作流程如下.

步驟1：選擇訓(xùn)練數(shù)據(jù)集.為了得到函數(shù)f（·）的最佳擬合，CS-LSSVM 模型的輸入數(shù)據(jù)由母體心電mi及其J 維時(shí)間導(dǎo)數(shù)構(gòu)成，本文取J=2.CS-LSSVM模型的輸入信號(hào)用向量M 表示，目標(biāo)輸出信號(hào)用向量u 表示，其中：

步驟2：利用CS 優(yōu)化LSSVM 模型參數(shù).

1）將LSSVM 模型中核函數(shù)參數(shù)和懲罰系數(shù)作為優(yōu)化對(duì)象，隨機(jī)初始化鳥(niǎo)巢的位置，設(shè)置鳥(niǎo)巢數(shù)量n，最大迭代次數(shù)T 和發(fā)現(xiàn)概率Pa.

2）通過(guò)適應(yīng)度函數(shù)計(jì)算并找出當(dāng)代最優(yōu)鳥(niǎo)巢位置Xbest.判斷算法是否滿足終止條件，若滿足則算法結(jié)束；否則執(zhí)行步驟3）.本文對(duì)粒子適應(yīng)度函數(shù)的定義如下：

3）執(zhí)行Levy 飛行操作并更新鳥(niǎo)巢位置，計(jì)算更新之后鳥(niǎo)巢位置的適應(yīng)度值，并與原鳥(niǎo)巢的適應(yīng)度作比較，若優(yōu)于原鳥(niǎo)巢則代替原鳥(niǎo)巢位置，否則放棄該位置.

4）隨機(jī)產(chǎn)生一個(gè)[0，1]區(qū)間上的隨機(jī)數(shù)r，若r ＞Pa，則對(duì)Xt+1i按式（14）進(jìn)行隨即改進(jìn)，反之則不變.

5）利用新更新的鳥(niǎo)巢位置計(jì)算適應(yīng)度值，并與前代鳥(niǎo)巢位置對(duì)應(yīng)的適應(yīng)度值進(jìn)行比較，保留適應(yīng)度值更好的鳥(niǎo)巢位置.

6）判斷算法終止條件，若不符合迭代終止條件則回到3）步；若符合終止條件，則將CS 求出的最優(yōu)參數(shù)作為L(zhǎng)SSVM 模型的最終參數(shù).

步驟3：訓(xùn)練CS-LSSVM.將訓(xùn)練數(shù)據(jù)集輸入最優(yōu)參數(shù)組合的CS-LSSVM 模型，CS-LSSVM 模型的輸出為腹壁混合信號(hào)中的母體心電成分s=f（M）.將目標(biāo)信號(hào)與輸出信號(hào)之差用誤差信號(hào)e 表示.CSLSSVM 模型根據(jù)均方誤差最小化擬合誤差E（eTe），最終得到母體胸部參考心電信號(hào)經(jīng)歷非線性變換（f·）傳輸?shù)礁贡诘淖顑?yōu)擬合函數(shù)

步驟4：提取胎兒心電信號(hào).將心電數(shù)據(jù){（mi，ui），i=1，2，…，N}送入CS-LSSVM 模型，利用最優(yōu)擬合函數(shù)計(jì)算得到腹壁混合信號(hào)ui中的母體心電成分則胎兒心電信號(hào)就可以利用下式計(jì)算

4 實(shí)驗(yàn)與結(jié)果

4.1 模型評(píng)價(jià)標(biāo)準(zhǔn)

對(duì)于心電信號(hào)提取的精度評(píng)價(jià)，本文采用靈敏度（Sensitivity，Se）、精確率（Positive Predictive value，PPV）、準(zhǔn)確率（Accuracy，ACC）和總體概率（F1-measure，F(xiàn)1）四個(gè)指標(biāo)來(lái)進(jìn)行評(píng)估.Se、PPV、ACC 和F1的定義如下：

式中：TP 指正確檢測(cè)到的胎兒心電信號(hào)，F(xiàn)P 指錯(cuò)誤檢測(cè)到的胎兒心電信號(hào)，F(xiàn)N 指漏檢的胎兒心電，四項(xiàng)統(tǒng)計(jì)指標(biāo)的值越大，表明算法的性能越好[42].

4.2 實(shí)驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)方法

本文實(shí)驗(yàn)數(shù)據(jù)選取DaISy 數(shù)據(jù)集進(jìn)行研究，并與NLMS[43]、LSTM 方法[44]和LSSVM 方法進(jìn)行對(duì)比實(shí)驗(yàn).DaISy 數(shù)據(jù)庫(kù)（Database for the Identification of Systems）由Lieven De Lathauwer 提供[45]，心電數(shù)據(jù)采樣頻率為250 Hz，記錄時(shí)長(zhǎng)為10 s，各通道心電數(shù)據(jù)長(zhǎng)度為2 500，采用電極放置法從孕婦體表獲取的八導(dǎo)聯(lián)（ch1～ch8）心電信號(hào)，ch1～ch5 導(dǎo)聯(lián)記錄孕婦腹部混合信號(hào)，ch6～ch8 導(dǎo)聯(lián)記錄孕婦胸部信號(hào).考慮模型運(yùn)算復(fù)雜度、計(jì)算時(shí)長(zhǎng)和提取性能，選擇前1 500 點(diǎn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，剩余1 000 點(diǎn)數(shù)據(jù)作為測(cè)試數(shù)據(jù)集.NLMS 方法中，迭代步長(zhǎng)設(shè)為0.005，迭代次數(shù)設(shè)為1 000.LSTM 方法中隱藏層神經(jīng)元選為30 個(gè)，迭代次數(shù)設(shè)為400，學(xué)習(xí)率取為r=0.01.傳統(tǒng)LSSVM 方法中選擇徑向基函數(shù)作為核函數(shù)，核函數(shù)參數(shù)σ 和懲罰系數(shù)C 的取值分別為σ2=3，C=50.

4.3 實(shí)驗(yàn)結(jié)果比較

4.3.1 母體心電參考信號(hào)的可視化提取結(jié)果

選取Daisy 數(shù)據(jù)集中的五個(gè)腹部心電信號(hào)進(jìn)行單通道胎兒心電信號(hào)的提取，五個(gè)通道的信號(hào)波形如圖4 所示.為了去除基線漂移對(duì)信號(hào)的影響，本文對(duì)母體心電參考信號(hào)做了Savitzky-Golay（S-G）平滑濾波操作；然后利用第二節(jié)中所提出的SW-SVD 技術(shù)，提取母體心電參考信號(hào)，提取結(jié)果如圖7 所示.通過(guò)對(duì)比圖4 和圖5 的五通道信號(hào)可知，利用SW和SVD 結(jié)合的技術(shù)可以從腹壁混合心電信號(hào)中提取出清晰的母體心電參考信號(hào).

圖4 Ch1～ch5 通道孕婦腹壁混合心電信號(hào)Fig.4 ch1～ch5 mixed ECG signal of pregnant women’s abdominal wall

圖5 ch1～ch5 通道采用SW-SVD 技術(shù)提取的母體心電參考信號(hào)Fig.5 ch1～ch5 channels adopt SW-SVD technology to extract the maternal ECG reference signal

4.3.2 胎兒心電信號(hào)提取結(jié)果的可視化對(duì)比分析

本文將ch1 和ch2 兩個(gè)腹部通道信號(hào)作為可視化結(jié)果分析，并與目前傳統(tǒng)的NLMS、LSTM 和LSSVM 方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)可視化對(duì)比結(jié)果如圖6 和圖7 所示.

圖6 和圖7 顯示了四種胎兒心電信號(hào)提取方法在ch1 和ch2 兩個(gè)通道上的可視化結(jié)果，可以看出本文提出的方法明顯優(yōu)于其他三種方法，基本上可以提取出所有的胎兒QRS 波，且有效避免了母體心電和其他噪聲的干擾.

圖6 ch1 通道四種方法的胎兒心電信號(hào)提取結(jié)果比較Fig.6 Comparison of fetal ECG signal extraction results of four methods of ch1 channel

圖7 ch2 通道四種方法的胎兒心電信號(hào)提取結(jié)果比較Fig.7 Comparison of fetal ECG signal extraction results of four methods of ch2 channel

4.3.3 胎兒心電信號(hào)提取結(jié)果的統(tǒng)計(jì)指標(biāo)分析

為了定量研究CS-LSSVM 方法的提取效果，本文采用Se、PPV、ACC 和F1 四個(gè)指標(biāo)來(lái)分析[12，13].選擇DaISy 數(shù)據(jù)集中ch1～ch5 共5 個(gè)通道孕婦腹壁心電數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，該數(shù)據(jù)集中每個(gè)通道記錄有22 個(gè)胎兒心電QRS 波，在測(cè)試集數(shù)據(jù)中每個(gè)通道有9 個(gè)QRS 波，本文統(tǒng)計(jì)5 個(gè)通道共45 個(gè)胎兒心電QRS 波.四種方法的統(tǒng)計(jì)分析結(jié)果如表1 所示.

表1 四種心電提取方法的統(tǒng)計(jì)分析Tab.1 Statistical analysis of four ECG extraction methods

由表1 可知，CS-LSSVM 心電信號(hào)提取方法在五個(gè)導(dǎo)聯(lián)上的胎兒心電信號(hào)提取效果最好，該方法可以提取到42 個(gè)胎兒心電QRS 波，誤檢和漏檢的胎兒心電個(gè)數(shù)相對(duì)較少，只有4 個(gè)QRS 波被誤檢且漏檢個(gè)數(shù)為3 個(gè)，模型準(zhǔn)確率ACC 高達(dá)85.71%，靈敏度Se 為93.33%，精確度PPV 達(dá)到91.30%，且總體概率F1 為92.31%，四項(xiàng)統(tǒng)計(jì)指標(biāo)均為最高.NLMS 方法能夠提取到40 個(gè)胎兒心電QRS 波，誤檢個(gè)數(shù)為12 個(gè)，漏檢的胎兒心電為5 個(gè)，模型準(zhǔn)確率ACC 為70.18%，四項(xiàng)評(píng)價(jià)指標(biāo)都不及本文提出的方法.這是由于NLMS 方法對(duì)胎兒心電信號(hào)適應(yīng)性不強(qiáng)，尤其在母體心電與胎兒心電重疊部分，對(duì)胎兒心電的識(shí)別率較低.LSTM 方法可以提取到30 個(gè)胎兒心電QRS 波，在四項(xiàng)心電提取性能指標(biāo)分析中，其ACC 只有51.72%，四項(xiàng)評(píng)價(jià)指標(biāo)均為最低，這是由于LSTM 存在泛化能力弱，易陷入局部極值，導(dǎo)致該模型漏檢和誤檢較多.LSSVM 方法可以提取到40 個(gè)胎兒心電QRS 波，誤檢11 個(gè)，漏檢5 個(gè)，并且ACC為71.43%，Se 為88.89%，PPV 為78.43%，F(xiàn)1 為83.33%.由于LSSVM 方法的超參數(shù)很難人工取到最優(yōu)值，導(dǎo)致該方法提取性能低于CS-LSSVM.通過(guò)上述的對(duì)比可見(jiàn)，CS-LSSVM 心電提取方法在四項(xiàng)指標(biāo)上均優(yōu)于其他三種心電提取方法.可見(jiàn)利用CS算法先對(duì)LSSVM 模型的關(guān)鍵超參數(shù)進(jìn)行尋優(yōu)處理，然后構(gòu)建CS-LSSVM 母體心電信號(hào)估計(jì)模型，并經(jīng)過(guò)SW-SVD 操作可以有效提高胎兒心電信號(hào)提取性能.

5 結(jié)論

在本文的研究中，提出了一種利用單通道母體腹部混合心電信號(hào)提取胎兒心電信號(hào)的新方法.該方法以LSSVM 模型為基礎(chǔ)構(gòu)建CS-LSSVM 母體心電信號(hào)提取模型，采用CS 算法對(duì)LSSVM 模型的超參數(shù)進(jìn)行尋優(yōu)處理，有效提高了模型的預(yù)測(cè)性能，減小了人為確定超參數(shù)的影響.并且結(jié)合平滑窗口和奇異值分解技術(shù)，建立母體心電參考信號(hào)，有效避免了至少記錄一個(gè)母體胸部心電信號(hào)的局限性.文中選取DaISy 數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)表明，相比于傳統(tǒng)的NLMS、LSTM 和LSSVM 方法，本文提出的CS-LSSVM 心電提取方法表現(xiàn)出更優(yōu)的性能，能夠提取出42 個(gè)清晰的胎兒心電信號(hào)QRS 波，誤檢和漏檢的胎兒心電較少，為產(chǎn)前胎兒健康檢測(cè)提供了新思路，具有較好的臨床應(yīng)用價(jià)值.