袁麗，吳水才，袁延超

北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院，北京 100124

胎兒心電提取算法研究綜述

袁麗，吳水才，袁延超

北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院，北京 100124

在圍產(chǎn)期對(duì)胎兒進(jìn)行監(jiān)護(hù)是十分必要的，而胎兒心電圖是目前胎兒監(jiān)護(hù)最有效的手段之一。胎兒心電圖能夠反映胎兒心臟活動(dòng)的全貌，通過(guò)對(duì)其波形分析，可及時(shí)發(fā)現(xiàn)胎兒生長(zhǎng)發(fā)育過(guò)程中的異常。本文綜述了幾種經(jīng)典的胎兒心電信號(hào)提取算法，包括自適應(yīng)濾波法、盲源分離法、盲信號(hào)提取法、獨(dú)立成分分析法、小波分析法、人工神經(jīng)網(wǎng)絡(luò)等，并重點(diǎn)介紹了各種方法的原理、改進(jìn)方法，同時(shí)對(duì)各種算法的優(yōu)缺點(diǎn)進(jìn)行分析。文章的最后，對(duì)各種胎兒心電提取算法進(jìn)行了總結(jié)，并對(duì)未來(lái)發(fā)展做出了展望。

胎兒心電；腹部電極；自適應(yīng)濾波；盲源分離；小波分析；人工神經(jīng)網(wǎng)絡(luò)

引言

在圍產(chǎn)期對(duì)胎兒進(jìn)行監(jiān)護(hù)是十分必要的，圍產(chǎn)期的監(jiān)護(hù)主要是通過(guò)心音、心動(dòng)及胎兒心電圖的變化來(lái)判斷胎兒在母體內(nèi)的生長(zhǎng)發(fā)育狀況。相比心音和心動(dòng)，胎兒心電圖可以更早的反映胎兒心臟的電生理活動(dòng)。通過(guò)對(duì)胎兒心電波形的分析可以及時(shí)發(fā)現(xiàn)胎兒在生長(zhǎng)發(fā)育過(guò)程中的異常，如胎兒窘迫、胎內(nèi)缺氧等妊娠期問(wèn)題。另外少數(shù)異常的胎兒心電波形也是先天性心臟病的表現(xiàn)，這樣可及早采取相應(yīng)措施，從而降低新生兒的發(fā)病率和死亡率，實(shí)現(xiàn)優(yōu)生優(yōu)育。

目前獲取胎兒心電有兩種方法，一種是侵入式的頭皮電極法，該方法可以直接測(cè)得較純凈的胎兒心電信號(hào)。但是它有局限性，只能在分娩時(shí)去測(cè)胎兒心電信號(hào)，并且它是有創(chuàng)檢測(cè)，所以有可能給母親和胎兒造成傷害；另一種方法是非侵入式的腹部電極法，把電極放置在母體腹部采集心電信號(hào)。該方法可以在妊娠期進(jìn)行長(zhǎng)期的監(jiān)護(hù)，不會(huì)對(duì)母親和胎兒造成傷害，但采集到的信號(hào)是母親和胎兒的混合信號(hào)，胎兒心電信號(hào)十分微弱，提取較困難。因此，如何準(zhǔn)確有效的提取胎兒心電是目前急需解決的難題。本文主要對(duì)目前非侵入式胎兒心電的幾種經(jīng)典提取方法進(jìn)行綜述和分析。

1 國(guó)內(nèi)外研究現(xiàn)狀

目前，國(guó)內(nèi)外非侵入式檢測(cè)胎兒心電的方法，大多數(shù)是通過(guò)在母體腹部放置電極片來(lái)采集心電信號(hào)的，所采集的信號(hào)是母體與胎兒的混合心電信號(hào)。母體心電幅度一般是胎兒的5～10倍，且與胎兒心電在時(shí)域有10%～30%的重疊部分，在頻域中也有重疊。另外胎兒心電還會(huì)受到一些干擾，如50 Hz工頻干擾、肌電干擾、基線(xiàn)漂移等。除此之外，如何確定胎兒在不同孕期的位置及電極片放置位置，都會(huì)影響胎兒心電檢測(cè)的準(zhǔn)確度。

近幾年來(lái)，隨著信號(hào)處理技術(shù)的不斷發(fā)展，國(guó)內(nèi)外有許多提取胎兒心電的算法和方法得到了應(yīng)用，主要包括自適應(yīng)濾波、小波分析、匹配濾波法、盲源分離、獨(dú)立成分分析、主成分分析、神經(jīng)網(wǎng)絡(luò)及奇異值分解等算法。

1.1 自適應(yīng)濾波法

自適應(yīng)濾波器主要由兩部分組成：系統(tǒng)可調(diào)的數(shù)字濾波器和用來(lái)調(diào)節(jié)或修正濾波器系數(shù)的自適應(yīng)算法。自適應(yīng)濾波器有兩個(gè)輸入端，即參考輸入端與原始輸入端。在胎兒心電提取中，將參考輸入端接母體胸部信號(hào)，原始輸入端接母體腹部信號(hào)，采用最小均方誤差法（Least Mean Square，LMS）或者遞推最小二乘法（Recursive Least Square，RLS）等算法從腹部信號(hào)減去母體胸部心電信號(hào)就是胎兒心電信號(hào)。

20世紀(jì)70年代中期，威德羅等人提出自適應(yīng)濾波及其算法。自適應(yīng)濾波算法有很多種，常用的算法有基于最小均方誤差準(zhǔn)則（Minimum Mean Square Error，MMSE）的LMS算法和基于最小二乘準(zhǔn)則的RLS算法。在這兩種算法的基礎(chǔ)上，國(guó)內(nèi)外研究學(xué)者提出了一些改進(jìn)的算法。不同的算法具有不同的收斂速度、計(jì)算量和魯棒性。傳統(tǒng)的定步長(zhǎng)LMS算法限制了收斂速度，針對(duì)這一問(wèn)題，徐欣等[1]提出，使用截?cái)嗾`差的LMS算法加快收斂速度。由于自適應(yīng)濾波算法不能提取胎兒心電和母體心電重合部分，沈燕妮等[2]將自適應(yīng)濾波和小波分析二者相結(jié)合應(yīng)用于胎兒心電信號(hào)提取，通過(guò)將母體心電信號(hào)做多尺度小波分解后，然后對(duì)各層小波系數(shù)采用自適應(yīng)濾波算法進(jìn)行處理，最后通過(guò)小波重構(gòu)得到胎兒心電信號(hào)。腹壁混合信號(hào)中，母體心電比胎兒心電強(qiáng)，因此很難提取出純凈的胎兒心電。Prasad等[3]用二階自適應(yīng)濾波法消除母體心電影響。Singh等[4]用改進(jìn)的自適應(yīng)濾波法來(lái)提取胎兒心電，取得了較好的結(jié)果。

自適應(yīng)濾波算法計(jì)算量比較小，易于收斂，適合用于實(shí)時(shí)處理。缺點(diǎn)就是需要額外采集母體的胸部心電信號(hào)，并且自適應(yīng)濾波算法不能提取母體心電與胎兒心電重疊的部分，兩個(gè)通道信號(hào)之間的相關(guān)性容易對(duì)提取的結(jié)果產(chǎn)生影響，對(duì)于非平穩(wěn)性較強(qiáng)的信號(hào)也不適用，并且該方法在臨床應(yīng)用中對(duì)監(jiān)護(hù)設(shè)備和醫(yī)務(wù)人員都有較高的要求。

1.2 盲源分離及盲信號(hào)提取算法

盲源分離（Blind Source Separation，BSS）又稱(chēng)盲信號(hào)分離，就是在各個(gè)源信號(hào)均未知的情況下，根據(jù)某種條件和假設(shè)，尋找一個(gè)合適的目標(biāo)函數(shù)，并將目標(biāo)函數(shù)進(jìn)行最大化，從混合的觀(guān)察信號(hào)中分離出這些源信號(hào)。盲信號(hào)提取（Blind Signal Extraction，BSE）只需在未知信號(hào)中提取出所需要的源信號(hào)，與BSS相比計(jì)算量更小。

母體心電信號(hào)和胎兒心電信號(hào)是相互獨(dú)立的，所以可以應(yīng)用盲源分離及盲信號(hào)提取算法來(lái)提取胎兒心電信號(hào)。王旭等[5]提出了基于短時(shí)傅里葉變換和盲分離的胎兒心電信號(hào)檢測(cè)算法，運(yùn)用小波變換技術(shù)分離出含有噪聲的胎兒心電信號(hào)，再對(duì)它進(jìn)行短時(shí)傅里葉變換和盲分離。李興慧等[6]提出了基于W-H變換的盲分離算法，將混合信號(hào)進(jìn)行W-H變換，在W-H平面分布中選擇信息特征的峰值，求出不同通道信號(hào)的對(duì)應(yīng)峰值比得到近似混合矩陣，通過(guò)近似混合矩陣的逆可將胎兒心電信號(hào)分離出來(lái)。馬明等[7]用聯(lián)合時(shí)序結(jié)構(gòu)和負(fù)熵的胎兒心電盲提取算法，確保了每次提取出來(lái)的信號(hào)都是胎兒心電信號(hào)。Blumensath等[8]用自適應(yīng)稀疏表示的盲源分離提取胎兒心電信號(hào)。蘇博妮等[9]提出了基于廣義特征值最大化的胎兒心電盲提取算法，在一個(gè)動(dòng)態(tài)的延遲范圍內(nèi)搜素一個(gè)最優(yōu)胎兒心電延遲周期，計(jì)算自相關(guān)矩陣，該方法只需要計(jì)算廣義特征值和特征向量，不需要迭代計(jì)算，計(jì)算復(fù)雜度較低。

BSS算法是將所有的源信號(hào)從觀(guān)察信號(hào)中恢復(fù)出來(lái)，這不僅需要花費(fèi)大量的計(jì)算時(shí)間，而且提取出來(lái)的信號(hào)中可用信號(hào)所占比例較小。相比較而言，BSE僅僅提取有用的信號(hào)，節(jié)省了大量的計(jì)算時(shí)間和資源，但是BSE提取的胎兒心電圖容易受到噪聲的污染，盲信號(hào)處理算法需要導(dǎo)聯(lián)數(shù)多，計(jì)算復(fù)雜度大。

1.3 獨(dú)立成分分析

獨(dú)立成分分析（Independent Component Analysis，ICA）是20世紀(jì)90年代提出的，起初是神經(jīng)網(wǎng)絡(luò)研究中有一個(gè)重要的問(wèn)題，獨(dú)立成分分析是一個(gè)解決該問(wèn)題的新方法，該方法在于尋找一個(gè)線(xiàn)性坐標(biāo)系統(tǒng)，使產(chǎn)生的信號(hào)盡可能地彼此統(tǒng)計(jì)獨(dú)立，然后通過(guò)觀(guān)測(cè)信號(hào)，從多個(gè)源信號(hào)的線(xiàn)性混合信號(hào)中分離出各獨(dú)立源信號(hào)。

傳統(tǒng)的ICA容易陷入局部最優(yōu)，導(dǎo)致提取出來(lái)的胎兒心電信號(hào)含有較多的噪聲。針對(duì)這一問(wèn)題許多學(xué)者提出了一些改進(jìn)的ICA算法。趙志棟等[10]提出將修正BFGS法和混沌優(yōu)化算法相結(jié)合，來(lái)代替?zhèn)鹘y(tǒng)的牛頓迭代法，提出一種新的獨(dú)立分量分析方法用于提取胎兒心電信號(hào)。張守成等[11]在梯度算法的基礎(chǔ)上，根據(jù)經(jīng)典的Kuhn-Tucker條件提出一種改進(jìn)的定點(diǎn)算法。陳艷等[12]提出了基于ICA和改進(jìn)的遺傳算法的胎兒心電提取方法。ICA算法易陷入局部極優(yōu)值，而遺傳算法內(nèi)在的應(yīng)并行性和全局尋優(yōu)能力，克服了ICA的這一缺陷。李朝蘭等[13]用自相關(guān)分析得到混合信號(hào)的具體周期，去除時(shí)間相關(guān)性，再利用FastICA分離截取信號(hào)。Sevim等[14]用核密度估計(jì)方法構(gòu)建ICA算法。

ICA算法處理的對(duì)象是非高斯信號(hào)，是一種解決盲源分離問(wèn)題的有效方法。但它要求各個(gè)信號(hào)統(tǒng)計(jì)獨(dú)立，且要求獲得的混合信號(hào)數(shù)目需大于信號(hào)源數(shù)目，這些條件實(shí)現(xiàn)起來(lái)難度都較大。另外，用ICA提取的胎兒心電信號(hào)混雜著許多未知的噪聲成份，易陷入局部最優(yōu)值，這些問(wèn)題都有待于解決。

1.4 小波分析算法

小波分析是當(dāng)前應(yīng)用數(shù)學(xué)和工程學(xué)科中一個(gè)迅速發(fā)展的新領(lǐng)域，經(jīng)過(guò)近30年的探索研究，重要的數(shù)學(xué)形式化體系已經(jīng)建立，理論基礎(chǔ)更加扎實(shí)。與Fourier變換相比，小波變換是空間（時(shí)間）和頻率的局部變換，它是一種窗口大?。创翱诿娣e）固定但形狀可改變，且時(shí)間窗和頻率窗都可改變的時(shí)頻局域化分析方法，即在低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，所以被譽(yù)為“數(shù)學(xué)顯微鏡”。特別適合處理像心電信號(hào)這樣的非平穩(wěn)信號(hào)，該方法可以聚焦到心電信號(hào)的任意細(xì)節(jié)部分，因而能有效地從心電信號(hào)中提取到有用信息。

自從基于小波變換的胎兒心電信號(hào)提取方法提出后，許多學(xué)者均在相關(guān)方面做了研究。嚴(yán)文鴻等[15]對(duì)母體腹部進(jìn)行平穩(wěn)小波分解，再用匹配濾波法提取出胎兒心電信號(hào)。賈文娟等[16]通過(guò)對(duì)母體腹部信號(hào)進(jìn)行二進(jìn)小波分解和模極大值檢測(cè)，選擇性地保留并重構(gòu)極大值點(diǎn)，獲取母體心電信號(hào)，再?gòu)哪阁w腹部信號(hào)中除去該母體心電信號(hào)，即得胎兒心電信號(hào)。從腹部采集的信號(hào)不僅是母體與胎兒的混合信號(hào)，還包括一些噪聲干擾信號(hào)。沈燕妮等[2]利用有效信號(hào)和噪聲信號(hào)在小波分解各尺度的不同表現(xiàn)特征來(lái)去除噪聲，進(jìn)而提取出清晰的胎兒心電信號(hào)。

小波分析是一種多尺度的信號(hào)分析方法，是進(jìn)行信號(hào)時(shí)頻分析和處理的理想工具。在胎兒心電信號(hào)提取中，小波變換提取到的胎兒心電準(zhǔn)確性較高，效果理想。但缺點(diǎn)是小波變換算法涉及到小波基及其它一些重要參數(shù)的選擇，而對(duì)不同的數(shù)據(jù)，參數(shù)值也會(huì)相應(yīng)有很大的改變。因此適用性不強(qiáng)，另外該方法計(jì)算量大，實(shí)時(shí)性較差。

1.5 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）[17]是由多個(gè)非常簡(jiǎn)單的處理單元彼此按某種方式相互連接而形成的計(jì)算機(jī)系統(tǒng)，該系統(tǒng)靠其狀態(tài)對(duì)外部輸入信息的動(dòng)態(tài)響應(yīng)來(lái)處理信息。根據(jù)生物神經(jīng)網(wǎng)絡(luò)的原理和實(shí)際應(yīng)用的需要，建造實(shí)用的人工神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)相應(yīng)的學(xué)習(xí)算法，模擬人腦的某種智能活動(dòng)，然后在技術(shù)上實(shí)現(xiàn)出來(lái)，用以解決實(shí)際問(wèn)題。

由于近幾年發(fā)展起來(lái)的ANN算法需要導(dǎo)聯(lián)數(shù)少，且提取性能較好，在胎兒心電和母體心電重合時(shí)仍能成功的提取，為此許多研究學(xué)者在這一方面做了大量的研究。賈文娟等[18]提出了基于自適應(yīng)性神經(jīng)網(wǎng)絡(luò)的胎兒心電信號(hào)提取，根據(jù)母體心電信號(hào)與母體腹部信號(hào)的相關(guān)性原理，以母體心電信號(hào)為網(wǎng)絡(luò)輸入，母體腹部信號(hào)為網(wǎng)絡(luò)目標(biāo)，采用W-H學(xué)習(xí)方法獲取的訓(xùn)練誤差即為提取出的胎兒心電信號(hào)。用神經(jīng)網(wǎng)絡(luò)信號(hào)提取出來(lái)的信號(hào)帶有微弱的噪聲，針對(duì)這一問(wèn)題，余尤好等[19]先利用神經(jīng)網(wǎng)絡(luò)進(jìn)行胎兒心電信號(hào)提取，再進(jìn)行小波去噪，提取出了較為清晰的胎兒心電信號(hào)。針對(duì)胎兒信號(hào)難以提取，蒲秀娟等[20]利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)估計(jì)母體心電信號(hào)傳導(dǎo)至腹壁的非線(xiàn)性變換，將非線(xiàn)性變換后的母體心電信號(hào)從腹壁混合信號(hào)中減去，再通過(guò)小波包去噪技術(shù)抑制胎兒心電的基線(xiàn)漂移和噪聲，得到清晰的胎兒心電信號(hào)。Sait等[21]使用Verilog HDL設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，從母體腹部混合信號(hào)中提取胎兒心電信號(hào)。為了提高提取的胎兒心電信號(hào)準(zhǔn)確性，Alipour等[22]應(yīng)用遺傳算法與模糊小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法提取胎兒心電信號(hào)。

人工神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線(xiàn)性擬合能力，可映射任意復(fù)雜的非線(xiàn)性關(guān)系，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)。具有很強(qiáng)的魯棒性和記憶能力。人工神經(jīng)網(wǎng)絡(luò)算法需要的導(dǎo)聯(lián)數(shù)較少，并且在母體心電與胎兒心電重合時(shí)可以成功的提取出胎兒心電。但是該算法需要比較長(zhǎng)的訓(xùn)練時(shí)間，收斂速度也很慢，存在泛化能力，結(jié)構(gòu)設(shè)計(jì)和局部極值等許多問(wèn)題有待于解決。

1.6 其他算法

匹配濾波法[23]就是用閾值檢測(cè)法從孕婦腹部信號(hào)中檢測(cè)出母體心電波形，通過(guò)相應(yīng)的算法、位置調(diào)整和幅度調(diào)整等步驟制作成為一個(gè)模板，腹部信號(hào)減去該模板得到的就是胎兒信號(hào)。該方法比較簡(jiǎn)單，易于實(shí)現(xiàn)。但是對(duì)模板精確度要求比較高，提取出來(lái)的胎兒心電信號(hào)識(shí)別率低。

用于提取胎兒心電的算法還包括相干平均法[24]、支持向量機(jī)（Support Vector Machine，SVM）[25]、奇異值分解（Singular Value Decomposition，SVD）[26]等。但是這些方法均存在一些局限性：相干平均算法只有在疊加次數(shù)足夠多的時(shí)候，母體心電波形才可能被完全抑制，另外心電信號(hào)的非平穩(wěn)特性并不符合該算法要求；SVM算法在應(yīng)用中存在超平面參數(shù)選擇問(wèn)題，且算法受訓(xùn)練樣本數(shù)目的影響很大，計(jì)算復(fù)雜度較高，缺少實(shí)際的生理意義；SVD算法隨著時(shí)間的增長(zhǎng)，分解矩陣越來(lái)越大，計(jì)算量和存儲(chǔ)空間較大。另外，該算法只能保證提取出的分量不相關(guān)，但并不能保證各個(gè)分量統(tǒng)計(jì)獨(dú)立。

2 總結(jié)與展望

如何提取出清晰的胎兒心電信號(hào)一直是相關(guān)研究的難點(diǎn)和熱點(diǎn)。本文對(duì)目前一些常用的胎兒心電提取算法分別做了原理介紹、算法改進(jìn)及優(yōu)缺點(diǎn)分析。由于小波分析是一種多尺度的信號(hào)分析方法，是進(jìn)行信號(hào)時(shí)頻分析和處理的理想工具，所以小波分析是目前工程學(xué)科的一個(gè)新領(lǐng)域?；谛〔ㄗ儞Q的很多算法被用來(lái)提取胎兒心電，基于小波變換的自適應(yīng)濾波算法提取胎兒心電是目前最常用的提取方法之一，但該算法需要額外采集母體胸部心電信號(hào)。單從母體腹部信號(hào)中提取胎兒心電可降低實(shí)際應(yīng)用中操作的復(fù)雜性，可嘗試經(jīng)驗(yàn)?zāi)B(tài)分解的方法，其實(shí)質(zhì)是對(duì)混合多頻率信號(hào)的分解，即為將多組母體腹部心電信號(hào)提取包絡(luò)線(xiàn)，將信號(hào)分解為從高頻本征模函數(shù)到低頻本征模函數(shù)的多組信號(hào)，然后針對(duì)多組相應(yīng)頻率的信號(hào)部分，應(yīng)用獨(dú)立成分分析的方法提取胎兒心電成分，最后將各層胎兒心電成分相加就可以得到胎兒心電。該方法只需要采集母體腹部信號(hào)，計(jì)算復(fù)雜度小，具有較好的應(yīng)用前景。

[1] 徐欣,馬千里,朱旭,等.胎兒心電提取自適應(yīng)濾波器仿真對(duì)比研究[J].南京理工大學(xué)學(xué)報(bào)自然科學(xué)版,2011,35(6):847-852.

[2] 沈燕妮,吳水才,高小峰.胎兒心電信號(hào)提取算法研究[A].第十二屆全國(guó)醫(yī)藥信息學(xué)大會(huì)論文集[C].深圳:中國(guó)電子學(xué)會(huì),2011,12:90-93.

[3] Prasad DVD,Swarnalatha R.A New method of extraction of fecg from abdominal signal[J].IFMBE Proc,2009,23:98-100.

[4] Singh R,Singh A,Kaur J.Adaptive filter design for extraction of fetus ecg signal[M].Springer India: Proceedings of the Second International Conference on Computer and Communication Technologies,2016.

[5] 王旭,蔡坤.基于短時(shí)傅里葉變換和盲分離的胎兒心率檢測(cè)方法[J].中國(guó)醫(yī)療器械雜志,2016,40(1):22-26.

[6] 李興慧,楊輝,申永軍.基于W-H變換的盲分離算法[J].蘭州理工大學(xué)學(xué)報(bào),2015,41(3):41-44.

[7] 馬明,吳江標(biāo),邱麗娟,等.聯(lián)合時(shí)序結(jié)構(gòu)和負(fù)熵的FECG盲提取算法[J].傳感技術(shù)學(xué)報(bào),2013,26(5):600-605.

[8] Blumensath T,Davies ME.Blind separation of maternal and fetal ecg recordings using adaptive sparse representations[A]. Proceedings of the IEEE/CPMT International Electronics Manufacturing Technology Symposium[C].Berlin:Springer-Verlag,2006:1-6.

[9] 蘇博妮,謝宏,化希耀.一種基于廣義特征值最大化的胎兒心電盲提取算法[J].微型機(jī)與應(yīng)用,2014,33(9):92-94.

[10] 趙治棟,徐雯,張曉紅,等.基于改進(jìn)FastICA的胎兒心電提取算法研究[J].傳感技術(shù)學(xué)報(bào),2015,28(9):1275-1281.

[11] 張守成,張玉潔,祁銳.改進(jìn)的基于峭度的盲信號(hào)提取算法[J].計(jì)算機(jī)仿真,2014,31(2):255-258.

[12] 陳艷,周彬彬,朱衛(wèi)俊,等.基于ICA方法和改進(jìn)遺傳算法的胎兒心電信號(hào)分離[J].自動(dòng)化技術(shù)與應(yīng)用,2016,35(1):14-16.

[13] 李朝蘭,方濱,李慧杰,等.應(yīng)用自相關(guān)和獨(dú)立分量分析的胎兒心電信號(hào)提取[J].中國(guó)醫(yī)學(xué)物理學(xué)雜志,2016,33(8):838-843.

[14] Sevim Y,Atasoy A.Performance evaluation of nonparametric ICA algorithm for fetal ECG extraction[J].Turk J Elec Eng & Comp Sci,2011,19(4):656-666.

[15] 嚴(yán)文鴻,蔣寧.基于小波變換和匹配濾波的胎兒心電信號(hào)R波檢測(cè)[J].中國(guó)醫(yī)療器械雜志,2015,39(5):318-320.

[16] 賈文娟.胎兒心電信號(hào)檢測(cè)方法及監(jiān)護(hù)系統(tǒng)的研究[D].北京:北京工業(yè)大學(xué),2011.

[17] Agarwal N,Prasad DV.Extraction of fetal electrocardiographic signals using neural network[J].C.T. Lim and J.C.H. Goh (Eds.), 2010:350-353.

[18] 賈文娟,楊春蘭,鐘果程,等.基于自適應(yīng)線(xiàn)性神經(jīng)網(wǎng)絡(luò)的胎兒心電信號(hào)提取[J].北京生物醫(yī)學(xué)工程,2010,29(6):575-580.

[19] 余尤好,李文芳,劉信禹.基于小波分析和神經(jīng)網(wǎng)絡(luò)的胎兒心電提取[J].莆田學(xué)院學(xué)報(bào),2012,19(5):83-87.

[20] 蒲秀娟,曾孝平,陳悅君,等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的胎兒心電提取[J].重慶大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,32(1):111-115.

[21] Sait NA,Thangarajan M,Snehalatha U.Neural network based on Verilog HDL for fetal ECG extraction[J].Int J Biomed Res, 2016,7(10):698-701.

[22] Alipour A,Hardalac F.Application of genetic algorithms in fuzzy wavelet neural network for fetal electrocardiogram extraction[J].Int J Med Eng Inform,2012,4(2):176-183.

[23] Dessì A,Pani D,Raffo L.An advanced algorithm for fetal heart rate estimation from non-invasive low electrode density recordings[J].Physiol Meas,2014,35(8):1621-1636.

[24] 曾禹村,張寶俊,吳鵬翼,等.信號(hào)與系統(tǒng)[M].北京:北京理工大學(xué)出版社,2001.

[25] Ding Z,Wang F,Zhou P.Fetal ECG extraction based on different kernel functions of SVM[A].International Conference on Computer Research and Development[C].New York: IEEE,2011:205-208.

[26] Ayat M,Assaleh K,Nashash H.Fetal ECG extraction from a single abdominal ECG signal using SVD and polynomial classifiers[A].IEEE Workshop on Machine Learning for Signal Processing[C].New York:IEEE,2008:250-254.

本文編輯 劉峰

Review of Fetal Electrocardiogram Extraction Method Research

YUAN Li, WU Shui-cai, YUAN Yan-chao
College of Life Science and Bioengineering, Beijing University of Technology, Beijing 100124, China

It is very necessary to monitor fetus in perinatal period, and fetal electrocardiogram is one of the most effective means to monitor fetal’s conditions. Fetal ECG can reflect whole picture of fetal heart activity. The abnormity in the process of fetal growth and development can be discovered through the waveform analysis. Many fetal ECG signal extraction methods were described in this paper, such as adaptive filtering, blind source separation, blind signal extraction, independent component analysis, wavelet analysis, artificial neural network and so on. The principle and ways to improve the effect of these methods were introduced, the advantages and disadvantages of these methods were analyzed at the same time. Fetal ECG signal extraction methods were summarized, and the outlook for future development of this technology were made in the end of this article.

fetal ECG; abdominal electrodes; adaptive filtering; blind source separation; wavelet analysis; artificial neural networks

TP302.7

A

10.3969/j.issn.1674-1633.2017.06.030

1674-1633(2017)06-0114-04

2016-12-07

2016-12-19

北京工業(yè)大學(xué)高端醫(yī)療裝備大科研推進(jìn)計(jì)劃項(xiàng)目（015000514316006）。

吳水才，教授，博士生導(dǎo)師，主要研究方向?yàn)樯镝t(yī)學(xué)信號(hào)與圖像處理、生物醫(yī)學(xué)電子與醫(yī)療儀器。

通訊作者郵箱：wushuicai@bjut.edu.cn