胎儿心电提取算法研究综述

袁丽，吴水才，袁延超

北京工业大学 生命科学与生物工程学院，北京 100124

胎儿心电提取算法研究综述

袁丽，吴水才，袁延超

北京工业大学 生命科学与生物工程学院，北京 100124

在围产期对胎儿进行监护是十分必要的，而胎儿心电图是目前胎儿监护最有效的手段之一。胎儿心电图能够反映胎儿心脏活动的全貌，通过对其波形分析，可及时发现胎儿生长发育过程中的异常。本文综述了几种经典的胎儿心电信号提取算法，包括自适应滤波法、盲源分离法、盲信号提取法、独立成分分析法、小波分析法、人工神经网络等，并重点介绍了各种方法的原理、改进方法，同时对各种算法的优缺点进行分析。文章的最后，对各种胎儿心电提取算法进行了总结，并对未来发展做出了展望。

胎儿心电；腹部电极；自适应滤波；盲源分离；小波分析；人工神经网络

引言

在围产期对胎儿进行监护是十分必要的，围产期的监护主要是通过心音、心动及胎儿心电图的变化来判断胎儿在母体内的生长发育状况。相比心音和心动，胎儿心电图可以更早的反映胎儿心脏的电生理活动。通过对胎儿心电波形的分析可以及时发现胎儿在生长发育过程中的异常，如胎儿窘迫、胎内缺氧等妊娠期问题。另外少数异常的胎儿心电波形也是先天性心脏病的表现，这样可及早采取相应措施，从而降低新生儿的发病率和死亡率，实现优生优育。

目前获取胎儿心电有两种方法，一种是侵入式的头皮电极法，该方法可以直接测得较纯净的胎儿心电信号。但是它有局限性，只能在分娩时去测胎儿心电信号，并且它是有创检测，所以有可能给母亲和胎儿造成伤害；另一种方法是非侵入式的腹部电极法，把电极放置在母体腹部采集心电信号。该方法可以在妊娠期进行长期的监护，不会对母亲和胎儿造成伤害，但采集到的信号是母亲和胎儿的混合信号，胎儿心电信号十分微弱，提取较困难。因此，如何准确有效的提取胎儿心电是目前急需解决的难题。本文主要对目前非侵入式胎儿心电的几种经典提取方法进行综述和分析。

1 国内外研究现状

目前，国内外非侵入式检测胎儿心电的方法，大多数是通过在母体腹部放置电极片来采集心电信号的，所采集的信号是母体与胎儿的混合心电信号。母体心电幅度一般是胎儿的5～10倍，且与胎儿心电在时域有10%～30%的重叠部分，在频域中也有重叠。另外胎儿心电还会受到一些干扰，如50 Hz工频干扰、肌电干扰、基线漂移等。除此之外，如何确定胎儿在不同孕期的位置及电极片放置位置，都会影响胎儿心电检测的准确度。

近几年来，随着信号处理技术的不断发展，国内外有许多提取胎儿心电的算法和方法得到了应用，主要包括自适应滤波、小波分析、匹配滤波法、盲源分离、独立成分分析、主成分分析、神经网络及奇异值分解等算法。

1.1 自适应滤波法

自适应滤波器主要由两部分组成：系统可调的数字滤波器和用来调节或修正滤波器系数的自适应算法。自适应滤波器有两个输入端，即参考输入端与原始输入端。在胎儿心电提取中，将参考输入端接母体胸部信号，原始输入端接母体腹部信号，采用最小均方误差法（Least Mean Square，LMS）或者递推最小二乘法（Recursive Least Square，RLS）等算法从腹部信号减去母体胸部心电信号就是胎儿心电信号。

20世纪70年代中期，威德罗等人提出自适应滤波及其算法。自适应滤波算法有很多种，常用的算法有基于最小均方误差准则（Minimum Mean Square Error，MMSE）的LMS算法和基于最小二乘准则的RLS算法。在这两种算法的基础上，国内外研究学者提出了一些改进的算法。不同的算法具有不同的收敛速度、计算量和鲁棒性。传统的定步长LMS算法限制了收敛速度，针对这一问题，徐欣等[1]提出，使用截断误差的LMS算法加快收敛速度。由于自适应滤波算法不能提取胎儿心电和母体心电重合部分，沈燕妮等[2]将自适应滤波和小波分析二者相结合应用于胎儿心电信号提取，通过将母体心电信号做多尺度小波分解后，然后对各层小波系数采用自适应滤波算法进行处理，最后通过小波重构得到胎儿心电信号。腹壁混合信号中，母体心电比胎儿心电强，因此很难提取出纯净的胎儿心电。Prasad等[3]用二阶自适应滤波法消除母体心电影响。Singh等[4]用改进的自适应滤波法来提取胎儿心电，取得了较好的结果。

自适应滤波算法计算量比较小，易于收敛，适合用于实时处理。缺点就是需要额外采集母体的胸部心电信号，并且自适应滤波算法不能提取母体心电与胎儿心电重叠的部分，两个通道信号之间的相关性容易对提取的结果产生影响，对于非平稳性较强的信号也不适用，并且该方法在临床应用中对监护设备和医务人员都有较高的要求。

1.2 盲源分离及盲信号提取算法

盲源分离（Blind Source Separation，BSS）又称盲信号分离，就是在各个源信号均未知的情况下，根据某种条件和假设，寻找一个合适的目标函数，并将目标函数进行最大化，从混合的观察信号中分离出这些源信号。盲信号提取（Blind Signal Extraction，BSE）只需在未知信号中提取出所需要的源信号，与BSS相比计算量更小。

母体心电信号和胎儿心电信号是相互独立的，所以可以应用盲源分离及盲信号提取算法来提取胎儿心电信号。王旭等[5]提出了基于短时傅里叶变换和盲分离的胎儿心电信号检测算法，运用小波变换技术分离出含有噪声的胎儿心电信号，再对它进行短时傅里叶变换和盲分离。李兴慧等[6]提出了基于W-H变换的盲分离算法，将混合信号进行W-H变换，在W-H平面分布中选择信息特征的峰值，求出不同通道信号的对应峰值比得到近似混合矩阵，通过近似混合矩阵的逆可将胎儿心电信号分离出来。马明等[7]用联合时序结构和负熵的胎儿心电盲提取算法，确保了每次提取出来的信号都是胎儿心电信号。Blumensath等[8]用自适应稀疏表示的盲源分离提取胎儿心电信号。苏博妮等[9]提出了基于广义特征值最大化的胎儿心电盲提取算法，在一个动态的延迟范围内搜素一个最优胎儿心电延迟周期，计算自相关矩阵，该方法只需要计算广义特征值和特征向量，不需要迭代计算，计算复杂度较低。

BSS算法是将所有的源信号从观察信号中恢复出来，这不仅需要花费大量的计算时间，而且提取出来的信号中可用信号所占比例较小。相比较而言，BSE仅仅提取有用的信号，节省了大量的计算时间和资源，但是BSE提取的胎儿心电图容易受到噪声的污染，盲信号处理算法需要导联数多，计算复杂度大。

1.3 独立成分分析

独立成分分析（Independent Component Analysis，ICA）是20世纪90年代提出的，起初是神经网络研究中有一个重要的问题，独立成分分析是一个解决该问题的新方法，该方法在于寻找一个线性坐标系统，使产生的信号尽可能地彼此统计独立，然后通过观测信号，从多个源信号的线性混合信号中分离出各独立源信号。

传统的ICA容易陷入局部最优，导致提取出来的胎儿心电信号含有较多的噪声。针对这一问题许多学者提出了一些改进的ICA算法。赵志栋等[10]提出将修正BFGS法和混沌优化算法相结合，来代替传统的牛顿迭代法，提出一种新的独立分量分析方法用于提取胎儿心电信号。张守成等[11]在梯度算法的基础上，根据经典的Kuhn-Tucker条件提出一种改进的定点算法。陈艳等[12]提出了基于ICA和改进的遗传算法的胎儿心电提取方法。ICA算法易陷入局部极优值，而遗传算法内在的应并行性和全局寻优能力，克服了ICA的这一缺陷。李朝兰等[13]用自相关分析得到混合信号的具体周期，去除时间相关性，再利用FastICA分离截取信号。Sevim等[14]用核密度估计方法构建ICA算法。

ICA算法处理的对象是非高斯信号，是一种解决盲源分离问题的有效方法。但它要求各个信号统计独立，且要求获得的混合信号数目需大于信号源数目，这些条件实现起来难度都较大。另外，用ICA提取的胎儿心电信号混杂着许多未知的噪声成份，易陷入局部最优值，这些问题都有待于解决。

1.4 小波分析算法

小波分析是当前应用数学和工程学科中一个迅速发展的新领域，经过近30年的探索研究，重要的数学形式化体系已经建立，理论基础更加扎实。与Fourier变换相比，小波变换是空间（时间）和频率的局部变换，它是一种窗口大小（即窗口面积）固定但形状可改变，且时间窗和频率窗都可改变的时频局域化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被誉为“数学显微镜”。特别适合处理像心电信号这样的非平稳信号，该方法可以聚焦到心电信号的任意细节部分，因而能有效地从心电信号中提取到有用信息。

自从基于小波变换的胎儿心电信号提取方法提出后，许多学者均在相关方面做了研究。严文鸿等[15]对母体腹部进行平稳小波分解，再用匹配滤波法提取出胎儿心电信号。贾文娟等[16]通过对母体腹部信号进行二进小波分解和模极大值检测，选择性地保留并重构极大值点，获取母体心电信号，再从母体腹部信号中除去该母体心电信号，即得胎儿心电信号。从腹部采集的信号不仅是母体与胎儿的混合信号，还包括一些噪声干扰信号。沈燕妮等[2]利用有效信号和噪声信号在小波分解各尺度的不同表现特征来去除噪声，进而提取出清晰的胎儿心电信号。

小波分析是一种多尺度的信号分析方法，是进行信号时频分析和处理的理想工具。在胎儿心电信号提取中，小波变换提取到的胎儿心电准确性较高，效果理想。但缺点是小波变换算法涉及到小波基及其它一些重要参数的选择，而对不同的数据，参数值也会相应有很大的改变。因此适用性不强，另外该方法计算量大，实时性较差。

1.5 人工神经网络

人工神经网络（Artificial Neural Network，ANN）[17]是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息。根据生物神经网络的原理和实际应用的需要，建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来，用以解决实际问题。

由于近几年发展起来的ANN算法需要导联数少，且提取性能较好，在胎儿心电和母体心电重合时仍能成功的提取，为此许多研究学者在这一方面做了大量的研究。贾文娟等[18]提出了基于自适应性神经网络的胎儿心电信号提取，根据母体心电信号与母体腹部信号的相关性原理，以母体心电信号为网络输入，母体腹部信号为网络目标，采用W-H学习方法获取的训练误差即为提取出的胎儿心电信号。用神经网络信号提取出来的信号带有微弱的噪声，针对这一问题，余尤好等[19]先利用神经网络进行胎儿心电信号提取，再进行小波去噪，提取出了较为清晰的胎儿心电信号。针对胎儿信号难以提取，蒲秀娟等[20]利用径向基函数神经网络估计母体心电信号传导至腹壁的非线性变换，将非线性变换后的母体心电信号从腹壁混合信号中减去，再通过小波包去噪技术抑制胎儿心电的基线漂移和噪声，得到清晰的胎儿心电信号。Sait等[21]使用Verilog HDL设计神经网络，从母体腹部混合信号中提取胎儿心电信号。为了提高提取的胎儿心电信号准确性，Alipour等[22]应用遗传算法与模糊小波神经网络相结合的方法提取胎儿心电信号。

人工神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性和记忆能力。人工神经网络算法需要的导联数较少，并且在母体心电与胎儿心电重合时可以成功的提取出胎儿心电。但是该算法需要比较长的训练时间，收敛速度也很慢，存在泛化能力，结构设计和局部极值等许多问题有待于解决。

1.6 其他算法

匹配滤波法[23]就是用阈值检测法从孕妇腹部信号中检测出母体心电波形，通过相应的算法、位置调整和幅度调整等步骤制作成为一个模板，腹部信号减去该模板得到的就是胎儿信号。该方法比较简单，易于实现。但是对模板精确度要求比较高，提取出来的胎儿心电信号识别率低。

用于提取胎儿心电的算法还包括相干平均法[24]、支持向量机（Support Vector Machine，SVM）[25]、奇异值分解（Singular Value Decomposition，SVD）[26]等。但是这些方法均存在一些局限性：相干平均算法只有在叠加次数足够多的时候，母体心电波形才可能被完全抑制，另外心电信号的非平稳特性并不符合该算法要求；SVM算法在应用中存在超平面参数选择问题，且算法受训练样本数目的影响很大，计算复杂度较高，缺少实际的生理意义；SVD算法随着时间的增长，分解矩阵越来越大，计算量和存储空间较大。另外，该算法只能保证提取出的分量不相关，但并不能保证各个分量统计独立。

2 总结与展望

如何提取出清晰的胎儿心电信号一直是相关研究的难点和热点。本文对目前一些常用的胎儿心电提取算法分别做了原理介绍、算法改进及优缺点分析。由于小波分析是一种多尺度的信号分析方法，是进行信号时频分析和处理的理想工具，所以小波分析是目前工程学科的一个新领域。基于小波变换的很多算法被用来提取胎儿心电，基于小波变换的自适应滤波算法提取胎儿心电是目前最常用的提取方法之一，但该算法需要额外采集母体胸部心电信号。单从母体腹部信号中提取胎儿心电可降低实际应用中操作的复杂性，可尝试经验模态分解的方法，其实质是对混合多频率信号的分解，即为将多组母体腹部心电信号提取包络线，将信号分解为从高频本征模函数到低频本征模函数的多组信号，然后针对多组相应频率的信号部分，应用独立成分分析的方法提取胎儿心电成分，最后将各层胎儿心电成分相加就可以得到胎儿心电。该方法只需要采集母体腹部信号，计算复杂度小，具有较好的应用前景。

[1] 徐欣,马千里,朱旭,等.胎儿心电提取自适应滤波器仿真对比研究[J].南京理工大学学报自然科学版,2011,35(6):847-852.

[2] 沈燕妮,吴水才,高小峰.胎儿心电信号提取算法研究[A].第十二届全国医药信息学大会论文集[C].深圳:中国电子学会,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.基于短时傅里叶变换和盲分离的胎儿心率检测方法[J].中国医疗器械杂志,2016,40(1):22-26.

[6] 李兴慧,杨辉,申永军.基于W-H变换的盲分离算法[J].兰州理工大学学报,2015,41(3):41-44.

[7] 马明,吴江标,邱丽娟,等.联合时序结构和负熵的FECG盲提取算法[J].传感技术学报,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] 苏博妮,谢宏,化希耀.一种基于广义特征值最大化的胎儿心电盲提取算法[J].微型机与应用,2014,33(9):92-94.

[10] 赵治栋,徐雯,张晓红,等.基于改进FastICA的胎儿心电提取算法研究[J].传感技术学报,2015,28(9):1275-1281.

[11] 张守成,张玉洁,祁锐.改进的基于峭度的盲信号提取算法[J].计算机仿真,2014,31(2):255-258.

[12] 陈艳,周彬彬,朱卫俊,等.基于ICA方法和改进遗传算法的胎儿心电信号分离[J].自动化技术与应用,2016,35(1):14-16.

[13] 李朝兰,方滨,李慧杰,等.应用自相关和独立分量分析的胎儿心电信号提取[J].中国医学物理学杂志,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] 严文鸿,蒋宁.基于小波变换和匹配滤波的胎儿心电信号R波检测[J].中国医疗器械杂志,2015,39(5):318-320.

[16] 贾文娟.胎儿心电信号检测方法及监护系统的研究[D].北京:北京工业大学,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] 贾文娟,杨春兰,钟果程,等.基于自适应线性神经网络的胎儿心电信号提取[J].北京生物医学工程,2010,29(6):575-580.

[19] 余尤好,李文芳,刘信禹.基于小波分析和神经网络的胎儿心电提取[J].莆田学院学报,2012,19(5):83-87.

[20] 蒲秀娟,曾孝平,陈悦君,等.基于径向基函数神经网络的胎儿心电提取[J].重庆大学学报(自然科学版),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,张宝俊,吴鹏翼,等.信号与系统[M].北京:北京理工大学出版社,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.

本文编辑 刘峰

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

北京工业大学高端医疗装备大科研推进计划项目（015000514316006）。

吴水才，教授，博士生导师，主要研究方向为生物医学信号与图像处理、生物医学电子与医疗仪器。

通讯作者邮箱：wushuicai@bjut.edu.cn