下载文档原格式
基于高阶统计量的BCG信号特性分析王子民;王曼;刘振丙;伍锡如【摘要】为了实现对心脏活动的非接触、无感觉检测分析,使用PVDF压电薄膜传感器,开发了心冲击图信号(脉搏信号-心电信号)综合采集设备.提出用高阶统计量来分析BCG信号,保留了BCG信号的相位信息.设备采集21名健康成年人运动前、后信号进行了信号差异性的对比分析,结果表明,运动前、后信号高阶统计量特征有显著差异,该方法能够区分不同状态下的BCG信号.【期刊名称】《桂林电子科技大学学报》【年(卷),期】2018(038)005【总页数】8页(P373-380)【关键词】BCG信号;信号处理;高阶统计量;双谱分析【作者】王子民;王曼;刘振丙;伍锡如【作者单位】桂林电子科技大学计算机与信息安全学院 ,广西桂林 541004;桂林电子科技大学广西自动检测技术与仪器重点实验室 ,广西桂林 541004;桂林电子科技大学广西信息科学实验中心 ,广西桂林 541004;桂林电子科技大学电子工程与自动化学院 ,广西桂林 541004;桂林电子科技大学计算机与信息安全学院 ,广西桂林 541004;桂林电子科技大学电子工程与自动化学院 ,广西桂林 541004;桂林电子科技大学广西信息科学实验中心 ,广西桂林 541004【正文语种】中文【中图分类】TP391.4随着社会发展，由于工作压力增大，肥胖和环境污染，人们容易出现突发心脏问题，在过去的15年中，心脏病死亡人数占据各大疾病死亡人数之首，这越来越引起人们对心脏健康的重视。
95%的心脏病突发状况都发生在医院外，若能在早期采取保护措施，检测评估心脏功能和心脏活动的相对变化，提前预警，可降低心血管系统相关的疾病风险，因此人们对心脏日常监护的需求不断提高，医院以外的持续心脏监测技术呈现出其巨大的潜力，人们期望在日常生活中通过便捷的方式监测心脏活动，进而达到疾病预防的目的。
心脏搏动时血液从血管中喷射过程中会引起皮肤表面振动，对这种周期性微小振动进行检测并处理后，可得到心冲击图(ballistocardiogram,简称BCG)信号，BCG信号反映了心脏的力学特性[1]，相较于心电图(electrocardiogram，简称ECG)信号，它不需要在体表贴附电极，也不需要专业医护人员来操作，是一种非接触式、无创、无感觉的心脏监护方法[2]，在家庭医疗和日常监护上有突出的优势。
高阶累积量在信号处理中的作用高阶累积量在信号处理中的作用，听起来好像个高深莫测的学问，其实它就像是信号世界中的调皮小精灵，悄悄地在每个数据背后舞动。
想象一下，咱们平时听到的音乐、看到的图像，背后全是信号在默默运作。
信号处理可不是无聊的数字游戏，它像是一场精彩的魔术表演，技术和艺术交织在一起，让生活变得更美好。
高阶累积量，听上去很复杂，其实说白了就是在观察信号时，我们不仅仅看它的基本形状，还要深挖一下，看看它内在的复杂性。
就像是翻开一本书，光看封面不够，得翻到里面，读读字句，才能发现故事的真谛。
常规的统计方法像是简单的食谱，只能告诉你材料是什么，但高阶累积量则是给你提供了烹饪的秘密技巧，让你的菜肴味道更加丰富。
这就好比在夏天喝的那杯冰镇饮料，不仅仅是水和冰块的组合，还得加点柠檬汁，来点薄荷，才能让人瞬间清凉透心。
在信号处理中，噪声就像是扰人的苍蝇，时不时地飞来打扰我们的美好时光。
高阶累积量帮助我们识别这些噪声，像个无敌的“苍蝇拍”，一拍就打掉。
你想啊，当我们听音乐的时候，总希望能享受到清晰动人的旋律，而不是被噪声搅和得七零八落。
高阶累积量能够帮助我们提取信号的更深层次的特征，把好东西留住，把坏东西赶走。
就像是在果园里，仔细挑选那些最甜的水果，绝对不能错过。
再说说非高斯性，听起来就像个难缠的怪兽，其实它就是信号中那些不按常理出牌的部分。
生活中有太多意外发生，信号处理也不例外。
高阶累积量就是为了处理这些非高斯性，像个聪明的侦探，发现那些隐藏的线索。
比如，你在海滩上捡到一块漂亮的贝壳，别人可能只看到沙子，而你却能一眼认出它的独特之处。
更有趣的是，高阶累积量在图像处理中的作用，简直是给图像加了层“滤镜”。
拍个照，光影、色彩、纹理，都是信号，而高阶累积量则帮助我们更清晰地看出图像背后的故事。
谁说信号处理就得枯燥无味？想象一下，用高阶累积量分析一张风景照片，能发现那阳光照射的角度、树影的形状，每一个细节都能通过数据变得生动。
高阶统计量及在阵列信号处理中的应用作者：姚泽昊贾瑛卓来源：《电子技术与软件工程》2018年第02期摘要在阵列信号处理方面，通常采用传统MUSIC方法进行信号波达方向估计。
但是在处理非高斯信号时，信号中含有高斯色噪声，采用传统方法难以进行波达方向准确估计。
结合这一问题，本文对高阶统计量及在阵列信号处理中的应用问题展开了分析，发现采用高阶统计量可以有效解决非高斯信号处理问题。
【关键词】高阶统计量阵列信号处理高斯色噪声1 高阶统计量的概念分析对于概率密度f（x）来讲，随机变量x拥有两个特征函数，同时拥有k阶矩、k阶累量。
在随机过程中{x（n）}中，随机变量则拥有r阶矩、r阶累量。
所谓的高阶谱，则是将随机过程k阶累量（k-1）维傅里叶变换当成是随机过程的k阶谱。
在k阶谱定义上，之所以采用k阶累量，主要是由于其能避免高斯有色噪声印象，采用高阶矩容易受到高斯噪声影响。
其次，在独立统计的随机过程之和计算中，总累量为两个随机过程累量之和。
采用该种方法进行加性信号处理，可以轻松完成累量计算。
2 高阶统计量及在阵列信号处理中的应用2.1 阵列信号波达方向估计问题在阵列信号处理方面，需要完成远场信号波达方向估计，以完成信号空间谱估计。
在对波达方向进行估计时，可以采用两大类方法，即参数化方法和基于空间谱方法。
采用参数化方法，需搜索感兴趣参数。
比如采用极大似然法，就能进行参数搜索，以至于导致计算量不断增加。
采用空间谱分析方法，需完成由空间方位构成的谱函数构造，然后通过搜索谱峰完成信号波动方向检测。
2.2 基于四阶累积量的MUSIC方法在阵列信号处理上，过去通常假设噪声或信号服从高斯分布，所以只需要利用二阶统计量就能完成信号处理。
但在实际生活中，多数信号为非高斯分布，比如存在色噪声的非理想均匀线性阵列信号。
针对该类信号，还要采用基于四阶累积量的MUSIC方法，以达到抑制色噪声的目的。
采用该方法，可以借助四阶累积量实现阵列扩展，采用的方法与传统协方差MUSIC 方法相似，但是需要利用四阶累积量噪声子空间完成空间谱函数构造。
独立分量分析的作用1独立分量分析独立分量分析(independentcomponentanalysis,ICA)是基于信号高阶统计量的信号处理方法,其基本含义是将多道观测信号按照统计独立的原则通过优化算法分解为若干独立成分,前提是各源信号为彼此统计独立的非高斯信号。
与主分量分析(prin-cipalcomponentanalysis,PCA)相比,ICA不仅实现了信号的去相关,而且要求各高阶统计量独立。
1994年,Comon1系统地分析了瞬时混迭信号盲源分离问题,提出了ICA的概念与基本假设条件,并基于累积量直接构造了目标函数,进而指出ICA 是PCA的扩展和推广。
20世纪90年代中期,Bell和Sejnowski2提出随机梯度下降学习算法,即最大熵ICA算法(Infomax-ICA)。
近年ICA 在众多领域得到广泛应用,主要得益于Lee等提出的扩展ICA算法3、Hyvarinen的定点ICA算法4与Cardoso的JADE算法5。
2ICA模型设有m个未知的源信号si(t),i=1~m,构成一个列向量s(t)=s1(t),s2(t),…,sm(t)T,设A是一个n×m维矩阵,一般称为混合矩阵(mixingmatrix)。
设x(t)=x1(t),x2(t),…,xn(t)T是由n个观测信号xi(t),i=1~n构成的列向量,n(t)为n维附加噪声,其瞬时线性混合模型(图1)表示为下式：x(t)=As(t)+n(t),n≥m(1)一般情况下,噪声可以忽略不计。
则ICA模型可以简化为：x(t)=As(t),n≥m(2)ICA的命题是：对任何t,根据已知的x(t)在A生物医学工程研究JournalofBiomedicalEngineeringResearch未知的条件下求解未知的s(t)。
这就构成一个无噪声的盲分离问题。
ICA的思路是设置一个解混矩阵W(W∈Rm×n),使得x经过W变换后得到n维输出列向量y(t),即y(t)=Wx(t)=WAs(t)(3)如果通过学习实现了WA=I(I为单位阵),则y(t)=s(t),从而达到分离源信号的目的。
