一种肌阻抗信号分离方法

1.本发明涉及肌阻抗信号分离技术领域，特别是一种肌阻抗信号分离方法。


背景技术：

2.基于表面电极的肌阻抗图(eim，electric impedance myography)是一项评估肌肉状态的生物电阻抗技术，肌阻抗信号的变化反映着肌肉状态的电特性变化,现已广泛应用于神经肌肉疾病的诊断与评估。但表面电极下存在着皮肤、脂肪、肌肉和骨头等组织层，这些皮下组织层对肌肉层信号的检测产生了很大干扰，降低了肌阻抗信号反应肌肉状况的灵敏度，因此需要对肌阻抗进行实时信号分离，还原出肌肉层的阻抗率特性，提高eim技术检测肌肉状态变化的准确度。变分模态分解常被用于生理信号的分离中，但其分离效果极度依赖于预设模态数，它和峭度函数都对噪声十分敏感，容易受到环境影响。随着小波变换技术的进一步发展，经验小波变换现被广泛用于信号分离中，其具有良好的时频分析能力，但同时这种方法的性能好坏取决于小波基选取的准确度，信号处理过程复杂，存在着数据冗余度大等问题。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种肌阻抗信号分离方法，简化了数据预处理过程，能够实现快速稳定的信号分离。
4.为实现上述目的，本发明采用如下技术方案：一种肌阻抗信号分离方法，将对人体无害的激励电信号作用于待测部位，再由信号检测模块获得肌阻抗信号z，分别取z实部和虚部为电阻和电抗信号；在电极阵列的方向保持不变的前提下，通过改变电流电极和电压电极间的距离、电极尺寸或者两者都变的方式获得不同的混合信号；将混合信号传输至上位机进行盲源分离处理，分离出肌肉层源电阻率和电抗率；
5.将估计信号y和解混矩阵w联系起来构建成损失函数ρ(y,w),该损失函数的数学期望j(w)＝e{ρ(y,w)}表示分离出的各信号yi之间相互独立性的测度，以此作为盲源分离准则，风险函数r(w)的表达式为：
6.j(w)＝e{ρ(y,w)}＝-log|det(w)|-∑
i＝1
e{log(qi(yi)}1-1
7.式中w表示解混矩阵，qi(yi)是y的各分量的边缘概率密度函数的乘积，当式1-1获得最小值时，则表明分离出的各个源信号相互独立；
8.利用梯度法对分离矩阵进行求优，风险函数(式1-1)先对分离矩阵进行微分运算，则风险函数的随机梯度表示为：
[0009][0010]
式中w-t
是解混矩阵w的转置逆矩阵(t为矩阵转置符号，-号表示矩阵的逆)，x表示混合信号；
[0011]
基于自然梯度的盲分离算法是在随机梯度上的一种改进算法，将参数空间由欧式
空间扩展到黎曼空间；自然梯度法消除了随机梯度中的逆矩阵计算，降低了算法的复杂度；在黎曼空间中最快下降方向表示为：
[0012][0013]
式中u-1
(w)表示为黎曼矩阵的逆矩阵，这个式子表示在黎曼空间中最快下降方向，也即自然梯度；为了简便运算，使用w
t
w来近似u-1
(w)，则得到自然梯度为：
[0014][0015]
在互信息的自然梯度准则下，解混矩阵更新为：
[0016][0017]
矩阵w(k)是解混矩阵的第k次迭代；μ是步长；i是一个单位矩阵；φ(.)＝[φ1(.),...,φn(.)]
t
是一个分数函数；φk(.)是一个非线性函数，与元素yk有关；yk为亚高斯信号时，通常取为y3,yk为超高斯信号时，则取为tanhy；在本方法中，选择y3作为非线性激活函数；
[0018]
信号白化是一种信号预处理的方式，对数据进行白化处理可以去除各观测信号之间的相关性，简化独立分量的提取过程；在本方法中，进行白化是为了去除信号的二阶相关性，简化算法的复杂度；本方法将信号的预白化与解混矩阵相关联，得到混合信号的预白化为：
[0019][0020]
最终将式1-5与式1-6合并可得到算法的迭代公式为：
[0021][0022]
在自然梯度目标函数的基础上，将盲源算法与白化算法结合在一起，得到了等变的自适应分离算法，使得该算法不受混合矩阵和分离矩阵初始值的影响，算法公式会不断进行迭代修正，从而得到最终的分离矩阵w；
[0023]
将全部混合信号通过最终得到的分离矩阵w，则可以得到各独立分量，获得肌肉的阻抗率。
[0024]
与现有技术相比，本发明具有以下有益效果：
[0025]
本方法通过对未知源信号的混合肌阻抗信号进行信号分离，分离出了肌肉层的阻抗率。减小了其他组织对肌阻抗信号的影响，提高了检测肌肉变化的灵敏度。与模型构筑的学习型信号分离方法相比，本方法适用的范围更加广泛，无需对源信号提取相关特征，方法更加简便，且可以对未知源信号的混合信号进行信号分离。相比于fastica算法，本方法免去了数据白化、高阶去相关等预处理的繁琐过程，将这些过程包含在了迭代步骤。算法的收敛速度更快，稳定性更好，不会受到外界及混合矩阵的影响。对比于经验小波变换，本方法的实现更加简单，算法步骤也相对更少，迭代步长可调，降低了肌阻抗信号分离的难度。因此，本方法可以满足肌阻抗信号分离的需求，算法表现出良好的分离效果和稳定性。
附图说明
[0026]
图1为本发明优选实施例中盲源分离原理框图；
[0027]
图2为本发明优选实施例中脂肪层的估计电阻率和源电阻率；
[0028]
图3为本发明优选实施例中肌肉层的估计电阻率和源电阻率；
[0029]
图4为本发明优选实施例中脂肪层的估计电抗率和源电抗率；
[0030]
图5为本发明优选实施例中肌肉层的估计电抗率和源电抗率；
[0031]
图6为本发明优选实施例中盲源分离算法具体流程框图；
[0032]
图7为本发明优选实施例中肌阻抗信号分离工作原理。
具体实施方式
[0033]
下面结合附图及实施例对本发明做进一步说明。
[0034]
应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0035]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0036]
本方法致力于提高肌阻抗信号中肌肉层对信号的贡献率，及减少皮下脂肪等对肌阻抗信号的干扰，提出了一种高效快速的肌阻抗信号分离方法。本系统通过向人体注入无害的电流信号，再采集对应的响应信号，获得肌阻抗信号，将肌阻抗信号传输至上位机进行信号分离。信号分离过程是将获得的混合肌阻抗信号看作是源信号与混合矩阵的乘积，采用迭代紧缩的方法寻找解混矩阵，再将所有混合信号与最终的解混矩阵相乘，由此分离出肌肉组织的肌阻抗率。图1是盲源分离法的原理示意图。在迭代部分将混合信号的预处理步骤与解混矩阵的迭代关联在一起，从而省去数据预处理过程，简化解混步骤。迭代算法采用串行更新方法，以互信息的自然梯度作为解混矩阵的优化准则不断更新迭代算法的权系数，从而实现迭代算法的自适应调节功能和加快收敛速度，最终实现又快又稳的信号分离。图2-5是脂肪层和肌肉层用本方法分离出的电导率和电抗率，与源电导率和电抗率高度重合。
[0037]
一种肌阻抗信号分离方法提出的盲源分离方法主要包括肌阻抗混合信号的获取，盲源分离准则、分离矩阵更新模块、信号白化模块以及最终的迭代算法。将稳定、高频对人体无害的激励电信号作用于待测部位，再由信号检测模块获得肌阻抗信号z，分别取z实部和虚部为电阻和电抗信号。为了得到包含各组织的有效阻抗z,可在电极阵列的方向保持不变的前提下，通过改变电流电极和电压电极间的距离、电极尺寸或者两者都变的方式获得不同的混合信号。将混合信号传输至上位机进行盲源分离处理，分离出肌肉层源电阻率和电抗率。
[0038]
将估计信号y和解混矩阵w联系起来构建成损失函数ρ(y,w),该损失函数的数学期望j(w)＝e{ρ(y,w)}表示分离出的各信号之间相互独立性的测度，以此作为盲源分离准则，风险函数r(w)的表达式为：
[0039]
j(w)＝e{ρ(y,w)}＝-log|det(w)|-∑
i＝1
e{log(qi(yi))}
ꢀꢀꢀ
1-1
[0040]
式中w表示解混矩阵，qi(yi)是y的各分量的边缘概率密度函数的乘积，当式1-1获得最小值时，则表明分离出的各个源信号相互独立。
[0041]
利用梯度法对分离矩阵进行求优，风险函数(式1-1)先对分离矩阵进行微分运算，则风险函数的随机梯度可表示为：
[0042][0043]
式中w-t
是解混矩阵w的转置逆矩阵(t为矩阵转置符号，-号表示矩阵的逆)，x表示混合信号。
[0044]
基于自然梯度的盲分离算法是在随机梯度上的一种改进算法，可以理解为将参数空间由欧式空间扩展到黎曼空间。自然梯度法消除了随机梯度中的逆矩阵计算，降低了算法的复杂度。在黎曼空间中最快下降方向可以表示为：
[0045][0046]
式中u-1
(w)表示为黎曼矩阵的逆矩阵，这个式子表示在黎曼空间中最快下降方向，也即自然梯度。为了简便运算，可使用w
t
w来近似u-1
(w)，则得到自然梯度为：
[0047][0048]
在互信息的自然梯度准则下，解混矩阵可更新为：
[0049]
w(k 1)＝w(k)-μδj＝w(k) μ[i-φ(yk)y
kt
]w(k)
ꢀꢀꢀ
1-5
[0050]
矩阵w(k)是解混矩阵的第k次迭代；μ是步长；i是一个单位矩阵；φ(.)＝[φ1(.),...,φn(.)]
t
是一个分数函数；φk(.)是一个非线性函数，与元素yk有关。yk为亚高斯信号时，通常取为y3,yk为超高斯信号时，则取为tanhy。在本方法中，选择y3作为非线性激活函数。
[0051]
信号白化是一种信号预处理的方式，对数据进行白化处理可以去除各观测信号之间的相关性，简化独立分量的提取过程。在本方法中，进行白化是为了去除信号的二阶相关性，简化算法的复杂度。本方法将信号的预白化与解混矩阵相关联，得到混合信号的预白化为：
[0052][0053]
最终将式1-5与式1-6合并可得到算法的迭代公式为：
[0054][0055]
在自然梯度目标函数的基础上，将盲源算法与白化算法结合在一起，得到了等变的自适应分离算法，使得该算法不受混合矩阵和分离矩阵初始值的影响，算法公式会不断进行迭代修正，从而得到最终的分离矩阵w。整个算法的描述框图见图6。
[0056]
将全部混合信号通过最终得到的分离矩阵w，则可以得到各独立分量，获得肌肉的阻抗率。从混合信号获取到解混出源信号过程如图7。
[0057]
产品使用过程或方式：首先通过变换电极位置和距离等操作获得肌阻抗混合信号，再将该信号传输至上位机，由迭代算法进行数据预处理并获得迭代算法的初始矩阵。然后由盲源算法自适应地更新系统，获得新的分离矩阵。所有信号接收完后获得最终分离矩阵w，将全部的混合信号与w相乘，则可获得独立的源信号。