一种基于小波变换的脑电信号癫痫特征波的识别算法

目的通过选取小波变换的多尺度特性算法,能够快速而准确的从脑电图信号中识别癫痫特征波。方法确定癫痫脑电的3种特定的病态波形,选取小波变换的多尺度特性算法,分析处理16导标准脑电信号。结果分离出癫痫特征波,并对特征波进行识别,从而得到对癫痫的诊断;在此基础上将癫痫特征波反映射到16导标准电极,应用相关源电位软件对癫痫灶进行初步定位。结论小波变换的多尺度特性算法可以实现对癫痫脑电信号特征波的自动检测和病灶定位,有助于临床诊断和筛查癫痫。     

小波分析在脑电信号处理中的应用

脑电（EEG）信号是一种产生机理相当复杂的人体生理信号,具有重要的科学研究和临床诊断价值.本文针对脑电信号非平稳性特点,利用小波变换的方法实现了对采集到的脑电信号进行滤波处理;利用小波包分析的方法实现了对脑电节律（δ、θ、α、β）的提取及对脑电的功率谱分析.     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和BP神经网络对视觉诱发脑电信号（VEP）进行分类而产生脑机接口控制信号。利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号，获取特征向量输入BP神经网络进行事件相关电位模式识别。实验表明，小波变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取，BP神经网络能比较准确地从VEP中识别出事件相关电位，进行10次测试的平均识别正确率为99．375％，有利于产生脑机接口控制信号。     

小波变换在事件诱发脑磁图分析中的应用

目的:验证基于Morlet小波变换的时频分析方法在事件诱发脑磁图中的应用效果。方法:根据Morlet小波变换的数学原理及特点,对脑磁图数据进行时频分解,采用时频能量分布图和锁相因子分布图表示脑磁图信号。结果:从脑磁图数据中有效提取了锁相和非锁相的能量变化信息。结论:Morlet小波变换的时频分析方法能够适应脑磁图信号是时变非平稳信号的特点,从中提取出感兴趣的信息。     

基于SVM算法癫痫脑电的研究初探

目的：通过算法的选择，对癫痫患者进行无创性脑电图筛查，以期及早发现、正确干预具有癫痫发病倾向的人群，有效降低癫痫的发病率、致残率和死亡率。方法：通过对基于支持向量机分析技术的数字脑电图（EEG）信号正常和癫痫特征渡的提取、自动识别和分型等研究．以期实现癫痫的自动、规模性筛查。结果：癫痫患者和健康人的16导脑电信号在能量特征上表现出较高的模式可分性．支持向量机作为一种新的机器学习方法，具有较强的泛化能力，基于该算法的EEG信号的分类方法会成为诊断隐匿癫痫患者的一种新的可行途径。结论：SVM算法适合有限样本（小样本）问题，对自发脑电信号的分类可以取得较好的效果．可用于癫痫脑电信号异常的筛选。     

癫痫脑电涟波的小波方差预测方法

采用小波包分析提取癫痫发作前脑电信号的万波、口波、涟波和快速涟波，提出采用脑电信号的小波方差作为癫痫发作的特征量，并选择其中的涟波和快速涟波的小波方差对癫痫发作进行预测。     

基于小波分析的胃电信号处理

目的：体表胃电图（EGG）是研究胃动力学特性和功能性胃疾病诊断的重要依据,而从人体直接采集的胃电信号都含有干扰成分,不能直接应用于临床诊断。将小波分析运用到胃电信号的处理中,对信号进行去噪、重构等实验,用此方法对胃电信号进行处理。方法：以矩阵实验室（MATLAB）为工具,利用小波变换的多分辨率特性,将含有噪声的胃电信号进行多尺度分解,得到不同频带的子带信号,对含有干扰频率的子带信号进行去除,选择与胃电信号频率最为相关的子带进行重构。结果：此方法取得了较理想的胃电图。结论：小波分析是一种简单有效的信号处理方法,使EGG在临床诊断中更具有实际意义。     

基于平稳小波变换的自适应心电信号去噪方法

针对小波变换的阀值去噪在心电信号消噪中的缺陷,提出将平稳小波变换和自适应滤波方法相结合的心电信号消噪方法。平稳小波变换有效地抑制了传统离散正交小波变换易产生Gibbs振荡现象。在高尺度的平稳小波分解系数中引入了自适应滤波,既消除了基线漂移噪声,又较好的保持了心电信号的低频低幅的P波、T波及ST段波的形态。这对于进一步分析心电信号的其他特征信息具有重要作用。     

WICA算法在脑电P300波成分提取中的应用研究

目的:研究新的脑电波成分提取方法,以便更有效地提取脑电P300波成分.方法:根据脑电信号以及信号分析方法各自的特点,把小波变换(WT)和独立分量(ICA)相结合的方法(WICA)应用到脑电P300波成分提取中.结果:小波变换可以增强待检测信号成分,削弱非目标信号成分和噪声的干扰;在经过小波变换后子带重组的多道ICA输入信号中,非目标信号成分和干扰信号成分已变得较弱,因此WICA算法能有效地分离出相对较强的目标信号成分.结论:实验结果表明,WICA算法在脑电P300波成分提取中取得了比较理想的效果.     

运动心电信号特征提取的小波变换方法

介绍了小波变换的基本原理以及基于高斯型函数的一阶导数的二进小波变换的算法,并在运动心电信号特征参数的识别中应用该小波变换方法,研究表明小波变换方法对于消除运动心电信号中基线漂移和噪声的效果是十分明显的,这为进一步研究运动心电信号的特征识别提供了新的途径。     

小波变换和非负矩阵分解在心电信号应用的对比分析

为了对心电检测过程中含噪声心电信号进行有效分离,本文结合小波变换和非负矩阵分解（NMF）算法特点及心电信号特征,对比分析两种分析方法在心电信号分析中的应用.针对心电信号自动分析和处理,采取基于小渡分析和基于非负矩阵分解的两种心电信号分离方法,在含有噪声的信号中提取有用的心电信号.     

脑电节律提取的小波变换方法

脑电（EEG）信号是种基本的人体生理信号．具有极其重要的临床和科研价值。为了提取脑电节律．提出一种基于小波变换的方法。这种方法使用Daubechies正交小波基．首先把EEG信号在其上进行多尺度分解．在某些尺度上对干扰信号进行消除．然后提取动态脑电节律。此方法不仅可以有效的消除脉冲干扰．而且能够很好地对脑电基本节律信号进行提取。     

基于DSP的疲劳驾驶检测仪研制

通过设计一种高输入阻抗,低噪,抗干扰性强的前端表面肌电信号（SEMG）采集器将驾驶员的腰部肌肉疲劳信号采集到DSP处理器上.采用小波分析的方法确定肌肉疲劳过程中表面肌电信号的特征.选择与M波形状相似的gaus1小波函数,对其两个半波进行小波变换,分别分析两个半波在时域波形的拉伸程度,确定以小波变换尺度为主要依据的肌肉疲劳指数,实现疲劳状态在DSP处理器上的定量描述.从而实现疲劳驾驶检测.     

基于小波神经网络的脑电信号数据压缩与棘波识别研究

在对小波神经网络及其算法研究的基础上，提出了一种对脑电信号压缩表达和痫样脑电棘波识别的新方法。实验结果显示，小波网络在大量压缩数据的同时，能够较好的恢复原有信号，另外，在脑电信号的时频谱等高线图上，得到了易于自动识别的棘波和棘慢复合波特征，说明此方法在电生理信号处理和时频分析方面有着光明的应用前景。     

基于思维脑电信号的假手的研究

本文主要研究利用思维脑电信号来控制假手动作。采用小波变换对思维脑电信号进行分解,选取合适的子带信号并提取相应能量特征,组成特征向量输入BP神经网络进行分类识别。整个信号处理过程在LabVIEW软件平台上实现,并利用其串口通信模块输出控制指令来控制假手的张开和闭合。     

探讨通道对视觉诱发电位单次提取精度的影响

采用“模拟自然阅读”诱发电位作为脑-机接口通信载体,结合小波变换和误差逆传播（ErrorBackPropagation,HIJBP）神经网络对视觉诱发脑电信号（VEP）进行分类以产生脑机接口控制信号。将被试者4个通道记录到的脑电信号分别作为特征,信号时程都为300ms,时段分别取100ms~400ms、200ms-500ms和300ms~600ms。试验结果表明四个单通道都达到较好的分类效果,有利于产生脑机接口控制信号。     

基于思维脑电信号的假手的研究

本文主要研究利用思维脑电信号来控制假手动作。采用小波变换对思维脑电信号进行分解，选取合适的子带信号并提取相应能量特征，组成特征向量输入BP神经网络进行分类识别。整个信号处理过程在Lab VIEW软件平台上实现，并利用其串口通信模块输出控制指令来控制假手的张开和闭合。     

基于小波变换的ECG去噪法及仿真

为去除心电信号中的各种噪声,本文以小波变换的多分辨率分析为理论基础,利用自适应阈值调整小波变换系数,用调整后的系数进行心电信号重建。采用MIT-BIH数据库中的心电信号进行仿真、验证,有效地去除了噪声信号。与传统滤波器具去噪相比有明显的优越性。     

基于小波的体表胃电去噪

体表胃电信号是研究胃动力学特性和功能性胃疾病诊断的重要依据。本文在介绍了小波去噪基本理论的基础上,把小波变换应用于体表胃电信号去噪处理中。结果表明:小波去噪方法可以去除体表胃电中的高频噪声,从而有效地改善信噪比及提高了信号的分辨率。     

小波变换在生物医学信号中的应用

小波变换是近年来发展起来的一种新的信号分析工具,本文结合生物医学信号与小波变换的特点,闸述了小波变换在生物医学信号特别是心电信号检测与去噪、图像增强和压缩中的应用及前景。