基于集合经验分解与改进阈值函数的小波变换心电信号去噪方法研究

针对心电图(ECG)信号去噪问题,提出了一种基于集合经验分解(EEMD)和改进阈值函数的小波变换去噪方法。首先利用EEMD对含噪的ECG信号进行分解,选取固有模态函数(IMF),重构ECG信号,实现ECG信号的一次去噪;再利用改进阈值函数的小波变换方法对ECG信号进一步去噪。实验中,利用MIT-BIH心电图数据库对提出的方法进行评估,用参数信噪比(SNR)和均方误差(MSE)比较EEMD、改进阈值函数的小波变换方法以及本文提出的方法的去噪效果。实验结果表明:本文提出的方法去噪后的ECG信号波形平滑,特征点幅值无衰减,在去噪的同时更好地保留了原始ECG信号的特征。     

基于白噪声分离的集合经验模态分解心电信号去噪方法研究

集合经验模态分解(EEMD)是一种处理心电等非平稳信号的有效方法,但其参数白噪声比值系数与平均次数依靠经验设置,导致处理结果准确度低且对未知信号自适应性差。针对上述问题,本研究提出了基于白噪声分离的EEMD心电信号去噪方法。该方法通过经验模态分解(EMD)将心电信号分解至不同频带,基于白噪声能量密度和对应的平均周期的乘积趋向于一个常数的特性,提取信号高频分量重构信号高频成分;依据避免模态混叠参数准则实现针对不同信号的分解参数自适应获取。经过对心电信号的验证,结果表明该方法去噪效果明显,自适应性强,是一种有效的去噪方法。     

一种基于模糊均差和小波变换的医学图像去噪方法

小波阈值萎缩法能够有效地去除图像中的噪声,去噪阈值直接影响去噪的效果,而噪声标准差在去噪阈值的确定中起着至关重要的作用。针对医学图像的特点、基于寻找更合适的噪声标准差估计方法,本研究提出了一种新的利用模糊均差代替普通标准方差估计噪声标准差的方法。在各层小波分解的低频图像中利用模糊积分估计噪声标准差,然后确定每一层去噪阈值,进行图像去噪。试验结果表明,本研究算法在去除噪声的同时也较好地保持了图像的细节。     

基于Bayesian估计的小波自适应阈值方法对图像进行去噪处理的研究

利用Bayesian估计的小波自适应阈值方法对图像进行去噪处理。通过高斯滤波和小波变换的三种方法(传统的硬阈值、传统的软阈值去噪、基于Bayesian估计的自适应阈值去噪)分别同时对加不同标准差σ的Rician噪声信号进行消噪处理,对比验证高斯滤波和传统小波阈值去噪的优劣,以及新的Bayesian估计自适应阈值小波去噪在磁共振成像(magnetic resonance imaging,MRI)图像信号去噪方面的优越性。小波去噪后的信号信噪比比高斯滤波去噪后信号的信噪比高,且均方根误差要低。采用基于Bayesian估计的自适应阈值小波去噪方法比采用的高斯滤波保留了更多有用信号,优化后的氧摄取分数(oxygen extraction fraction,OEF)值有一定程度增大,使结果更接近正电子发射型计算机断层显像(positron emission computed tomography,PET)测量金标准。成功完成信号和噪声分离优化,将一种新的基于Baysian估计的自适应小波阈值去噪应用到了功能核磁共振成像的降噪分析上,取得了不错的效果。     

基于平移不变小波变换的颈肩肌电信号去噪方法研究

在采用肌电信号进行颈肩肌肉疲劳特性分析中,为提高非平稳表面肌电信号(surface electromyography,SEMG)的信噪比,抑制传统强制去噪时在信号奇异点处产生的伪吉布斯(Gibbs)现象,采用平移不变(translation invariance,TI)小波新阈值去噪的方法对肌电信号进行去噪。实验表明,该方法在保留颈肩肌电信号主要特征的前提下,与传统强制去噪方法比较,信号的信噪比(signal-noise ratio,SNR)提高了7倍,均方根误差(root mean square error)降低为原来的四分之一,故该方法更适合在充分保留肌电信号细节特征的前提下,去除颈肩肌电信号中的白噪声和50 Hz工频谐波干扰。     

基于小波包变换与自适应阈值的ECG信号滤波算法研究

目的:在心电信号(ECG)的采集过程中,常常会受到噪声的影响,为了正确进行心电参数测量、波形识别和病情诊断,在低信噪微弱信号检测中必须要进行噪声抑制,提高信噪比.噪声的滤波处理是心电图分析的一个重要步骤.方法:本文提出了一种基于小波包变换及与分解层次相关的自适应阈值的去噪方法,利用小波包对心电信号进行分解,可以同时对信...     

基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

基于小波阈值法的脉搏波去噪算法

目的消除可穿戴式脉搏波监测设备在连续测量中由于运动造成的运动伪差,保证设备准确性和稳定性。方法通过选取合适的小波基、小波最大分解层数、阈值函数和阈值方法,对脉搏波信号进行小波阈值处理,提出了一种基于小波阈值法去除脉搏波噪声的算法。并针对在脉搏波信号采集过程中出现的基线漂移、工频干扰和运动伪差,与加窗傅里叶变换去噪后的结果进行对比。结果在信噪比、均方差和平滑度等关键指标上,小波阈值法的效果更优。利用db9小波基对脉搏波信号进行6层小波分解,设置启发式阈值所得到的处理效果最好。结论该算法能够有效抑制工频干扰和运动干扰,使信噪比提高22 dB,均方差接近于0,且平滑度降为原来的11%,实现脉搏波信号采集中干扰的有效去除。     

基于小波软阈值滤波的医学图像去噪

目的:为了更好的去除DR医学图像噪声.方法:通过分析其噪声来源,在小波去噪的基础上进行改进.引入方差不变性变换来调整原始图像的噪声模型为高斯噪声模型.图像分解为不同频率的不同子带的小波系数,分别进行不同阈值的滤波.结果:与普通的全局小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去噪后图像的峰值信噪比.结论:用此方法处理DR图像在噪声去除、细节质量及骨骼锐化等方面比传统的高斯滤波及小波全局阈值滤波等方法效果要好.     

基于自适应阈值处理的表面肌电信号小波去噪研究

针对表面肌电(sEMG)信号信噪比较低的问题,本文在Donoho通用阈值法的基础上,采用了一种基于自适应阈值处理的小波去噪方法。相对于通用阈值法,这种方法可以根据sEMG信号的不同信噪比自适应地调整阈值,更有效地去除噪声、减小信号的失真,从而提高信噪比。仿真和真实sEMG信号实验均论证了这种方法的优越性。     

Robust non-homomorphic approach for speckle reduction in medical ultrasound images

Most existing wavelet-based image denoising techniques are developed for additive white Gaussian noise. In applications to speckle reduction in medical ultrasound (US) images, the traditional approach is first to perform the logarithmic transform (homomorphic processing) to convert the multiplicative speckle noise model to an additive one, and then the wavelet filtering is performed on the log-transformed image, followed by an exponential operation. However, this non-linear operation leads to biased estimation of the signal and increases the computational complexity of the filtering method. To overcome these drawbacks, an efficient, non-homomorphic technique for speckle reduction in medical US images is proposed. The method relies on the true characterisation of the marginal statistics of the signal and speckle wavelet coefficients. The speckle component was modelled using the generalised Nakagami distribution, which is versatile enough to model the speckle statistics under various scattering conditions of interest in medical US images. By combining this speckle model with the generalised Gaussian signal first, the Bayesian shrinkage functions were derived using the maximum a posteriori (MAP) criterion. The resulting Bayesian processor used the local image statistics to achieve soft-adaptation from homogeneous to highly heterogeneous areas. Finally, the results showed that the proposed method, named GNDShrink, yielded a signal-to-noise ratio (SNR) gain of 0.42 dB over the best state-of-the-art despeckling method reported in the literature, 1.73 dB over the Lee filter and 1.31 dB over the Kaun filter at an input SNR of 12.0 dB, when tested on a US image. Further, the visual comparison of despeckled US images indicated that the new method suppressed the speckle noise well, while preserving the texture and organ surfaces.     

脑电棘波识别和噪声消除的小波变换方法

研究了利用二进小波变的的模极大值识别脑电信号奇异点如棘波和消除噪声的方法，该方法在较好保留原脑电信号奇异信息的同时能有效地消除噪声，进一步讨论了信号与白噪声的奇异性指数的区别，以及小波变换模极大值沿各变换尺度传递的不同特性，并利用该特性区分信号中的奇异点和噪声，能准确识别奇异点的位置，这种奇异性识别技术在信号的特征提取和消除噪声方面有广阔的应用前景。     

基于深度学习的低剂量CT图像去噪

目的:提出一种基于深度学习的方法用于低剂量CT（LDCT）图像的噪声去除。方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net（MPR U-net）的深度学习模型对重建后的LDCT图像进行去噪。实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35 820张图像,验证集3 522张图像,测试集3 553张图像,并采用峰值信噪比（PSNR）与结构相似性系数（SSIM）来评估模型的去噪效果。结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s。结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节。     

基于EMD与IMF分量统计特性的ECG去噪

经验模式分解（EMD）域内心电（ECG）信号的去噪,通常为基于QRS特征波经验性识别固有模态函数（IMF）分量并重建ECG信号。由于该方法引入个人误差,因此识别不准确。针对此问题,本文提出利用EMD与IMF分量统计特性对ECG信号进行去噪。本方法首先对含噪ECG信号进行EMD分解得到一系列IMF分量,然后利用IMF分量的统计特性识别IMF分量属性,并采用被识别为ECG信号的IMF分量重建ECG信号。该识别方法基于统计学方法,具有统计学和现实物理意义。将本方法应用于真实ECG信号去噪处理中,结果表明,本方法可有效去除ECG信号基线漂移噪声与肌电干扰噪声,去噪效果优于经验法。     

基于时空曲率正则化的细胞图像序列去噪

目的显微细胞成像系统获取的图像序列由于光照、电磁干扰等因素的影响,不可避免地存在一定程度的噪声,消除噪声得到清晰的细胞图像是后续细胞形态特征提取和分析的首要步骤。本文引入细胞图像序列的时域信息来构建时空曲率正则化约束,以实现细胞图像序列的去噪处理。方法首先,利用细胞图像序列的空域和时域相关性,构建基于时空曲率正则化的图像序列去噪模型;然后,通过增广拉格朗日乘子法实现模型的优化求解;最后,分别通过对叠加有不同高斯白噪声水平的纤维母细胞和多能干细胞图像序列进行去噪实验,以验证去噪效果。结果与总变分去噪法、三维阈值剪切去噪法和空间曲率正则化去噪法相比较,基于时空曲率正则化的细胞图像序列去噪方法应用于2组细胞图像序列去噪的视觉效果,及峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度(structural similarity,SSIM)都优于其他3种方法。结论与其他3种去噪方法相比,此方法更加充分利用了细胞图像序列的时域信息,去噪后能有效地维持图像对比度,振铃效应不明显,对高斯噪声具有更好的适应性和稳定性,可应用于细胞形态变化检测的前期处理阶段。     

最优改进对数谱幅度估计与小波结合的心音降噪

小波阈值降噪为心音降噪的一种常用方法。本文提出了使用最优改进对数幅度谱估计与小波阈值降噪相结合的方法对心音降噪。在正常心音和一些常见疾病的心音中加入不同强度的白噪声和粉红噪声，构造不同信噪比的心音信号，并将本文所提出的方法和仅用小波阈值降噪方法的去噪效果进行了定量的对比。结果表明本文方法降噪效果总体优于仅使用小波阈值降噪达到的效果。     

Homomorphic wavelet thresholding technique for denoising medical ultrasound images

A novel homomorphic wavelet thresholding technique for reducing speckle noise in medical ultrasound images is presented. First, we show that the speckle wavelet coefficients in the logarithmically transformed ultrasound images are best described by the Nakagami family of distributions. By exploiting this speckle model and the Laplacian signal prior, a closed form, data-driven, and spatially adaptive threshold is derived in the Bayesian framework. The spatial adaptivity allows the additional information of the image (such as identification of homogeneous or heterogeneous regions) to be incorporated into the algorithm. Further, the threshold has been extended to the redundant wavelet representation, which yields better results than the decimated wavelet transform. Experimental results demonstrate the improved performance of the proposed method over other well-known speckle reduction filters. The application of the proposed method to a realistic US test image shows that the new technique, named HomoGenThresh, outperforms the best wavelet-based denoising method reported in [1] by more than 1.6 dB, Lee filter by 3.6 dB, Kaun filter by 3.1 dB and band-adaptive soft thresholding [2] by 2.1 dB at an input signal-to-noise ratio (SNR) of 13.6 dB.     

Adaptive denoising for chemical exchange saturation transfer MR imaging

High image signal–to–noise ratio (SNR) is required to reliably detect the inherently small chemical exchange saturation transfer (CEST) effects in vivo. In this study, it was demonstrated that identifying spectral redundancies of CEST data by principal component analysis (PCA) in combination with an appropriate data–driven extraction of relevant information can be used for an effective and robust denoising of CEST spectra. The relationship between the number of relevant principal components and SNR was studied on fitted in vivo Z–spectra with artificially introduced noise. Three different data–driven criteria to automatically determine the optimal number of necessary components were investigated. In addition, these criteria facilitate straightforward assessment of data quality that could provide guidance for CEST MR protocols in terms of SNR. Insights were applied to achieve a robust denoising of highly sampled low power Z–spectra of the human brain at 3 and 7 T. The median criterion provided the best estimation for the optimal number of components consistently for all three investigated artificial noise levels. Application of the denoising technique to in vivo data revealed a considerable increase in image quality for the amide and rNOE contrast with a considerable SNR gain. At 7 T the denoising capability was quantified to be comparable or even superior to an averaging of six measurements. The proposed denoising algorithm enables an efficient and robust denoising of CEST data by combining PCA with appropriate data–driven truncation criteria. With this generally applicable technique at hand, small CEST effects can be reliably detected without the need for repeated measurements.