首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 125 毫秒
1.
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.  相似文献   

2.
目的探讨精神分裂症患者额叶脑电信号中眼电伪迹自动去除的最佳方法。方法利用基于3种小波基(db4、sym4、bior2.4)小波包变换,分别对精神分裂症患者额叶脑电信号进行4层小波包分解,获取多尺度小波包系数,对第4层含有眼电伪迹的小波包系数进行自适应阈值处理,处理后重建脑电信号,去除眼电伪迹,并通过功率谱分析对其进行评价。结果基于3种小波基的处理算法均能很好地去除脑电信号中的眼电伪迹,其中db4小波基处理方法能更好地保留脑电信号成分。结论采用小波包变换自适应阈值方法不仅能有效去除脑电信号中低频段的眼电伪迹干扰,而且能有效保留脑电信号的有用成分,特别是高频段脑电信号。  相似文献   

3.
刘国华  王鲁  李岩  李万龙 《中外医疗》2009,28(34):186-186
医学信号分析是研究各种信号与信息的产生、获取、传输、变换、加工处理.分类识别,存贮及利用等内容的一门科学。在生物医学信号处理领域,测量到的生理信号往往是若干独立成分的线性加权迭加。例如,在采集脑电信号(EEG)时,安放在头皮表面的电极拾取的信号除了脑内神经元的电活动,各种干扰信号如工频干扰,眨眼,眼球运动、心电干扰和肌电噪声等也被叠加在脑电信号上记录下来。在医学脑电信号分析研究中,如何在脑电记录过程中自动识别和剔除干扰对系统的可靠性具有重要影响,因此从记录脑电信号的过程中分离提取具有真实生理意义的成分,剔除不同来源的伪迹和干扰具有重要意义。  相似文献   

4.
目的该文以临床心电信号和合成心电信号为数据样本,应用心电信号预处理方法在Matlab中进行数据仿真分析,以提高心电信号的信噪比。方法首先设计梳状滤波器消除工频干扰和基线漂移,再应用低通滤波器滤除频率大于200 Hz的高斯白噪声,最后进行合成心电信号和临床心电信号仿真测试。结果在合成心电信号仿真测试中,位于0 Hz和50 Hz的幅度得到较大的抑制;在临床心电信号仿真测试中,工频干扰和基线漂移的幅度由10×10~5变为2×10~5;经过低通滤波,高斯白噪声进一步被抑制。结论心电信号预处理方法能够较好地滤除心电信号中的干扰信号,提高了心电信号的信噪比,进而提高识别胎儿心电信号的准确率。  相似文献   

5.
在脑电信号的实时采集过程中,噪声伪迹会对采集到的脑电信号产生较大的畸变。利用Copula理论结合AR时间序列模型研究脑电信号与引起其畸变的噪声之间的相关性,设计并实现了基于尾部相关性的脑电噪声自动检测算法。根据检测结果,对受干扰的数据段进行了ICA噪声去除处理。本文方法能够自动检测受干扰影响的数据段,并且在很大程度上减少了ICA算法的迭代次数,提高了数据实时处理的效率,适用于脑电信号的实时处理过程。  相似文献   

6.
理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。  相似文献   

7.
癫痫脑电信号独立分量分析   总被引:1,自引:2,他引:1  
目的:癫痫是以脑内神经元异常放电致部分或整体脑功能障碍为特征的慢性疾患。应用独立分量分析技术对癫痫高危人群进行神经系统电生理筛查,及早发现和对相关人群进行干预,减少癫痫的受累程度和致残、致死率。方法:建立独立分量分析的数学模型,使用自行研制的脑电信号采集仪采样16导标准脑电信号,并通过快速独立分量分析(FastICA)算法对数据进行处理。结果:处理16导标准脑电信号,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:应用独立分量分析技术来实现癫痫的规模筛查,不仅降低了癫痫信号识别的工作量,提高了识别效率和正确率,使癫痫的筛查成为可能,而且可以根据识别结果对癫痫放电信号进行相关逆变换,再利用相应的源定位软件确定癫痫灶的位置,提高源定位的精度和效率。  相似文献   

8.
QT间期测量的小波分析方法   总被引:2,自引:0,他引:2  
目的:准确获取人体心电信号(ECG)中的QT间期值。方法:利用小波变换多尺度多分辨的特点,将心电信号进行多尺度分解,把不同频带的信号显现在小波分解各个尺度上。特征尺度上准确喧位QRS波及T波的起始点,从而获得QT间期的精确值。结果:(1)在2mV的心电信号上引入峰峰值为1mV的误差信号,利用二进小波进行分解和重构得到相对精确的忙电波形,测得QRS波、P波、T波的宽度最大误差分别为5.75%,5.2%,3.8%。(2)用小波分析方法对MIT/BIH数据库中的ECG信号进行处理后,测量得到各间期的平均值及标准偏差,可以反映出QT间期及相应各间期的稳定性。结论:人体心电信号随着检测状态及时间的变化具有明显的非平稳性及包含许多干扰的特点。利用小波变换将心电信号进行处理能够获得QT间期的精确值,为临床诊断提供了更加准确的依据。  相似文献   

9.
重症监护病人心电导联信号质量评估   总被引:3,自引:0,他引:3  
目的:研究基于重症监护病人心电导联的信号质量评估算法。方法:通过分析信号的波形特征、统计特性和相互关系导出反映信号质量高低的信号质量指数(Signal Quality Index, SQI),并基于SQI进行病人的心率估计,应用美国麻省理工学院多参数智能重症监护数据库Ⅱ中437例病人的6000多小时高质量数据和添加的各类心电干扰的数据进行算法评价。结果:SQI随信噪比的降低而减小;SQI与心电搏动检测灵敏度和正检测率呈高度正相关关系;基于信号质量评估算法,在严重干扰存在时仍能提供精确的心率估计。结论:信号质量评估算法可对心电信号质量给出客观的评价。  相似文献   

10.
QT间期测量的小波分析方法   总被引:1,自引:0,他引:1  
目的 准确获取人体心电信号 (ECG)中的 QT间期值。方法 利用小波变换多尺度多分辨的特点 ,将心电信号进行多尺度分解 ,把不同频带的信号显现在小波分解各个尺度上。特征尺度上准确定位 QRS波及T波的起始点 ,从而获得 QT间期的精确值。结果  1在 2 m V的心电信号上引入峰峰值为 1m V的误差信号 ,利用二进小波进行分解和重构得到相对精确的心电波形 ,测得 QRS波、P波、T波的宽度最大误差分别为 5 .75 % ,5 .2 % ,3.8%。 2用小波分析方法对 MIT/ BIH数据库中的 ECG信号进行处理后 ,测量得到各间期的平均值及标准偏差 ,可以反映出 QT间期及相应各间期的稳定性。结论 人体心电信号随着检测状态及时间的变化具有明显的非平稳性及包含许多干扰的特点。利用小波变换将心电信号进行处理能够获得 QT间期的精确值 ,为临床诊断提供了更加准确的依据  相似文献   

11.
提出了一种在基准EEG信号和视觉信号未知条件下,基于小波阈值去噪的方法来修正EEG信号中出现的视觉伪信号(OA)的新方法。这种方法实现了对原始EEG信号进行平稳小波变换(SW T);对低频系数进行两次阈值去噪;对去噪后的信号进行重构。实验结果表明:这种新方法在基准EEG信号和视觉信号未知条件下能有效去除OA,同时适用于眨眼和眼球运动所产生的伪信号。通过不同方法对采集的信号处理后进行比较,说明该方法的有效性。  相似文献   

12.
目的探讨基于阈值滤波的小波变换用于CT灌注成像的有效性与可行性。方法结合CT灌注成像特性,进行仿真实验,通过峰值信噪比(PSNR)、均方误差(MSE)2个指标来评估不同血流量(BF)及不同方差的高斯噪声下基于小波滤波的灌注模型的效果;对获取的CT骨肿瘤临床数据,运用小波阈值滤波后建立灌注模型,分析肿瘤区域与正常组织的区分情况。结果仿真实验表明,不同BF值及不同方差的高斯噪声下,滤波后PSNR和MSE明显改善;骨肿瘤临床数据表明,本方法具有较强的抗噪声能力,明显区分肿瘤组织与正常组织的边界。结论改进的小波阈值滤波能有效改善CT灌注成像的质量。  相似文献   

13.
目的:探讨基于小波变换的心电图ST段形态的识别算法.方法:首先利用二次样条小波对心电信号进行分解,并根据信号奇异点与其小波变换模极大值的对应关系,提出了在不同尺度下进行心电信号中关键特征点的提取策略;然后对ST段进行直线拟合,识别出ST段的形态;最后采用MIT/BIH标准心电数据库的数据进行检验.结果:利用作者所提算法编制的自动诊断软件能较准确地提取心电信号的特征点,成功识别了ST段的形态.结论:该自动分析算法可以提高ST段分析的准确性和可靠性,为临床诊断冠心病提供更准确的依据.  相似文献   

14.
小波变换在中医诊断图像中去噪处理的应用   总被引:1,自引:1,他引:1  
为提高中医诊断图像的质量,应用改进的基于小波变换尺度间相关性的去噪方法,对诊断图像进行去噪处理。结果显示,该去噪方法能有效去除中医诊断图像中的噪声。  相似文献   

15.
钟玉君 《中国民康医学》2012,(20):2453-2456
目的:观察并记录脑电图描记过程中出现的伪差特征及其检出率,更好地分析判断图形表现,避免误诊、漏诊。方法:对6300例被试者,采用北京新拓NT9200数字脑电图仪进行EEG描记,用观察法、即时标记、实时判断、迅速识别,记录伪差特点、发生状况,及时排除伪差后继续描记脑电图至完整结束。结果:6 300例被试者的脑电活动均有效,符合脑电图分析诊断要求。其中,未出现伪差1 576例,占25.02%,出现伪差4 724例,占74.98%。结论:脑电图伪差来源复杂,波形多样,识别困难。必须积累经验,善于用肉眼观察发现伪差,用技巧排除之,对准确判断脑电图至关重要。  相似文献   

16.
We present a new method for detection and classification of QRS complexes in ECG signals using continuous wavelets and neural networks. Our wavelet method consists of four wavelet basis functions that are suitable in detection of QRS complexes within different QRS morphologies in the signal and thresholding technique for denoising and feature extraction. The results demonstrate that the proposed method is not only efficient for normal ECG signal analysis but also for various types of arrhythmic cardiac signals embedded in noise. For the classification stage, a feedforward neural network was trained with standard backpropagation algorithm. The classifier input features consisted of compact wavelet coefficients of QRS complexes that resulted in higher classification rates. We demonstrate the efficiency of our method with the average accuracy 97.2% in classification of normal and abnormal QRS complexes.  相似文献   

17.
Medical diagnostic accuracies can be improved when the pattern is simplified through representation by important features. The feature vector, which is comprised of the set of all features used to describe a pattern, is a reduced-dimensional representation of that pattern. By identifying a set of salient features, the noise in a classification model can be reduced, resulting in more accurate classification. In this study, a signal-to-noise ratio (SNR) saliency measure was employed to determine saliency of input features of probabilistic neural networks (PNNs) used in classification of two types of electrocardiogram (ECG) beats (normal and partial epilepsy). In order to extract features representing the ECG signals, discrete wavelet transform was used. The PNNs used in the ECG signals classification were trained for the SNR screening method. The application results of the SNR screening method to the ECG signals demonstrated that classification accuracies of the PNNs with salient input features are higher than that of the PNNs with salient and non-salient input features.  相似文献   

18.
Bradycardia can be modulated using the cardiac pacemaker, an implantable medical device which sets and balances the patient’s cardiac health. The device has been widely used to detect and monitor the patient’s heart rate. The data collected hence has the highest authenticity assurance and is convenient for further electric stimulation. In the pacemaker, ECG detector is one of the most important element. The device is available in its new digital form, which is more efficient and accurate in performance with the added advantage of economical power consumption platform. In this work, a joint algorithm based on biorthogonal wavelet transform and run-length encoding (RLE) is proposed for QRS complex detection of the ECG signal and compressing the detected ECG data. Biorthogonal wavelet transform of the input ECG signal is first calculated using a modified demand based filter bank architecture which consists of a series combination of three lowpass filters with a highpass filter. Lowpass and highpass filters are realized using a linear phase structure which reduces the hardware cost of the proposed design approximately by 50%. Then, the location of the R-peak is found by comparing the denoised ECG signal with the threshold value. The proposed R-peak detector achieves the highest sensitivity and positive predictivity of 99.75 and 99.98 respectively with the MIT-BIH arrhythmia database. Also, the proposed R-peak detector achieves a comparatively low data error rate (DER) of 0.002. The use of RLE for the compression of detected ECG data achieves a higher compression ratio (CR) of 17.1. To justify the effectiveness of the proposed algorithm, the results have been compared with the existing methods, like Huffman coding/simple predictor, Huffman coding/adaptive, and slope predictor/fixed length packaging.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号