基于小波分解的颈动脉波特征提取算法

目的:利用小波变换的时频局域化性质,检测出存在于颈动脉波信号(CAP)中的奇异点和奇异角,并且精确检测奇异角出现的位置。方法:小波变换具有多分辨率等特点,能够通过放大信号的任意细节部分进行时域分析。采用离散小波变换法结合db1小波能够检出脉搏信号中的奇异U角。利用计算CAP时域特征点的小波变换极大值坐标来精确定位脉搏时域特征点,通过检测脉搏的特征参数以及脉搏的突变特征参数,可以客观判定人体脉搏变化规律。结果:CAP信号WT分解很好地抑制了各种病理性、基线漂移等干扰,为进一步进行特征提取创造了条件,基于第一细节信号d1的特征点定位几乎不受各种病理性、基线漂移等干扰的影响,定位比其他传统处理技术更为准确。结论:本文提出了基于小波分解的颈动脉波特征点提取算法,取得高达100%的检测率。在含有大量噪声和伪差的脉搏信号中,仍具有较高正确检出率和良好的抗噪性。根据计算得到CAP信号时域特征点的小波变换极大值的坐标,再利用极大值表征准确测定脉象时域特征点的坐标,能够克服脉搏时域特征点定位不准的问题。     

基于光电容积脉搏波的精神疲劳评估方法

目的 针对精神疲劳难于定量评估的问题,本文探索一种非侵入式可穿戴检测方法获取人体生理参数,从而实现对人体精神疲劳的定量评估。方法 搭建光电容积脉搏波（photoplethysmography,PPG）采集平台,采集20名健康在校生的PPG信号,对PPG信号进行预处理和特征提取,获取时域、频域共143维特征。使用机器学习算法建立分类模型,对于Pearson相关系数法、F检验和relief-F得到的特征权值,选择最优的特征子集,使用降维后的特征子集训练模型,减少复杂度和过拟合概率。结果 与实际状态对比,基于该方法的单个体疲劳检测平均准确率为92.48%,多个体疲劳检测准确率最大值为92.2%,可以有效地识别精神疲劳。结论 光电容积脉搏波信号经过时域和频域分析构建的特征能够使用机器学习算法进行准确的精神疲劳状态分类评估。     

脉搏波传导时间的血压估计模型

为提高动脉血压估计的准确性,提出一个以脉搏波传导时间和脉搏波波形特征参量K值为基础的血压估计双参数模型。采用麻省理工学院MIMIC数据库,通过心电和光电容积脉搏波信号计算得到脉搏波传导时间和特征参量K值,通过有创动脉血压信号计算平均动脉血压,对比分析提出的双参数模型和以脉搏波传导时间为基础的单参数模型血压估计的效果。结果表明相比单参数模型,建立的双参数模型血压估计均方根误差减少1 mm Hg,估计准确率最大提高了10%。引入脉搏波特征参量K值建立的双参数模型在一定程度能改善血压估计效果。     

基于混合特征卷积神经网络的血压建模方法研究

传统使用脉搏波测量血压的方法存在准确率较低和特征点难以提取的问题。针对这些问题,本研究首先提出脉搏波分解算法,将脉搏波分解为三个钟型波复合的形式,由此获取到准确的脉搏波传播时间;之后提出混合特征卷积神经网络模型ABP-net,该模型将脉搏波传播时间特征和使用一维卷积自动提取的脉搏波波形特征相结合对动脉血压进行预测。最后使用ABP-net对MIMIC Ⅲ中15个患者的血压进行预测。实验结果表明,ABP-net能够有效地提取脉搏波波形特征而且对血压的预测精度更高。     

基于经验参数和小波变换提取颈动脉波的时域特征

目的:为了解决应用小波变换进行颈动脉波自动检测运算量大的问题,提出一种改进的基于经验参数和小波变换的颈动脉波自动检波算法。方法:首先对脉搏波信号进行小波分解,再将小波分解的某细节信号按基线取绝对值,然后运用小波变换的奇异点检测原理确定前两个有效周期的极大值点位置,接着结合生理知识和实际经验对下一周期的极大值点加以预测,最后回到时域信号中,结合经验参数在一定范围内确定各特征点的位置。结果:经过对比分析发现本文主算法耗用时间比过零点法减少一半以上,较大地提高了运算速度。结论:该方法具有准确、方便、直观、运算量小等优点,由于可以不依赖于心电信号实现脉搏波自定位,因而特别适合单独进行脉搏波分析;结果表明,本方法在保证检测精度的前提下,让运算效率得到较大的改善,利于进行实时分析。     

基于神经网络和递归模板对准技术的表面肌电信号分解

为了提高表面肌电信号(surface electromyography, sEMG)分解的准确率,我们利用空间相邻两通道sEMG信号的信息,采用联合低频小波分解系数作为运动单位动作电位(motor unit action potential, MUAP)活动段的特征,并将自组织特征映射(self-organizing feature map, SOFM)与学习向量量化(learning vector quantization, LVQ)网络结合起来,完成对MUAP波形的分类.同时为了实现对sEMG信号分解的完整性,采用一种基于递归的模板对准技术分解叠加波形.仿真信号和真实信号的实验表明,本方法具有较高的分解准确率,对于中低收缩力度下sEMG信号的分解十分有效.     

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。     

基于集成学习的骨质疏松性骨折预测研究

骨质疏松性骨折是老年人发病和死亡的重要原因之一,建立高效的预测模型为老年人尽早提供诊断和治疗建议十分必要。实验利用Stacking构建了一种异构分类器EtDtb-S,将16个相关性较高的特征作为特征向量,选用极端随机树(ET)、基于决策树的装袋集成模型(DTB)作为初级学习器,逻辑回归作为次级学习器进行集成。实验验证将EtDtb-S与单模型、同构分类器进行骨质疏松性骨折预测对比,结果表明异构分类器相对于最优单模型预测精度提高2.8%,相对于最优同构分类器预测精度提高1.5%,具有更高的预测性能。     

基于机器学习的心音识别分类研究

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一。本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型。数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51%、14.54%、20.61%、24.04%;采用LightGBM和SVM模型融合可将F1值提高至92.6%。本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考。     

基于小波变换的脉搏信号分析仪的设计

脉搏信号中含有丰富的人体生理信息,对心血管疾病的预防和诊治有着重要的指导作用。本文采用COM组件技术将基于小波变换的脉搏信号去噪和特征提取MATLAB算法程序无缝集成到LabVIEW中,实现了虚拟脉搏信号分析仪的设计。实验结果证明该分析仪采用的自适应阈值小波消噪方法的消噪效果优于传统的软、硬阈值法,提取的脉搏信号各尺度能量值可以用来作为区分心血管疾病患者和正常人群的特征值,扩展的网络传输功能经实际应用具有非常实用的价值。     

基于连续小波变换的中医脉象信号处理

应用连续小波变换的一般算法和梅林算法分析了 15例海洛因吸毒者和 15例正常人的脉象信号。两种算法均在 4个尺度下 ,对每一例脉象信号进行了处理 ,从两种算法分析的结果均发现 ,在 0 .2～ 0 .4 s时间间隔内 ,海洛因吸毒者和正常人脉象信号的连续小波变换系数间存在显著差异 ,并为每一算法提出了用于划分海洛因吸毒者与正常人的临界参数。研究结果表明 ,连续小波变换是处理脉象信号的有效方法     

基于时空解析建模的脉搏信号量化分析方法研究

为实现脉搏信号形态和周期的量化分析,本研究提出一种脉搏信号时空解析建模及量化分析方法。首先,根据脉搏信号的形成机理,将脉搏周期和基线引入脉搏解析模型,得到时空解析模型表达式及12个参数,用于脉搏波的量化描述。然后,提出了基于实际脉搏信号的模型参数估计流程,给出参数估计的优化方法、约束条件和边界条件。将所提出的时空解析建模方法用于国际标准生理信号开源数据库(PhysioNet)幻想曲(Fantasia)子库中的健康人脉搏波,从解析模型中可以得到一些年龄和性别因素引起的人体心脏搏动节律和血流动力学变化。以提取的模型参数为输入,采用随机森林、概率神经网络等机器学习方法对脉搏波按照年龄和性别进行分类,结果表明随机森林法分类效果最好,Kappa系数达到98%以上。本研究提出的时空解析建模方法可有效地对脉搏信号进行量化分析,为脉搏信号相关的应用研究提供了理论基础和技术框架。     

Research on the Method of EEMD in Pulse Wave Signals Processing

The mixed noise in the acquisition process of pulse wave signals will affect the signal analysis, how to effectively eliminate the noise and complete the pulse wave analysis has important practical significance. In this paper, empirical mode decomposition(EMD) and ensemble empirical mode decomposition(EEMD) were used to realize scale decomposition of pulse wave signals to obtain intrinsic mode function(IMF). A band-pass filter was implemented according to the characteristic time scale parameters of the IMF. After filtering and reconstruction, the pulse wave denoising was completed. The denoising effects of EMD, EEMD and wavelet transform were compared in terms of mean square error and signal-to-noise ratio. The result shows that EMD and EEMD are better than wavelet transform, and the effects are similar. Further comparing the Hilbert-Huang spectrum of EMD and EEMD, it can be seen that EEMD can not only avoid mode mixing, but also facilitate the analysis of pulse wave signals.     

结合QRS检测和小波阈值的膈肌肌电信号降噪方法

为了消去夹杂在膈肌肌电(EMGdi)信号中的心电干扰,在比例阈值算法的基础上,提出一种结合QRS检测和小波阈值的降噪方法.首先,根据小波系数的相关性构造QRS波群的检测方法,分析确定干扰的位置和范围;其次,将小波系数分为受干扰和未受干扰两部分,并构造相应的阈值算法,针对性地处理受干扰系数,以未受干扰部分系数作为阈值算法构造的依据;最后,重构处理后的小波系数,得到降噪后的EMGdi信号.对临床采集信号的处理对比表明,该方法能够更为有效地去除心电干扰,并更好地保留EMGdi的有用信号.     

Research of fetal ECG extraction using wavelet analysis and adaptive filtering

Extracting clean fetal electrocardiogram (ECG) signals is very important in fetal monitoring. In this paper, we proposed a new method for fetal ECG extraction based on wavelet analysis, the least mean square (LMS) adaptive filtering algorithm, and the spatially selective noise filtration (SSNF) algorithm. First, abdominal signals and thoracic signals were processed by stationary wavelet transform (SWT), and the wavelet coefficients at each scale were obtained. For each scale, the detail coefficients were processed by the LMS algorithm. The coefficient of the abdominal signal was taken as the original input of the LMS adaptive filtering system, and the coefficient of the thoracic signal as the reference input. Then, correlations of the processed wavelet coefficients were computed. The threshold was set and noise components were removed with the SSNF algorithm. Finally, the processed wavelet coefficients were reconstructed by inverse SWT to obtain fetal ECG. Twenty cases of simulated data and 12 cases of clinical data were used. Experimental results showed that the proposed method outperforms the LMS algorithm: (1) it shows improvement in case of superposition R-peaks of fetal ECG and maternal ECG; (2) noise disturbance is eliminated by incorporating the SSNF algorithm and the extracted waveform is more stable; and (3) the performance is proven quantitatively by SNR calculation. The results indicated that the proposed algorithm can be used for extracting fetal ECG from abdominal signals.     

EEG signals classification of epileptic patients via feature selection and voting criteria in intelligent method

Epileptic disease can be diagnosed by using intelligent methods on the Electroencephalograph (EEG) signals. In this paper, wavelet packet transform (WPT) was used in each of the frequency bands and wavelet coefficients were obtained, then the energy and entropy function was done on the wavelet coefficients and used as initial feature vectors. In the next step, eight and 15 features from 30 initial energy and entropy features were selected as the final features because their receiver operating characteristic (ROC) curve areas were higher than others. There were seven classifier inputs. These seven classifiers consisted of four artificial neural networks (ANN) with different structures, support vector machines (SVM), K-nearest neighbours (KNN) and a hybrid network. Each classifier was trained by 0.5, 0.8 and 0.9 EEG signals. After the training process, a fusion network based on a voting criteria was used to make the algorithm robust against the possible changes in each classifier and increase the classification accuracy. Finally, the algorithm was tested by other EEG signals. As a result, normal and epileptic classes were detected with total classification accuracy of 99–100%.     

基于神经网络的脉搏波信号血压检测算法

脉搏波信号蕴含大量的人体生理与病理信息,与血压的变化息息相关,利用其特征参数可以无创连续检测血压。神经网络因其极强的学习能力、泛化能力以及可以充分逼近任意复杂的非线性关系而被应用于脉搏波血压提取算法中。本研究介绍了脉搏波特征参数,并简述了基于脉搏波特征参数进行血压测量的研究进展,详细叙述了基于神经网络的脉搏波特征参数血压检测算法,最后对不同神经网络模型的优缺点进行分析,并对基于神经网络的脉搏波特征参数血压监测算法的研究方向进行展望。