基于经验模态分解自适应滤波的胎儿心电信号提取

目的提出了一种基于经验模态分解自适应滤波的胎儿心电信号提取法。方法首先利用经验模态分解算法对孕妇腹部信号进行分解得到一组内模函数(IMF),然后将这组IMF作为自适应滤波器的主输入信号,并将孕妇胸部信号作为参考输入信号。通过学习算法自适应组合IMF,滤除母体心电信号成分,从而提取胎儿心电信号。结果与结论基于仿真和临床的实验结果表明,该方法提取的胎儿心电信号误差小,性能优于传统的最小均方和归一化最小均方自适应滤波算法。     

基于经验模式分解的心音自动分段算法

与原始信号相比,心音包络能够更好地显示心音的特征.心音包络的提取是对心音进行时域分析的基础.本研究提出利用希尔伯特-黄变换提取心音包络的方法.首先利用黄变换提取心音信号的固有模态函数,然后利用希尔伯特变换提取心音包络.在希尔伯特.黄变换提取的心音包络基础上,对50例正常人心音样本进行了第一心音、第二心音识别,正确率达到了92%,为下一步的心音分析及诊断奠定了基础.     

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。     

基于经验模式分解的脑电棘波检测方法

脑电癫痫特征波自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要意义。本研究结合经验模式分解(EMD)技术提出了一种基于经验模式分解的脑电棘波检测新方法。这种方法提取出EEG信号中与棘波信号相关的高频成分,计算其Hilbert变换后的瞬时幅值,进而检测出棘波信号。对临床EEG数据检测的结果表明,这种方法能有效地从复杂的背景EEG信号中检出棘波,具有良好的应用前景。     

基于经验模式分解与样本熵的癫痫预测方法

本研究提出一种基于经验模式分解（empirical mode decomposition，EMD）与样本熵的癫痫预测方法；该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数（intrinsic mode function，IMF）之和，再选取若干个包含主要癫痫预报信息的IMF分量，将其求和后，计算其样本熵（sample entropy，SampEn）。结果表明，癫痫发作前期样本熵呈减小趋势，基于EMD的样本熵其减小幅度显著增加，同时抑制了伪差对实验结果的影响。基于经验模式分解与样本熵的癫痫预测方法能够很好的对癫痫进行预测。     

基于经验模式分解和独立分量分析的单导少次EP信号提取

EP信号的单导少次提取一直是生物医学信号处理领域倍受关注的问题。本研究利用经验模式分解（EMD）,把单导脑电信号（EP＋EEG）分解成多个基本模式分量（IMF）之和,进而选取合适的基本模式分量或者它们的组合,构成1导或多导参考信号,再利用独立分量分析（ICA）成功提取出了期望的EP信号,从而克服了ICA需要多导观测信号的要求。仿真实验证明了本方法的有效性。     

基于小波变换和经验模式分解的心音信号研究

针对经验模式分解（EMD）中的端点效应问题,本研究提出先用小波去除噪声干扰,再用EMD方法提取心音信号的特征。对于EMD的端点延拓,采用一种新的自适应波形匹配端点延拓方法。通过小波去噪,克服了直接运用EMD分解时无用频率分量带来的干扰,有效地减少EMD的分解层数,自适应波形匹配延拓方法充分考虑了心音信号的内在规律与端点处的变化趋势,较之传统的延拓方法更加合理。用所提出的方法对心音信号进行EMD分解,并用双阈值法对分解后的信号进行第一心音(S1)第二心音(S2)的定位分析,通过对40例心音信号定位分析,S1和S2的检出率分别达到97.05%和97.12%。表明该分析方法能够有效地抑制端点效应,提高EMD分解的准确性和时效性,为后续心音的分析提供准确的参考信息。     

基于经验模态分解和Hilbert变换的QRS综合波检测算法

提出一种新的有效结合经验模态分解(EMD)和Hilbert变换的QRS综合波检测算法。采用EMD将心电信号分解成一系列内蕴模式分量(IMFs),舍去对应于高频噪声的IMF1和IMF2,舍去对应于低频噪声的最后两个IMFs和趋势项,能有效地抑制高频噪声和基线漂移。将降噪后的信号进行Hilbert变换,得到对应的解析函数,利用其包络,进一步抑制高大P波、T波等对QRS综合波检测的影响,采用自适应阈值进行QRS综合波检测。经MIT-BIH Arrhythmia Database全部数据检测验证,平均正确检测率可达到99.78%,表明本算法具有较高的正确检测率和良好的抗噪性能。     

基于稀疏分解的心电数据压缩算法

稀疏分解是近年发展起来的新的信号处理方法,其优势在于分解所用的基（字典）是超完备的,能更真切地反映信号本质,因此能得到信号的稀疏表示,对数据压缩非常有利。利用稀疏分解的这一优势,进行了心电数据压缩的探索研究。通过对MIT-BIH心电数据库中数据的训练学习,构造出的心电数据字典中的原子能反映出心电信号的时频域特点,能用较少的原子重构心电信号。该心电数据压缩算法能够按照实际的要求调整压缩比,且失真较小（压缩比达到20：1时,均方误差只有5.11%）。实验表明,该算法用于心电数据压缩是切实可行的。     

核共空域子空间分解特征提取算法研究

脑-机接口中特征提取算法是脑电信号处理的关键步骤。提出一种基于核方法的核共空域子空间分解特征提取算法,将用于多通道两类别分类的共空域子空间分解算法推广到核空间。应用新算法对BCI竞赛Ⅱ的数据集Ⅳ进行实验仿真。实验中核函数使用的是线性核函数,求解空域滤波器时,为了减小计算的压力,在原空间对每一个试验的训练数据进行层次聚类,训练的分类器为最近邻分类器,实验的测试集结果为84%,与数据集Ⅳ的竞赛胜利者的分类结果相同。     

基于自适应小波神经网络的心电图检测法

自适应小波神经网络检测法就是利用小波函数取代通常神经网络中隐层的作用函数来实现的，通过网络的学习自适应地调整尺度参数和时移因子，提高了特征提取能力，因此，该网络可提高心电信号的检测率和可靠性。     

基于最大散度的特征搜索算法用于心搏分类的研究

在对心电图进行离散小波变换获得特征空间的基础上,提出了基于最大散度的特征搜索算法.对特征空间进行搜索得到不同维数下的优化特征组合,通过研究这些优化特征组合的散度值随维数的变化趋势,最终确定特征向量的特征构成,并以此特征向量训练BP神经网络.取自MIT-BIH数据库的四类心电图(正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏和起搏心搏)的分类正确率达到93.9%,检出率较高.     

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。     

ECG signal denoising and baseline wander correction based on the empirical mode decomposition

The electrocardiogram (ECG) is widely used for diagnosis of heart diseases. Good quality ECG are utilized by physicians for interpretation and identification of physiological and pathological phenomena. However, in real situations, ECG recordings are often corrupted by artifacts. Two dominant artifacts present in ECG recordings are: (1) high-frequency noise caused by electromyogram induced noise, power line interferences, or mechanical forces acting on the electrodes; (2) baseline wander (BW) that may be due to respiration or the motion of the patients or the instruments. These artifacts severely limit the utility of recorded ECGs and thus need to be removed for better clinical evaluation. Several methods have been developed for ECG enhancement. In this paper, we propose a new ECG enhancement method based on the recently developed empirical mode decomposition (EMD). The proposed EMD-based method is able to remove both high-frequency noise and BW with minimum signal distortion. The method is validated through experiments on the MIT-BIH databases. Both quantitative and qualitative results are given. The simulations show that the proposed EMD-based method provides very good results for denoising and BW removal.     

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60％,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。     

Assessment of Chaotic Parameters in Nonstationary Electrocardiograms by Use of Empirical Mode Decomposition

This study addressed the issue of assessing chaotic parameters from nonstationary electrocardiogram (ECG) signals. The empirical mode decomposition (EMD) was proposed as a method to extract intrinsic mode functions (IMFs) from ECG signals. Chaos analysis methods were then applied to the stationary IMFs without violating the underlying assumption of stationarity. Eight ECG data sets representing normal and various abnormal rhythms were obtained from the American Heart Associate Ventricular Arrhythmia database. The chaotic parameters including Lyapunov exponent, entropy, and correlation dimension were computed. The results consistently showed that the 10th IMF (IMF-10) was stationary and preserved sufficient nonlinearity of the ECG signals. Each IMF-10 from the data sets (n = 8) gave a positive dominate Lyapunov exponent (0.29-0.64, p < 0.0001), a positive entropy (0.039-0.061, p < 0.0001), and a noninteger correlation dimension (1.1-1.9). These were evidences of a chaotic dynamic system. We therefore concluded that the original ECG signals must also have chaotic properties. The chaotic parameters did not show significant differences among the eight data sets representing normal sinus rhythm and various abnormalities. This study has demonstrated an effective way to characterize nonlinearities in nonstationary ECG signals by combining the empirical mode decomposition and the chaos analysis methods.     

基于EMD和Hilbert变换的自发脑电信号特征提取

在脑机接口研究中,针对脑电信号的特征提取,提出一种基于EMD的Hilbert变换的方法.在变换过程中根据信号的局部特征自动选择基函数,求得信号在每个时间段的希尔波特谱;以时频窗口内的统计特性作为特征,利用Fisher距离选择最佳特征集输入分类器.最后利用BCI 2003竞赛数据,通过对特征矢量的可分性和识别精度两个指标的评估,表明了所提出方法的有效性.     

Exploiting correlation of ECG with certain EMD functions for discrimination of ventricular fibrillation

Ventricular fibrillation (VF) is a life-threatening cardiac arrhythmia. A high impulse current is required in this stage to save lives. In this paper, an empirical mode decomposition (EMD) based algorithm is presented to separate VF from other arrhythmias. The characteristics of the VF signal has high degree of similarity with the intrinsic mode functions (IMFs) of the EMD decomposition in comparison to other ECG pathologies. This high correlation between the VF signal and its certain IMFs is exploited to separate VF from other cardiac pathologies. Reliable databases are used to verify effectiveness of our algorithm and the results demonstrate superiority of our proposed technique compared to other well-known techniques of VF discrimination.     

基于能量估计的小波阈值与经验模态分解相结合的滤波方法研究

本文针对基于经验模态分解(EMD)的时空滤波器存在的固有模态函数分量中频率混叠交叉,导致有用信号与噪声一起被滤除的问题,结合小波在时间、尺度两域表征信号局部特征的特性,提出了一种基于能量估计实现EMD分解层数确定,小波变换阈值处理与EMD相结合的时空滤波方法。该方法既利用小波变换多分辨率的特性,又结合EMD的自适应分解与希尔伯特(Hilbert)谱分析中瞬时频率与能量意义的关系,从而解决了有用信号在滤波时被削弱的问题。以MIT/BIH标准心电数据库数据为对象的实验结果表明,该方法对于生理信号这一类强噪声下的微弱信号是一种有效的数据处理方法。     

基于心电信号的脉搏波形特征点提取

为寻求一种精确的脉搏波特征提取方法,提取更多的脉搏波形特征,揭示心电脉搏在时域上的相关性,使用MP425数据采集卡和LabVIEW构成的数据采集系统同步采集ECG信号和脉搏波信号,对ECG信号和脉搏波信号进行分析和处理,采用能量算子法检测心电信号R波;基于同步采集的ECG和脉搏波信号,提出一种应用ECG信号的R波和T波来提取Pulse wave的重搏波和峰值的方法.经过分析与实验验证,该方法能准确找到脉搏波波峰和重搏波位置,并具有较强的抗干扰能力,为研究心电脉搏之间的关系提供了一种新的方法.