基于阻抗法的胃动力信息检测系统设计

临床将胃电信号作为胃动力紊乱诊断依据．但胃电信号并不完全对应于胃的活动．特别是胃的蠕动、胃的排空等机械活动。如果将与胃机械活动对应的胃阻抗信息也作为诊断依据之一，那就为建立新的、更准确的胃动力评价方法提供可能。本文基于阻抗法设计了一个新的获取胃动力信息的方法，不仅获得常规检测参数胃电，也通过小波变换技术分离出与胃电同步的胃阻抗信息，为临床胃动力学研究提供新途径。     

基于HHT的生物电阻抗胃动力信号分析方法

目的 采用HHT时间序列分析方法处理从人体采集到的胃动力信号.方法 通过经验模态分解(EMD)技术将一非线性、非稳态过程的原始胃动力序列分解为一组内在模态函数(IMFs),对每一个IMF进行Hilbert 变换,得到信号的瞬时频率,然后选择与胃动力相关的频率成分,即0.03-0.06 Hz之间的IMF进行重构提取胃动力...     

基于串口的胃阻抗信号采集处理

基于生物阻抗的胃动力信息提取是我们正在研究的一个重要项目。采用串口以及串口控件实现了信号采集，采用小波分析等现代信号处理方法，实现胃蠕动信号的提取和动态谱分析。由此方法研制的胃动力检测系统可在消化道生理、病理生理、药理及临床应用上发挥重要作用。     

多道阻抗胃动力信息采集和分析方法

目的构建一种多道阻抗胃动力检测与评价方法,研究胃运动的空间传导关系。方法研发了四通道胃动力检测系统,采用超声辅助定位方法提高电极位置的准确性和有效性;采用小波多分辨率分析处理方法获取无干扰的阻抗胃动力信号．并进行了健康自愿者阻抗胃动力检测实验验证。结果主频为3次／min的阻抗胃动力信号波形幅值自近端胃体向幽门方向传导呈增强趋势,胃运动的前向传导和逆向传导时相关系明显,交替存在。当前向传导和逆向传导相遇时会出现一传导失耦联,随即出现前向或逆向的交替,发生明显的传导延迟。结论多通道阻抗胃动力检测方法从空间传导的角度研究胃动力,分析阻抗胃动力信息的幅值、频率变化和空间传导关系,是一种有效的、立足体表电极的多通道胃动力评价方法。     

阻抗胃动力检测方法与功能性消化不良评价

采用无创生物阻抗技术和同步胃电检测相结合的胃动力检测与评价新方法,对功能性消化不良病人进行初步的临床应用研究。同时提取体表胃电活动和机械运动信息,研究从胃电活动到机械收缩、蠕动的复杂胃动力过程,对采集信号提取时域、频域和变异系数等参数并进一步统计分析。功能性消化不良病人的胃运动正常节律百分比（PNF）和正常功率百分比（PNP）明显小于健康组,节律变异系数（FIC）和功率变异系数（PIC）大于健康组。功能性消化不良病人经一周用药后其EGG节律有较好的恢复,但反映胃机械运动的阻抗信号变化不大,提示经一周治疗的功能性消化不良病人,其胃动力的电学机制还没有耦合到机械收缩过程中,其胃动力功能还没有得到有效的改善。     

多通道电阻抗方法胃动力测量机制研究

建立多通道电阻抗信号与胃收缩传导过程的关系,明确生物电阻抗方法检测胃动力的测量机制。应用COMSOL软件建立圆柱容积导体模型,模拟胃环行肌收缩传导过程,进行电磁场正问题仿真计算,获取边界测量电压波形。设计专用实验装置,制作了不同电导率的三层琼脂模型,模拟胃部和胃收缩扰动,完成盐水槽动态模拟实验。仿真研究结果表明,轴向和径向激励模式下,边界测量电压波形清晰显示了胃收缩发生的部位及传导过程,相邻通道间存在明显的相位差。模拟实验结果中,对于电导率为1.35 S/m的被测琼脂模型,轴向激励模式各测量通道出现双波谷的时间差约为9 s;径向激励模式各测量通道出现双波谷的时间差约为6 s,与各测量通道的电极安放位置和间距正好相对应。胃内容物为高电导率和低电导率情况下,边界电压波形的变化趋势相同,方向相反。参数δ,〖AKU-〗和U_max/U_min定量评价结果表明,靠近激励电极的测量通道,电压敏感性和均值较高。多个通道测量的电阻抗信号,能够有效地反映胃内容物电导率的变化、胃不同部位的收缩、以及胃运动传导的时相关系。     

胃动力信息检测系统的设计与实现

将胃电与胃机械活动相关的胃阻抗信息作为诊断依据,建立新的、更准确的胃动力评价方法.基于阻抗法设计了获取胃动力信息的系统,通过小波变换技术分离与胃电同步的胃蠕动信息.结果表明系统通过了调试,实现设计功能,采集到了阻抗和同步胃电信号.小波变换提取的信号排除了干扰,获得了胃蠕动信息.基于阻抗技术的方法可检测胃蠕动状态,联合同步胃电分析技术为临床检测提供了新方法.     

基于小波系数熵的表面肌电信号识别

目的:对表面肌电信号进行分类识别。方法:30名健康的志愿者参加数据采集。每名志愿者用右手臂完成两个动作:前臂内旋和前臂外旋。在每个动作中,采集一组表面EMG信号。总共获得30组内旋和30组外旋的表面EMG信号。然后,运用小波包系数熵构成特征向量,用Bayes决策对两种模式信号进行分类识别。结果:当信号长度达350ms后,正确识别率达到100%。结论:采用小波包系数熵可以有效地提取表面EMG信号的特征信息,达到控制前臂假肢的目的。     

基于小波能量矩的嗅觉脑电信号识别

研究大脑对不同气味的识别能力在嗅觉功能障碍评估和诊断等方面具有重要意义。本文提出将小波能量矩(WEM)作为嗅觉诱发脑电图(EEG)信号特征并用于气味分类。首先,通过试验采集13种气味的嗅觉诱发EEG数据;其次,从嗅觉诱发EEG数据中提取WEM作为信号特征,并将功率谱密度(PSD)、近似熵、样本熵及小波熵作为对比特征;最后,利用k近邻(k-NN)、支持向量机(SVM)、随机森林(RF)和决策树分类器识别不同的气味。结果表明,使用以上4种分类器,WEM特征分类准确率均高于其它特征,其中k-NN分类器与WEM特征结合的分类准确率最高(91.07%)。本文进一步对不同EEG信号的频带进行了探究,发现大多数基于γ频带的分类准确率优于全频带及其他频带,其中γ频带WEM特征结合k-NN分类器的分类准确率最高(93.89%)。本文的研究结果一方面可为嗅觉功能评价提供新的客观依据,另一方面,也可为嗅觉诱发情绪的研究提供新的思路。     

Analysis of Electroencephalogram Based on Wavelet Spectrum and Wavelet Entropy

Based on discrete wavelet transform,both relative wavelet energy (RWE) and segment wavelet entropy (SWE) of electroencephalogram (EEG) are defined in this paper.The RWE provides quantitatively the info...     

独立分量分析和小波熵在动作模式分类中的应用

在表面肌电信号(electromyography,EMG)中,各类动作的识别是一个重要研究方向.本文采用独立分量分析independent component analysis,ICA)对肌电信号进行处理,消除各动作信号之间的相互线性耦合叠加,并采用信号的小波熵作为特征向量进行模式识别.试验表明,在对信号进行先期ICA处理以后,动作模式的识别效果较好.此方法也可应用于其他生理信号的识别分类.     

基于小波熵的心电信号去噪处理

实测的心电信号不可避免地存在一些强干扰和噪声,如何在强背景干扰和噪声下准确提取出有用的心电信号,是心脏病智能诊断的一个重要内容。提出一种新的基于小波熵的弱心电信号去噪方法,先将信号小波分解,再对不同分解尺度上的高频系数进行小波熵阈值的量化处理,然后利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的高频小波系数分量,组成进行信号重构所需要的系数分量进行重构,将严重的干扰和噪声去掉,实现有效信号的提取。最后分别利用临床的实测心电数据和M IT/B IH心电数据库信号进行验证,并针对不同噪声类型和不同信噪比情况进行分析。结果表明,该方法简单有效,尤其对于高频噪声效果更优,且适于实际应用。     

基于功率谱信息熵的异常心音识别

目的：异常心音识别是心血管疾病检测的一种重要手段,为了探究异常心音频域的有用信息,提出了将不同频段的功率谱作为一个独立信源计算其信息熵,从而对房室瓣和动脉瓣异常信号进行判别的一种新方法。方法：实验先将心音信号进行小波包分解,然后利用改进的Welch方法计算信号的功率谱,进而求各频段的功率谱信息熵,再建立支持向量机预测模型来对两种异常心音进行识别。结果：选取二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣狭窄、主动脉瓣关闭不全共27例心音信号进行算法仿真,其中房室瓣异常能够全部检测出来,动脉异常有3例被误判,正确率达到77％;在原有27例信号的基础上,增加3例房室瓣异常和3例动脉异常信号进行算法验证,房室瓣异常信号仍然能够全部被检测出来．动脉异常信号2例被误判。结论：从仿真结果可以看出,该算法对房室瓣异常和动脉异常两种心音信号有较高的识别率。尤其对房室瓣杂音能够完全识别,也表明功率谱信息熵在异常心音的识别中具有重要意义。     

基于GA-RBF神经网络和sEMG的下肢动作识别方法研究

为了提高人体肌电信号对于下肢动作识别的准确率,提出一种基于遗传算法(GA)优化的径向基(RBF)神经网络分类模型.通过采集人体日常8种下肢动作的表面肌电信号并选择"sym6"系小波函数对肌电信号进行滤波预处理,使用主成分分析法(PCA)对时频域特征降维,把特征向量输入GA算法优化的RBF神经网络进行训练和识别.实验结果...     

基于边界特征的乳腺肿瘤超声图像识别

通过对乳腺肿瘤边界特征的分析，得到边界的特征量似圆度，面积比率，长宽比组成的特征矢量，最后用反向传播人工神经网络（BP）的算法对经病理证实的119幅乳腺良、恶性肿块超声图像进行分类识别。BP神经网络对良、恶性肿瘤正确识别率分别为89．7％、73．5N。量化后的乳腺超声图像肿瘤轮廓特征结合BP神经网络可以比较有效的用于肿瘤的良、恶性识别。