雷达式生命探测仪中人体数量识别技术的研究

针对雷达式生命探测仪穿墙检测到人体的呼吸信号的非平稳特性,采用短时傅里叶变换、频谱图,对单人、多人的呼吸信号进行分析,并通过奇异值分解有效地提取特征矢量进行模式识别,能够成功地识别单人和多人.实验结果表明,基于短时傅里叶变换的奇异值分解法能够稳定、有效地提取特征矢量,从而达到对雷达式生命探测仪中人体数量的较准确地识别.     

病理性肺音信号的分析识别方法

目的:通过研究肺音与肺部疾病的内在联系,分析识别肺音信号的特征值,为人体肺部器官的器质和功能性病变等肺部急性病诊断提供重要依据。方法:对病理性肺音分类及肺音检测系统中肺音信号噪声干扰的来源进行阐述,并对目前存在的短时傅里叶变换、小波分析识别、高阶谱分析法等病理性肺音分析识别方法的优缺点进行归纳总结。结果:短时傅里叶变换应用于肺音信号分析识别降低了对肺音信号平稳性的要求;小波分析识别是典型的肺音分析识别方法,对肺音中混入的心音等非相同频率段噪声的消除效果较好;高阶谱分析有效地抑制高斯噪声的同时保留了肺音信号的相位特性,且能提取同类肺音信号模式特征的相似性和异类肺音信号模式特征的差异性。结论:完善的肺音信号分析识别方法,对于肺部病理性肺音的特征提取及完整的系统肺音特征参数数据库建立,以及对于肺部疾病相关基础研究及临床诊断与数据统计日益显示出重要性。肺音信号分析识别在临床上具有重要的研究价值,通过本文的综述对借助于肺音信号特征值检查人体肺部病理信息具有重要的借鉴意义。     

基于非线性动力学和高斯混合模型/支持向量机的病态嗓音识别与研究

传统的病态嗓音的识别研究中,通常采用线性分析技术分析嗓音的特性,将嗓音产生过程用一个经典的线性模型来近似,然而,这样却忽略了嗓音产生过程中的非线性特性。本文基于非线性动力学的分析方法,定量分析并提取了嗓音的7维非线性特征——Hurst参数、时间延迟、第二阶Rényi熵、香农熵、关联维、Kolmogorov熵(K熵)、最大Lyapunov指数。实验结果表明,非线性动力学的方法能够弥补传统分析方法的不足,较好分析正常与病态嗓音;应用高斯混合模型(GMM)和支持向量机(SVM)的模式识别方法,分别对测试集39例正常嗓音和36例病态嗓音进行识别,均得到较好的识别率,分别为97.22%和97.30%。     

雷达式生命探测仪中人体与动物识别技术的研究

雷达式生命探测仪通过检测生命体的呼吸信号来确定废墟、建筑物内等一些用肉眼无法观测到的生命体时,不仅关心生命体是否存在,而且需要知道生命体为人体还是动物。本文利用短时傅利叶变换对生命体的呼吸信号进行变换,并通过奇异值分解有效地提取特征矢量进行模式识别,能够成功地识别人体和动物。实验结果表明,基于短时傅利叶变换的奇异值分解法能够稳定、有效地提取特征矢量,从而便雷达式生命探测仪对生命体进行较准确地识别。     

病态嗓音特征的神经网络选择

病态嗓音自动检测和评价的关键是有效提取相关的特征,但一般的提取原则是尽可能的把相关特征纳入特征集,其结果就很难避免各种特征的相关和冗余信息,并对随后的识别效率和检测带来负面影响,因此特征优选工作就显得非常重要。本研究对待识别嗓音样本分别提取出两种特征参数（传统声学参数和基于小波变换提出的特征参数）后,利用神经网络分别对这两种特征参数进行了特征选择和优化,并分别对选出的各组特征进行了识别,结果表明基于神经网络的特征选择方法是有效的,从基于小波变换提出的特征中选出的7维特征矢量完全能取代原始特征矢量,并取得了正常95.06%,病态92.85%的识别结果。     

基于熵和支持向量机的病态嗓音识别

为了更好地分析实际短数据带噪的病态嗓音信号,利用近年来提出的样本熵、多尺度熵、模糊熵和分层熵的方法来提取嗓音的熵特征参数,并借鉴分层分解方法,提出分层多尺度熵和分层模糊熵,分别对测试集39例正常嗓音和36例病态嗓音进行支持向量机（SVM）识别。实验结果表明：三层分层熵、分层多尺度熵、分层模糊熵的识别率和稳定性均较分层前有提高。在耗时较短的情况下,提取2 000点病理嗓音数据的6种熵特征都能达到较好且较稳定的识别率。提取2 000点病理嗓音数据的三层分层模糊熵特征,能得到较好且较稳定的SVM识别率97.33%,较分层前的模糊熵特征识别率提高约4.00%。熵分析方法可推进病态嗓音研究向临床的应用,为临床分析诊断实时、短数据的带噪病理嗓音提供一定的参考。     

基于卷积神经网络的细胞识别

结合深度学习理论,将卷积神经网络算法运用到细胞识别上。相比传统的细胞识别算法,基于卷积神经网络的细胞识别使流程变得简单,同时也使得细胞的识别率更高。与多层神经网络、支持向量机及决策树等机器学习算法相比,卷积神经网络算法由于本身网络的复杂度以及训练集的大样本量,其深度远大于传统的机器学习算法,能较这些手工提取特征的方法更好地表达特征和区分细胞,最终取得的分类效果也要优于前者。研究结果表明卷积神经网络算法能较好地用于细胞识别。     

嗓音分析在疾病诊断中的应用

嗓音分析是语音识别领域的一个分支,是生物特征识别技术的重要研究领域之一。它是旨在根据人们说话或发声时嗓音波形中反映说话人生理、病理、心理和行为特征的嗓音参数,自动识别说话人身份、判读言语内容或诊断疾病的技术,具有广阔应用前景。语音识别研究已有50年的历史,而通过嗓音诊断疾病的工作在上世纪70年代才得以开展。本文介绍了嗓音诊断疾病系统、国内外研究现状和常用的嗓音处理方法,并讨论了嗓音分析在疾病诊断中的问题。最后简要展望了其应用前景。     

R-R Lorenz图实现心电信号混沌特征识别的研究

鉴于心电信号的非线性特征,采用混沌理论分析其混沌特征.从几类常见的窦性心率的心电信号中提取R-R间期,并绘制R-R Lorenz图,再对其图形特征进行处理及识别,得出结论性结果.研究结果可做为动态心电监护仪识别软件中的一项参考指标,提高心电监护仪的检测效率及精度,以期达到早期诊断心血管疾病的目的.     

基于改进支持向量机算法的超声图像分割技术

超声图像的边缘分割受到噪声影响,基于传统支持向量机(support vector machine,SVM)超声图像分割过程存在较大缺陷。提出一种基于改进SVM算法超声图像分割算法。采用分区域特征匹配方法,进行二维超声图像的分块融合性检测和特征块匹配,根据超声纹理的规则性特征分量进行病理边缘特征提取,利用提取的精度作为约束条件,优化SVM分割过程,进行超声图像分割过程的自适应分类,实现对超声图像的快速分割。仿真结果表明,采用该方法进行超声图像分割的精度较高,对超声图像的病理特征识别能力较好,结构相似度信息较强,提高了超声图像检测和诊断分析能力。     

一种对混养细胞基于形态的细胞分选方法

目的通过对采集的细胞图像的定量识别,并结合基于机器学习的聚类分析,实现对混合培养的多种细胞基于形态的快速识别分选。方法对体外混合培养的A549和3T3两种细胞进行免疫荧光染色以表征其形态轮廓,利用CellProfiler对采集的荧光图片进行细胞形态特征的提取,再通过CellProfiler Analyst对提取的数据进行机器学习,训练出一种规则,形成一种泛化能力,以达到对混合培养的两种细胞进行识别分选的目的。结果训练分类器准确率为81.24%,可以实现A549和3T3细胞的二分类。结论机器学习有助于提升数据聚类分析的准确率,将其应用于细胞图像的识别,可为临床对组织切片进行快速病理检测提供预判断,从而减轻医生的工作量,提高诊断的准确率。     

短时高频心电图的基本尺度熵分析

采用心电信号对心脏活动进行检测和分析是医学临床实践中心脏功能检测和诊断的最重要的方法和手段.本研究提出一种基本尺度熵方法来探讨时间序列的复杂性.该方法不受波形模式的影响,可以用来分析任意波形模式的信号,并且在叠加白噪声后依然显示方法的有效性.对于低维的混沌Lorentz序列,基本尺度熵值可以敏感的捕捉到动力学系统的复杂性的变化.将该方法用于心电图信号的分析,可有效地从短时序列中区分出不同的生理、病理信号.该方法简单、运算快速、抗干扰,能够给临床应用提供方便.     

基于CNN算法的稳态体感诱发电位的特征识别

脑-机接口研究可为瘫痪病人的康复带来一种新的治疗方法。已有研究表明对手指或者正中神经施加一定频率的体感刺激,会引发相同频率且具有空间特异性的稳态体感诱发电位。为优化基于稳态体感诱发电位的脑-机接口的性能,通过快速傅里叶变换寻找12个健康被试的个人左手特定共振频率,采用事件相关谱扰动进行时频分析,检测其稳态体感诱发电位信号。基于共振频率对实验诱发的脑电信号进行1 Hz带通滤波,获得特定频带的数据,采用卷积神经网络(CNN)学习算法对其进行分类,并与采用共空间模式和支持向量机的特征提取及特征分类的方法(CSP+SVM)进行比较。所有被试的结果显示:基于共振频率滤波方法,采用CNN学习算法获得的离线分类准确率均高于85%,并且CNN学习算法的分类准确率显著性优于CSP+SVM的分类准确率(91.8%±5.9% vs 77.4%±8.5%,P<0.05)。因此,在基于稳态体感诱发电位的脑机接口的特征识别中,CNN学习算法相比传统使用的机器学习分类算法(如共空间模式+支持向量机)能够显著提升分类准确率,提高脑机接口的整体性能。     

基于信号特征的电子耳蜗言语处理策略的频带选取

言语处理策略提取信号参数,并以特定的编码和刺激模式把参数传递到植入体内的电子阵列,是电子耳蜗各个环节中的关键部分。目前不同类型的电子耳蜗采用不同的言语处理策略,其中基于信号特征的言语处理策略是主流的方法。该模式进行参数提取和频带选择是基于所采集信号本身的特征,其刺激模式与连续交替采样刺激模式不同。本研究基于信号特征的电子耳蜗言语处理策略的频带选取模式和特征,探讨频带选取对信号的影响,并总结基础的参数结果和信号变化结论,有助于电子耳蜗新算法的开发和改进。     

一种自动标记异常血压和血流速度信号的算法

背景:目前,异常血压信号检测的主要方法是提取每个心动周期血压信号的特征,再分类识别。由于大多数血压信号是正常的,只有少数异常,如果对每个周期的信号进行检测,效率是比较低的。因此关于异常血流速度信号检测的文章不多见。目的:基于异常信号的频域和时域特征,提出了一种自动标记异常血压和血流速度信号的算法。方法:先从频域上筛选出可能的异常信号,再分析这些可能异常信号的时域特征,从而最终标记出所有的异常信号。结果与结论:异常信号的标记和识别是预处理比较关键的一步,这步对后期信号分析的正确性起决定性作用。目前对于信号的异常标记大都是基于形态学分析判断,往往要遍历所有数据。先从信号的频域特征分析,删选需要判别的对象,提高了计算速度。该算法能够识别出大多数的异常信号,当然也存在一部分的错误标记信号,因为该算法的判断标准还要考虑到后期的处理需要(是否影响信号均值),所以对有些信号人为判断是较模糊的。下一步工作是希望建立异常信号的严格判断标准,并在算法的时域特征选择和判断上做进一步完善。     

用联合熵分析短时心率变异信号的非线性动力学复杂性

用联合熵方法来分析短时心率变异性信号,该方法可以有效地从短时心跳间期信号中提取出动力学信息,从而反映心率变异性的强弱,为临床应用提供了方便。我们首先介绍联合熵基本理论,用低维的混沌序列进行了检验,证明该方法有效。然后将其应用于人体短时的心跳间期时间序列,该方法可以揭示复杂生理信号所具有的动力学特征以及衰老和疾病所伴随的非线性动力学复杂性的丢失和降低的个体自适应能力。最后,用联合熵方法来考察短时心率变异性信号的非随机性程度,该方法可以有效的揭示心室对心室纤维性颤动响应的非随机模式。     

基于卷积神经网络和长短时记忆网络的心理疲劳状态识别方法

现代生活节奏加快,生活压力逐渐增大,长期累积的心理疲劳对健康构成威胁。通过分析生理信号和参数,本文提出一种可以识别心理疲劳状态的方法,从而有助于维护健康生活。本文所提方法是基于卷积神经网络与长短时记忆网络结合的心电信号心理疲劳状态识别方法。首先,利用一维卷积神经网络模型的卷积层提取局部特征,通过池化层提取关键信息,同时去除部分冗余数据。然后,将提取的特征作为长短时记忆网络模型的输入,以进一步进行心电特征的融合。最后,通过全连接层整合关键信息,成功实现了对心理疲劳状态的准确识别。研究结果表明,相较于传统的机器学习算法,本文提出的方法显著提高了心理疲劳识别的准确性,识别的准确度达到了96.3%,可为心理疲劳的预警和评估提供可靠的基础。     

传统声学特征和非线性特征用于病态嗓音的比较研究

本文通过分析嗓音的发音机制,提取正常与病态嗓音的传统声学参数[基频、Mel倒谱系数(MFCC)、线性预测系数(LPCC)、频率微扰、振幅微扰]与非线性动力学特征参数[熵(样本熵、模糊熵、多尺度熵)、计盒维数、计维截距和Hurst参数],作为病态嗓音识别的特征矢量集。应用支持向量机(SVM)对/a/音的78例正常嗓音与73例病态嗓音和/i/音的78例正常嗓音与80例病态嗓音进行建模与识别。结果表明,相对于传统的声学特征参数,非线性特征参数能更好地区分正常与病态嗓音;实验提取的所有参数中,除了多尺度熵,/a/音的正常与病态嗓音的识别率均高于/i/音,因此为了达到识别病态嗓音的目的,国内外相关研究大多采用/a/音数据;多尺度熵特征对/i/音的正常与病态嗓音的识别率较/a/音高,它或能为评价声带代偿功能状态的研究提供有益的启发。     

基于雷达式非接触生命参数检测中跟踪干扰谱峰的二次滤波算法研究

为了抑制雷达式非接触生命探测系统中的动目标干扰，提出可跟踪干扰谱峰的滤波算法，用于检测受到同频带干扰影响的呼吸信号。对信号一次滤波后．进行Yule—Walker功率谱估计，发现可能的同频带干扰谱峰．通过与标准呼吸信号进行归一化互相关系数计算，对干扰谱峰定位，从而进行二次滤波，提取呼吸信号。结果表明，经二次滤波算法处理后，呼吸信号中同频带干扰谱峰被识别并抑制。对于单一同频带干扰谱峰，该算法能有效抑制同频带干扰，提取呼吸信号。     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...