多分辨率小波信号分解用于大鼠睡眠纺锤波的分析

本研究首先设计了慢波睡眠期脑电信号的合成仿真信号 ,对小波基函数进行了选择 ,结果证明Coiflet 5阶小波变换对大鼠慢波睡眠期EEG信号具有较好的分解结果。据此 ,应用多分辨率小波分析法设计了提取睡眠纺锤波的算法 ,并利用该算法对安定用药后和睡眠剥夺后大鼠慢波睡眠期纺锤波的持续时间和能量变化进行了分析 ,结果表明 :安定具有延长慢波睡眠期纺锤波持续时间的作用 ,而睡眠剥夺可以增加慢波睡眠期纺锤波的能量。这些结果说明 ,小波分析算法可以提供功率谱分析无法表现的时频信息。     

基于提升小波变换和多种策略的QRS波检测算法

目的：为了提高计算机处理心电信号的速率和精度,提出了一种基于提升小波变换,结合多种策略的QRS波检测算法。方法：首先采用基于阀值的提升小波去噪方法去除心电信号中的高频白噪声和低频基线漂移;再对处理后的心电信号进行提升小波分解,得出各层逼近信号和细节信号,在第3尺度上采用模极大值阀值法对R波进行检测．找出备选的R波,同时采用几何的方法定位Q波和S波及QRS波起点和终点;最后采用补偿法、波宽法及QRS波时长法对QRS波群进行纠正。结果：本文算法在时域心电图上实现了QRS波的准确定位．提取了心电图的QRS波段。通过MIT—BIH数据库验证,本算法具有很好的表现。结论：实验结果表明,相比传统的算法,本文采用的提升小波和多种策略的检测算法．能有效的检测QRS波,为心电信号的自动识别奠定了基础。     

结合子空间方法和提升小波变换提取事件相关脑电位

我们提出了一种提取事件相关脑电位的复合方法。它用奇异值分解方法将含噪信号分解为噪声子空间和信号子空间,将含噪信号正交投影到信号子空间进行初步除噪,随后将得到的信号进行提升小波变换,对变换结果进行一维小波重构进一步去除噪声,最后提取出ERP成分。介绍了基于奇异值分解的子空间方法和对信号进行提升小波去噪的实现方法。仿真结果表明,结合两种方法提取事件相关脑电信号时,比单独采用其中一种方法的效果要好,并可减少提取事件相关电位所需的实验次数。对实验数据的处理结果表明,该方法的实际处理效果良好。     

基于分数低阶空间时频矩阵的脑电诱发电位盲提取

对诱发电位(EP)信号中具有强脉冲过程的脑电图(EEG)噪声,可以用α稳定分布模型来描述。基于分数低阶矩对传统的Cohen类时频分布进行了改进,得到了新的分数低阶空间时频分布(FLO-STFM),据此提出了一种新的可在α稳定分布环境下工作的分数低阶空间时频欠定盲分离算法(FLO-TF-UBSS)。将该盲分离算法应用到EP信号的提取,仿真实验结果表明所提出的盲分离算法能较好地在EEG噪声环境下实现对EP信号的盲提取,相关系数以及盲提取效果都优于基于二阶的TF-UBSS算法。     

基于Ⅰ导联ECG的心肌梗死特征提取EI北大核心CSCD

提出了基于ECG导联Ⅰ的单周期信号的心肌梗死特征提取算法,避免了利用多导联ECG检测心肌梗死带来的不便。首先对导联Ⅰ的ECG信号进行去噪处理;然后,引入小波包算法提取QRS波群、T波的主频带,重构QRS波群、T波的波形并确定ST段的始末位置;最后,运用小波的多分辨分析对ST段进行分解并提取导联Ⅰ信号的心肌梗死的特征波形。实验结果表明,本文算法具有较高识别率,这为ECG导联Ⅰ信号用于心肌梗死的检测与诊断提供了依据。     

基于小波降噪的呼吸信号提取方法

针对呼吸信号中包含的心动冲击、动脉搏动等相关噪声,提出了一种基于小波降噪的呼吸信号提取算法。该算法采用db4小波将信号在六个尺度上分解,应用史坦无偏似然估计原理产生自适应阈值对小波系数做阈处理并重构小波系数,处理结果显示噪声信号可被有效剔除。为临床上实现非接触的呼吸监护打下基础。     

小波变换在心电图QRS波检测中的应用

作者利用信号的小波变换在多尺度边沿上的综合特性，提出了一种新的ＱＲＳ波检测法。有要用Ｍａｌｌａｔ快速算法获得原始ＥＣＧ信号在不同尺度上小波分解信号，将含有大部分高频ＱＲＳ波在多尺度上的分解信号送和一个线性自适应匹配滤波器，匹配滤波器的输出用于检测Ｒ波的位置。对ＭＩＴ数据库中的数据进行了检测，Ｒ波的检测率可达９９．８％。     

基于小波变换的QRS波检测

目的　将小波变换应用于ECG信号QRS波检测,提高QRS波的正确检测率。方法　利用二进Marr小波对ECG信号按Mallat算法进行变换;从等效滤波器的角度分析了信号奇异点(R波峰值点)与其小波变换模极大值的关系;探讨二次微分小波与一次微分小波在奇异点分析时性能上的差异,在检测中还运用了一系列策略以增强算法的抗干扰能力。结果　经MIT/BIH标准心律失常数据库验证,QRS波的正确检测率高达99.8%。结论　小波技术在ECG信号消噪和精确定位显示良好的性能;不同的小波函数直接影响结果和后续的检测策略。     

基于复值小波分解的QRS波群检测算法

心电信号特征参数的提取和识别是心电图分析和诊断的基础。在心电信号的分析中,QRS波群快速准确的检测非常重要,它是相关参数计算和诊断的前提。本文对心电信号进行复值小波分解后,利用分解结果的模值来检测QRS波。由于心电信号的形态和幅值因人而异,所以用自学习算法来调整阈值以适应信号的变化。用MIT-BIH心电数据库中的数据对以上方法进行验证,QRS波群的检测率高达99.81%以上。最后,在检测出QRS波群特征点的基础上,利用相类似的方法检测出P、T波。     

基于小波分析方法的脑电诱发电位单导少次提取

脑电诱发电位(EP)的单导少次提取具有重要的临床意义.本研究提出一种基于小波分析的方法,用于EP信号的单导少次提取.该算法首先将检测得到的信号经过白化滤波器进行滤波,将自发脑电预白化为白噪声,目的是使噪声的小波系数均匀分布在所有尺度和位移上,而期望信号的小波系数只在少数尺度上为非零值.进而对滤波后的信号的小波系数进行加权处理,再通过反变换得到期望信号,恢复出EP信号.在不同初始信噪比条件下仿真,进行算法测试和性能分析.结果表明,该算法能够抑制自发脑电的干扰,使信噪比提高13 dB,相当于20次叠加平均效果,从而可以实现EP信号的单导快速提取.     

基于独立成分和小波分析的胎儿心电提取

背景：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,如何快捷与有效地提取出胎儿心电将成为重要的研究课题。 目的：采用结合独立成分分析和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。 方法：结合独立成分分析和小波分析的算法进行胎儿心电的特征提取,首先对含噪信号进行小波变换,去除奇异信号和非平稳随机信号,然后对小波重构后的信号运用快速独立成分分析算法进行成分分析。 结果与结论：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,但这些信号都是随机的,不相关的,可以认为它们间是相互独立的。采用结合独立成分和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。实验证明该方法是一种有效的方法。     

基于小波和卡尔曼平滑的事件相关电位单次提取

本研究提出一种事件相关电位单次提取方法,可有效减少实验次数,并可探索实验之间ERP的变异性。此方法基于小波和卡尔曼平滑,首先利用小波变换考察ERP平均信号的时频特性,根据ERP不同分量出现的时间位置,在不同尺度上选取特定的单次实验ERP小波系数构成观测向量,其为真实ERP小波系数状态向量与噪声之和,然后对观测向量进行卡尔曼平滑,最后对卡尔曼平滑后的小波系数进行小波重构,得到单次提取的ERP信号。仿真实验表明,基于小波和卡尔曼平滑的方法不仅信噪比提高约16~18 dB,优于30次叠加平均、简单小波方法和基于高斯基函数的卡尔曼滤波方法,还可以跟踪ERP的幅度趋势变异性。与基于高斯基函数的卡尔曼滤波方法相比,所提方法降低了计算量。真实脑电ERP提取实验表明本方法较好地从单次记录中提取出了事件相关电位,并可解释ERP因适应和应激引起的趋势变异性。     

基于小波变换的事件相关电位少次提取方法

本文以反映大脑稀少认知事件的相关电位P300为例,介绍了基于小波变换(wavelet transform,WT)进行事件相关电位(event related potential,ERP)少次提取的原理、仿真和实验结果.通过小波变换先去除与ERP混杂的EEG背景干扰,然后对消除干扰后的脑电数据进行重构和ERP波峰检测,在此基础上尝试修正ERP波峰的潜伏期时移,再通过小波重构获得通常需多次相干平均才能得到的ERP波形.仿真计算和实验数据分析结果说明小波分析具有较强的ERP峰值检测和潜伏期模式识别能力,值得进一步在临床工程中深入研究和应用推广.     

基于高频中值滤波的小波滤波在脑动脉色素浓度谱特征信号提取中的应用

近年来,近红外光谱技术(mear infrared spectrometry,NIRS)在脑科学研究领域倍受青睐。为了更好地满足参数的后续使用并提取出有效特征信号,前期尝试了多种常用滤波方法,为了解决滤后信号易失真以及不能有效滤除低频或者高频噪声的问题,提出了基于高频中值滤波的小波滤波,并采用高度还原真实信号特点的仿真信号以及利用脑血流动力学参数采集系统获得的真实光电容积脉搏波(photoplethysmography,PPG)信号,基于中值滤波的小波滤波进行分析。将实验测试数据与其他滤波方法的特征信号提取效果进行对比,并对处理数据进行信噪比和频谱分析。结果表明,采用中值滤波与小波滤波相结合的滤波方式,对脑动脉色素浓度谱特征信号进行滤波处理,能获得有效、精准的脑血流动力学参数,为后续的测量精度打下基础。该方法有效结合了中值滤波能够剔除粗差的特性和小波滤波在光电容积脉搏波中有效滤除高斯信号的特性,改善了采用单一方式的局限性,提供了一种新的PPG滤波的思路,对比传统方法更加优化。     

癫痫脑电特征波的综合检测分类方法研究

本文将小波变换、人工神经网络、专家规则判据等多种检测方法有机地结合起来 ,用于癫痫脑电特征波的检测与分类 ,以充分发挥不同方法的优势。这种综合检测分类方法是先将预处理的多导脑电时间序列经小波变换将脑电中癫痫特征波在不同尺度下分离出来 ,再对选出的癫痫嫌疑波进行特征参数提取 ,然后把特征参数送入已经训练好的人工神经网络进行分类识别 ,最后再由专家规则判断筛选并作出检测分类统计报告。研究表明 ,该方法具有很好的信号特征提取和屏蔽随机噪声能力 ,获得了较好的检出率 ;尤其适合于非平稳、非线性生物医学信号的检测分类 ,值得进一步深入研究     

ECG beat classification using empirical mode decomposition and mixture of features

Computer-aided analysis is useful in predicting arrhythmia conditions of the heart by analysing the recorded ECG signals. In this work, we proposed a method to detect, extract informative features to classify six types of heartbeat of ECG signals obtained from the MIT-BIH Arrhythmia database. The powerful discrete wavelet transform (DWT) is used to eliminate different sources of noises. Empirical mode decomposition (EMD) with adaptive thresholding has been used to detect precise R-peaks and QRS complex. The significant features consists of temporal, morphological and statistical were extracted from the processed ECG signals and combined to form a set of features. This feature set is classified with probabilistic neural network (PNN) and radial basis function neural network (RBF-NN) to recognise the arrhythmia beats. The process achieved better result with sensitivity of 99.96%, and positive predictivity of 99.81 with error rate of 0.23% in detecting the QRS complex. In class-oriented scheme, the arrhythmia conditions are classified with accuracy of 99.54%, 99.89% using PNN and RBF-NN classifier respectively. The obtained result confirms the superiority of the proposed scheme compared to other published results cited in literature.     

Significant EEG Features Involved in Mathematical Reasoning: Evidence from Wavelet Analysis

Summary Using electroencephalographic (EEG) signals and a novel methodology based on wavelet measures in the time-scale domain, we evaluated cortex reactions during mathematical thinking. Our purpose was to extract more precise information from the cortex reactions during this cognitive task. Initially, the brain areas (lobes) of significant activation during the task are extracted using time-averaged wavelet power spectrum estimation. Then, a refinement step makes use of statistical significance-based criteria for comparing wavelet power spectra between the task and the rest condition. EEG signals are recorded from 15 young normal volunteers using 30 scalp electrodes as participants performed one difficult arithmetic task and the results are compared with a rest situation. The results are in accordance with similar previous studies, showing activations of frontal and central regions. Compared with the alternative spectral-based techniques, the method we propose achieves higher task discrimination on the same dataset and provides additional detail-signal information to evaluate cortical reactivity during local cortical activation.     

A Study on sEMG Simulation Modeling and Its Decomposition Methods

In this paper, we establish a surface electromyography(sEMG) signal model and study the signal decomposition method from noisy background. Firstly, single fiber action potential (SFAP), motor unit action potential (MUAP) and motor unit action potential train(MUAPT) are simulated based on the tripolar signal source model, and then the sEMG is obtained; secondly, the simulated sEMG signal is extracted from the mixed signals that consists of white noises, power frequency interference signal and electrocardio signal by independent component analysis (ICA) algorithms; lastly, the spikes corresponding to each motor unit action potential from the simulated sEMG signals were detected by applying the wavelet transform (WT) method. Simulation results showed that sEMG model could describe the physiological process of sEMG, ICA and WT methods could extract the sEMG signal and its features, which will lay a foundation for further classifying the MUAP.     

A comparative study of feature extraction and blind source separation of independent component analysis (ICA) on childhood brain tumour 1H magnetic resonance spectra

Independent component analysis (ICA) has the potential of determining automatically the metabolite signals which make up MR spectra. However, the realiability with which this is accomplished and the optimal approach for investigating in vivo MRS have not been determined. Furthermore, the properties of ICA in brain tumour MRS with respect to dataset size and data quality have not been systematically explored. The two common techniques for applying ICA, blind source separation (BSS) and feature extraction (FE) were examined in this study using simulated data and the findings confirmed on patient data. Short echo time (TE 30 ms), low and high field (1.5 and 3 T) in vivo brain tumour MR spectra of childhood astrocytoma, ependymoma and medulloblastoma were generated by using a quantum mechanical simulator with ten metabolite and lipid components. Patient data (TE 30 ms, 1.5 T) were acquired from children with brain tumours. ICA of simulated data shows that individual metabolite components can be extracted from a set of MRS data. The BSS method generates independent components with a closer correlation to the original metabolite and lipid components than the FE method when the number of spectra in the dataset is small. The experiments also show that stable results are achieved with 300 MRS at an SNR equal to 10. The FE method is relatively insensitive to different ranges of full width at half maximum (FWHM) (from 0 to 3 Hz), whereas the BSS method degrades on increasing the range of FWHM. The peak frequency variations do not affect the results within the range of ±0.08 ppm for the FE method, and ±0.05 ppm for the BSS method. When the methods were applied to the patient dataset, results consistent with the synthesized experiments were obtained. Copyright © 2009 John Wiley & Sons, Ltd.     

基于离散小波变换提取脑机接口中脑电特征

在脑机接口中，针对脑电特征提取利用单一种类信息、使用数据量大、分类性能较差等缺点，提出一种新颖的基于离散小波变换的方法。分析了小波变换特征提取的特点和特征表示方式，用Daubechies类db4小波函数对脑电信号进行6层分解，抽取小波变换各子带关键的部分逼近系数、小波系数、小波子带系数均值组成特征向量。以分类正确率为指标检验了提取特征的性能。实验结果表明，这种方法能够利用少量数据提取脑电信号本质特征，具有较高的分类性能，为利用脑电识别人的不同意图提供了快速而有效的手段。