用于股动脉仿真多普勒超声信号分析的时频分布技术的比较

用于股动脉仿真多普勒超声信号分析的时频分布技术的比较［英］／ＧｕｏＺＹ…／／ＩＥＥＥＴｒａｎｓＢＭＥ．１９９４，４１（４）．３３２对多普勒超声血流信号的时频分布的计算，通常采用快速付立叶变换或自回归模型。这两种技术要求在一定间隔内信号具有稳定性。这种...     

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。     

基于小波变换与基于短时傅立叶变换的超声多普勒血流信号时频分布比较研究

本研究讨论了一种改进的Morlet(MMORL)小波变换在分析超声多普勒血流信号时的优点。用小波变换和短时傅立叶变换计算得出时频分布与理论的时频分布进行了比较。结果得出小波变换能提供较好的时频分辨率的折中效果，能产生更精确的平均频率和带宽。     

基于希尔伯特-黄变换的白细胞信号分

白细胞信号(WBS)具有脉冲形状多样和时频特性各异的特点,目前临床上用细胞信号脉冲计数的方法来分析WBS通常难以反映其所携带的丰富的生理和病理信息,并直接影响到细胞分类问题。针对这一问题,探索能自适应地分解非线性非平稳信号的希尔伯特 黄变换算法在WBC时频分析和分类中的应用效果。通过对血细胞中的WBC进行HHT变换,获取WBC的本征模态函数（IMF）分量、分量的Hilbert边际谱以及信号Hilbert谱;利用瞬时频率、瞬时幅值等进行计算提取健康人与患者的WBS平均强度、谱质心以及能量贡献率等特征作对比分析,根据其时频特征分布规律构建用于分类实验的特征向量;采用支持向量机（SVM）分类器,对58名健康人和60名患者的白细胞实验样本进行分类实验。结果表明,该方法提取的健康人和患者的WBS分量谱质心分布、平均强度值以及能量贡献率具有较好的区分度,分类正确率到达了94.83%。HHT方法能有效提取WBS特征,可辅助临床WBS的处理和分析。     

HHT谱分析方法在利用ECG信号检测睡眠呼吸暂停中的应用

目的:根据睡眠呼吸暂停与心率变化的关系,探讨从心电图中检测睡眠呼吸暂停的方法.方法:通过经验模态分解(EMD)技术将一非线性、非稳态过程的心率变异信号分解为一组内在模态函数(IMFs),对每个IMF进行Hilbert变换,获得HRV信号幅度和频率的时间分布,再根据已获得的HH谱,进而得到边际谱,然后提取信号能量的时频分布、瞬时频率、瞬时能量比、瞬时幅度的标准差等特征向量,根据特征向量的变化检测出睡眠呼吸暂停的位置和分布.结果:对同一个体的HRV信号的分析结果显示,正常呼吸阶段HRV信号的特征向量与睡眠呼吸暂停阶段HRV信号的特征向量有明显区别,实验结果证实了本文所提方法的有效性.结论:该检测方法物理意义明确,诊断结果精度高,为睡眠呼吸暂停综合症的早期诊断、监护及预后评估提供了新的分析工具.     

小波变换和非线性分析在表面肌电信号中的应用及进展

表面肌电信号(surface EMG,sEMG)反映了神经和肌肉的功能和生理状态,分析研究sEMG对人类的生理健康有重要的意义.本文综述了小波变换和非线性分析方法近几年在sEMG研究中的应用情况,并且预测两种方法的有效结合在sEMG的应用前景.     

基于神经网络学习算法的胃电信号时频分析

本文提出了基于神经网络学习算法的一种新的胃电信号自适应时频分析方法。与传统的短时富里叶变换（ＳＴＦＴ）和Ｗｉｇｎｅｒ分布相比，本方法有如下优点：１、为更好地跟踪胃电信号的变化，提取其时频特征，我们首先引入调制性基函数作为窗口函数。这种窗口函数包含位移参量、尺度参量和中心频率参量，通过调节这些参量可改变窗口函数的中心位置。窗口形状和中心频率大小，因而保证与分析信号保持最佳匹配；２、由于胃电信号的非稳态和非线性，胃电信号时频参量的变化是非线性的。我们应用神经网络这种最佳非线性估计器来学习这些参量，既可获得较高的估计精度，又有较高的自适应性；３、所提出的方法不仅比ＳＴＦＴ和Ｗｉｇｎｅｒ分布有更高的分辨率，而且其时频能量分布图是清晰的，没有交叉项干扰。     

SVM和小波包变换在动作模式识别中的应用

支持向量机（SVM）是一种线性机器，广泛用于模式分类和非线性回归。对于很多低维非线性可分的模式，如果我们能够提取合适的高维特征向量，则模式往往在高维特征空间是线性可分的。本文利用小波包变换提取动作的特征向量，将各种动作信号映射到特征空间形成一定维数的特征向量，然后采用SVM进行动作识别。试验证明。当特征空间维数合适时，利用SVM进行动作识别效果良好。     

小波分析理论在脑电分析中的应用

小波变换是一种把时间、频率（或尺度）两域结合起来的分析方法。它具有：（１）多分辨率；（２）相对带宽恒定；（３）适当地选择基本小波，可使小波在时、频两域都具有表征信号局部特征的能力的特点，被誉为“分析信号的显微镜”。本系统以Ｗｉｎｄｏｗｓ为操作系统平台，将小波变换用于脑电信号分析，实现病历管理，１００Ｈｚ脑电信号采样，１０分钟脑电数据存储等功能，是一个在Ｗｉｎｄｏｗｓ３．１下开发的脑电分析系统。从脑电信号小波变换后的波形可以看出，各尺度信号不仅反映信号的频率信息，同时也反映信号的时间信息，意即反映此时ＥＥＧ的状态。而传统的傅里叶分析只能获得信号的整体频谱，不能反映时域信息     

脑电信号处理方法

脑电信号是人体的一种基本生理信号,具有重要的临床诊断和治疗价值.由于脑电信号的自身非平稳性随机特点,使得对它的研究成为一项具有相当难度的课题.本文总结了脑电信号的时频、神经网络等处理方法.着重论述Wigner分布、小波分析、神经网络、非线性动力学,以及独立分量在脑电信号处理中的应用.     

基于表面肌电信号的手势识别与分析

目的 研究利用前臂及手部表面肌电( surface electromyography,sEMG)信号进行手势识别的方法,以及不同 手势下拇指、食指的关节角度,探讨 sEMG 信号控制外骨骼手的可行性。 方法 采集 20 名健康右利手受试者右侧 前臂及手部 6 块肌肉 sEMG 信号。 提取 sEMG 信号的时域特征值,对比人工神经网络( artificial neural network, ANN)、K-近邻(K-nearest neighbor, KNN)、决策树(decision tree, DT)、随机森林( random forest, RF)和支持向量机(support vector machine, SVM)等多种分类器对 6 种日常手势进行识别。 同时,采用 Vicon 摄像机跟踪系统捕捉右手拇指、食指运动轨迹,计算拇指、食指关节角度。 结果 利用前臂及手部 sEMG 信号可以实现 6 种手势的模式识别,其中 ANN 分类器的分类预测效果最好,测试集预测精度可达 97. 9% ,Kappa 系数可达 0. 975。 同时,计算得到不同手势下拇指、食指的关节角度,并进行不同手势下关节角度相关性分析。 结论 利用前臂及手部 sEMG 信号进 行手势识别,能够实现具有几乎完全一致的分类预测结果。 研究结果证明了 sEMG 信号手势识别应用于外骨骼手 控制的可行性。     

An exploratory study to design a novel hand movement identification system

Electromyogram signal (EMG) is an electrical manifestation of contractions of muscles. Surface EMG (sEMG) signal collected from the surface of skin has been used in diverse applications. One of its usages is in pattern recognition of hand prosthesis movements. The ability of current prosthesis devices has been generally limited to simple opening and closing tasks, minimizing their efficacy compared to natural hand capabilities. In order to extend the abilities and accuracy of prosthesis arm movements and performance, a novel sEMG pattern recognizing system is proposed. To extract more pertinent information we extracted sEMGs for selected hand movements. These features constitute our main knowledge of the signal for different hand movements. In this study, we investigated time domain, time-frequency domain and combination of these as a compound representation of sEMG signal's features to access required signal information. In order to implement pattern recognition of sEMG signals for various hand movements, two intelligent classifiers, namely artificial neural network (ANN) and fuzzy inference system (FIS), were utilized. The results indicate that our approach of using compound features with principle component analysis (PCA) as dimensionality reduction technique, and FIS as the classifier, provides the best performance for sEMG pattern recognition system.     

应用独立分量分析去除体表肌电中的心电干扰

体表肌电特别是从躯干获得的体表肌电往往受到被测对象自身心电信号的严重干扰。本文利用一种基于独立分量分析(ICA)的去噪方法,去除体表肌电中的心电干扰。该方法将多通道体表肌电进行独立分量分解,并用高通滤波器处理所分解出的心电独立分量以尽可能地保留其中的肌电成分,进而将去除心电干扰后的所有独立分量反向投影回原始信号空间得到去噪后的信号。仿真信号的处理结果表明,当高通滤波器的截止频率为30Hz时,该方法在有效去除心电干扰的同时使体表肌电的保真度达到最大。同时讨论了将信号的峰度(Kurtosis)值作为自动判别心电分量和肌电分量的标准的可能性。     

Novel Time-frequency Analysis and Representation of EEG

INTRODUCTION　　 Electroencephalograpm ( EEG) signals are fundamental forthe clinical diagnosisof patients with neural system diseases especially epilepsy disease.The accurate di-agnosis of the disease types and choices of medicine and therapeutic plan need to pro-cess a large amountof EEG data.In order to reserve and extractthe mostof charac-teristic of EEG signals,it is important to build an accurate EEG model for furtherdiscrimination,compression,storage,and searching.Nowadays mul…     

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...     

上肢辅助站立状态下姿态扰动诱发的脑电响应特征

探究上肢辅助站立状态下姿态扰动诱发的脑电响应特征,从而为下肢运动功能障碍患者失稳态的识别提供新的思路和方法。设计实验装置使人体随机侧的上肢支撑力发生快速变化,从而模拟人体在上肢辅助站立状态下的姿态扰动。实验同步采集20名被试64通道脑电、双侧支撑力和双侧前臂腕伸肌的表面肌电信号,分析姿态扰动事件发生时脑电诱发电位的神经响应特征,以及力学信号和表面肌电的行为学响应特征。在姿态扰动施加后,姿态扰动侧的支撑力在(200.5±15.4)ms的时间内快速减小。与此同时,双侧前臂腕伸肌的表面肌电值均增大,并且姿态扰动侧的表面肌电值更大。姿态扰动施加后诱发出了N1电位,其在FCz导联处幅值最大,其潜伏期为(62.3±5.5) ms,幅值为(15.6±6.1) μV;P2电位的潜伏期为(167.4±12.4) ms,幅值为(5.2±4.5) μV。该研究为通过神经响应过程识别人体的失稳态提供可行性。     

Investigation of the nonlinearity in the heart rate dynamics.

This paper presents the application of a neural network to predict human heart rate. Electrocardiograms were measured from 5 healthy adult human subjects and 5 data sets were constructed calculating instantaneous heart rate from the measured signal. The nonlinear radial basis function neural network was applied to have a one step ahead prediction of the 1000 point heart rate. The results of the prediction are compared to that obtained by a linear autoregressive model. The results show that the neural network performs better than the autoregressive model in predicting heart rate for 2 data sets while for the other 3 data sets the performance of the two models is statistically similar. This indicates that the heart rate may be controlled nonlinearly by the autonomic nervous system.     

一种基于经验模态分解的时频分布及其在EEG分析中的应用

Hilbert-Huang变换是一种新的分析非线性非平稳信号的时频方法,这种方法的关键部分是经验模态分解(EMD)方法,任何复杂的信号都可以通过EM D分解为有限数目并且具有一定物理意义的固有模态函数。我们结合该方法给出一种抑制Wigner-Ville分布交叉项的新方法,并将其应用于癫痫脑电信号(EEG)中,且得到了比较好的结果。     

基于小波分析与神经网络相结合的表面肌电信号识别的研究

表面肌电信号是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号,具有非平稳性和复杂性的特点。本研究通过使用小波分析与神经网络相结合的方法,识别正常肌电信号与疲劳肌电信号。实验表明,将小波分解后的肌电信号代替原始肌电信号,能明显提高神经网络对肌电信号的识别准确率。