基于经验模态分解和极限学习机的癫痫脑电提取分类研究

癫痫疾病发作时,脑电(electroencephalogram,EEG)信号中含有大量的癫痫特征信息,癫痫EEG信号的提取识别和分类研究,对癫痫的预防和治疗具有重大的意义。我们采用经验模态分解(empirical mode decomposition,EMD)算法对发作期、发作间期的EEG进行分解,计算分解后的主要本征模态函数(intrinsic mode function, IMF)分量的波动指数、均值和样本熵值,并组成一组特征向量输入到极限学习机(extreme learning machine,ELM)内进行识别分类。实验结果表明,在需要较少训练样本下,ELM识别分类的准确率达到97%以上。     

基于EMD与IMF分量统计特性的ECG去噪

经验模式分解（EMD）域内心电（ECG）信号的去噪,通常为基于QRS特征波经验性识别固有模态函数（IMF）分量并重建ECG信号。由于该方法引入个人误差,因此识别不准确。针对此问题,本文提出利用EMD与IMF分量统计特性对ECG信号进行去噪。本方法首先对含噪ECG信号进行EMD分解得到一系列IMF分量,然后利用IMF分量的统计特性识别IMF分量属性,并采用被识别为ECG信号的IMF分量重建ECG信号。该识别方法基于统计学方法,具有统计学和现实物理意义。将本方法应用于真实ECG信号去噪处理中,结果表明,本方法可有效去除ECG信号基线漂移噪声与肌电干扰噪声,去噪效果优于经验法。     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

基于总体局部均值分解方法的心律失常特征提取与分类

针对心电信号自动分类技术中的特征提取,提出一种新的特征提取方法—总体局部均值分解（ELMD）方法。该方法首先对心电信号加入不同的高斯白噪声,然后进行局部均值分解得到若干乘积函数（PF）分量,求取多次分解后的PF分量均值。多次加入噪声及分量平均的过程可以克服基本局部均值分解方法存在的模态混叠问题。选取较优的前4个PF分量进行特征计算,将得到的特征向量矩阵送入支持向量机对正常心电信号和4种常见的心律失常信号进行分类。从MIT-BIH心律失常数据库的分类结果来看,ELMD总体分类准确率达到99.61%,高于一般方法,证明了ELMD方法的有效性。     

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。     

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。     

基于第二心音统计特征的先天性心脏病相关肺动脉高压诊断方法

针对先天性心脏病相关肺动脉高压听诊特征不明显,已有的机器辅助诊断算法相对复杂等问题,提出一种基于第二心音信号高频分量统计特征的分析方法。首先,采用端点检测自适应分割方法提取第二心音。其次,使用离散小波变换分解出高频分量,并提取该分量的赫斯特（Hurst）指数、勒佩尔-齐夫（Lempel-Ziv）信息和样本熵等统计特征。最后,使用这些特征训练极端梯度提升算法（XGBoost）分类器,在三分类中准确率达到了80.45%。该方法无需进行降噪处理,特征提取速度快,且只需三个特征即可实现较好的多分类效果,有望用于先天性心脏病相关肺动脉高压早期筛查。     

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。     

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。     

一种新的HHT在心音包络提取中的应用

目的：心音包络比原始心音可以更好地显示心音的特征,是进行心音识别的基础。希尔伯特一黄变换（HHT）是一种提取心音包络的有效方法,它首先利用经验模态分解算法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。常规的希尔波特一黄变换在分解过程中会引起端点效应和过冲等问题。方法：本文提出了一种基于改进型希尔伯特一黄变换的心音包络提取新方法。结果：该方法首先采用包络线性延拓法抑制端点飞翼问题,然后采用l一次贝塞尔分段插值算法替代原始经验模态分解算法中的三次样条插值算法减小分解过程中的误差。结论：仿真实验和实际采集的心音信号实验证明了该方法的有效性。     

基于经验模态分解-小波包变换的表面肌电信号手势识别

为了提高表面肌电信号（sEMG）手部运动识别的正确率,比较常规的sEMG预处理和特征提取方法,提出一种基于经验模态分解（EMD）和小波包变换（WPT）的sEMG手势识别模型。首先,使用EMD方法将sEMG进行平稳化,得到一系列的固有模态函数。其次,求取各个固有模态函数与原始信号的相关性,选取相关性较高的前4个分量作为有效分量。然后,采用Db3小波函数进行WPT,提取小波包系数中的平均能量、平均绝对值、最大值、均方根和方差等特征。分别采用线性判别分析和支持向量机对12种手部运动进行模式识别。结果表明基于EMD和WPT的sEMG手势识别正确率比直接提取小波包系数中的特征识别正确率高。     

基于多通道经验模式分解的脑机接口特征提取

针对脑机接口(BCI)系统中的多通道非平稳脑电(EEG)信号和脑磁(MEG)信号,本文提出一种基于多通道经验模式分解(MEMD)与功率特征结合的信号特征提取算法。首先将多通道脑信号经MEMD算法分解为一系列多尺度多元固有模态函数(IMF)近似平稳分量,然后对每个IMF分量提取功率特征,并利用主成分分析(PCA)降维处理,最后使用线性判别分析分类器对信号特征分类。实验采用第三次和第四次国际BCI竞赛的数据进行验证,对皮层EEG信号和MEG信号运动想象任务的识别正确率分别达到92.0%和46.2%,均位于竞赛第一名水平。实验结果表明本文所提方法有较好有效性和稳定性,为脑信号特征提取提供了新思路。     

基于固有模态分解和深度学习的抑郁症脑电信号分类分析

以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析。首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;最后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高。     

基于机器学习的心音识别分类研究

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一。本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型。数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51%、14.54%、20.61%、24.04%;采用LightGBM和SVM模型融合可将F1值提高至92.6%。本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考。     

基于EMD的左右手运动想象脑电信号分析研究

基于经验模态分解(EMD)理论,提出一种左右手运动想象脑电信号分析方法.首先利用时间窗对脑电信号数据进行划分,对每段数据通过经验模态分解法将其分解为一组固有模态函数IMF,提取主要信号所在的IMF层去除信号中的噪声.对含有主要信号的几层IMF进行Hilbert变换,得到瞬时频率与对应的瞬时幅值.再提取左右手想象的特定频段mu节律和beta节律的能量信号作为特征,分别利用支持向量机(SVM)和Fisher进行了分类比较.对EMD和小波包在去噪和特征提取进行了比较.结果表明,EMD是一种很有效的去噪方法,经过EMD分解后提取的能量信号在区分左右手想象上更具有优势,识别率高.     

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.     

基于数学形态学的心音信号识别方法

为实现对第一心音 (S1)和第二心音 (S2 )的自动识别提出了一种新方法。首先对原始心音信号进行预处理 ;然后利用数学形态学方法提取心音信号的包络 ;最后使用差分法并结合心音的医学知识对其进行识别。利用该方法对 80例心音信号进行了分析测试 ,结果显示对 S1与 S2识别的准确率达到了 86 % ,其中对于正常心音信号的识别准确率达到了 10 0 %。试验结果表明 ,文中提出的方法对 S1与 S2的识别准确率较高 ,为进一步的心音信号分析奠定了良好的基础。     

基于改进经验模态分解与能量包络的S1/S2提取

本文提出了一种改进型的经验模态分解算法用于心音图(PCG)信号去噪,结合PCG的规则平均Shannon能量包络算法,可有效提取PCG中的S1/S2成分。首先,通过小波变换和经验模态分解结合算法对PCG信号进行滤波预处理;然后,提取预处理后PCG信号的固有模函数(IMF)时域、频域特性及能量包络;最后,结合信号的Shannon能量包络和IMF相关特性准确定位出S1和S2。运用该方法对30例PCG信号进行测试,得到S1/S2成分的综合识别率达99.75%。实验结果表明,本文算法运用于S1/S2成分提取具有较好的效果,为进一步研究心音身份识别奠定基础。     

基于周期提取的心音分段方法

目的心音分段是心音分析的基础,传统方法是利用心音基本成分进行识别,而病变的心音信号中含有的杂音使识别受到干扰,易产生误分段。本文提出了基于周期提取的信号分段方法,可以避免对心音基本成分的识别。方法以虚拟仪器Lab VIEW为开发平台,首先利用小波变换对原始心音进行去噪预处理,然后利用快速Hilbert变换提取心音包络,再利用其自相关分析函数求出心动周期,进而从原始心音信号中提取整周期的信号,避免对心音基本成分的识别。结果对30例心音信号做实验验证,得到的心动周期长度能够直观显示,正确率达98%以上。结论作为一种无需识别心音基本成分的分段方法,此方法为后续的特征提取等研究打下了坚实基础。     

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.