基于小波变换和独立分量分析的心室晚电位识别

由于晚电位(VLP)信号本身的复杂性以及生物个体差异,其检测的敏感性和特异性还不太高.因此探索和完善晚电位分析方法 的研究很有意义.本文提出了一种结合小波变换WT(wavelet transform)和独立分量分析(independent component analysis,IEA)的VLP特征提取新方法--WICA.新方法的主要思路是先对心电信号进行小波变换.得到多导的小波变换系数序列,再对系数序列用ICA寻求解混阵W和分解出的晚电位独立分量.实验结果表明,WICA方法 在一定程度上能够克服传统方法检测分辨率较低的弱点,并能获得较好的VLP识别.     

基于小波包熵的与动作相关表面肌电信号的分类

目的:对与动作相关的表面肌电信号进行分类识别.材料与方法:与动作相关的表面肌电信号是从右手前臂肌群表面采集而来.用小波包变换将信号分解成16个等频带宽的的子空间.之后,计算每个子空间的相对小波包能量和每个信号的小波包熵.结果:正确识别率达到100%.结论:小波包熵能够作为与动作相关的表面肌电信号的特征值来识别不同的动作表面肌电模式.     

快速独立分量分析及其在脑电信号处理中的应用

独立分量分析(Independent Component Analysis, ICA)是一种基于信号统计特性的盲源分离方法,由于其分离的信号之间是互相独立的,所以在生物电信号去除干扰和伪迹、信号分离以及特征提取等方面有很大的潜在价值.本文提出了一种改进的快速ICA方法,提高了收敛速度.通过仿真,证明这种方法的优越性.最后利用该方法去除脑电中眼动伪迹,达到了较好的效果.     

独立分量分析及其在生物医学工程中的应用

独立分量分析（Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ,简记ＩＣＡ）是信号分解技术的新发展。ＩＣＡ与ＰＣＡ（主分量分析）或ＳＶＤ（奇异值分解）的主要不同是,后者分解得的各分量只是互不相关,而前者则要求各分量相互统计独立。体表测量得的信号往往包含若干相对独立的成分,因此采用ＩＣＡ技术来分解,所得结果往往更有生理意义,有利于 除干扰和伪迹。本文简短地回顾ＩＣＡ的基本原理,判据、算法     

独立分量分析及其在脑电逆问题中的应用

由大脑头皮电压推断大脑内活动源的信息，称之为脑电逆问题。脑电逆问题的解决对于脑认识功能的研究有重要的科学意义和临床应用价值。本首先对脑电逆问题及其主要解决方法作了简要介绍，然后介绍了独立分量分析(ICA)的工作原理、算法及其在脑电逆问题中的应用，分析了尚未解决的问题，提出ICA是一个在脑电逆问题中值得注意的研究方向。     

基于小波变换和独立分量分析相结合的癫痫脑电分析

临床上分析癫痫脑电信号非常重要。由于临床记录的癫痫脑电信号中含有大量的伪迹干扰,特别是肌电伪迹,所采集的脑电信号无法正确反映大脑的生理及病理状况。本研究利用小波变换的多分辨率特性和独立分量分析(ICA)的盲源分离特性,把用连续小波变换分解的脑电子带信号作为ICA输入,经ICA分离后,有效地消除了癫痫脑电中的肌电伪迹,并分离出了癫痫样特征波,效果理想。     

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。     

独立分量分析在神经元锋电位分类中的一种新应用

爆发式锋电位(Burst)是大脑神经元动作电位发放的一种常见形式,它在增强神经信号传递的可靠性以及形成突触可塑性变化等方面具有重要的作用。在细胞外记录的锋电位信号中,同源Burst也表现为幅值和波形都明显变化的一串高频发放序列,这给神经元序列的正确分类提出了难题。为了解决这个问题,本研究设计了一种四极电极记录的锋电位信号检测和分类方法。在阈值法检出锋电位的基础上,首先根据锋电位时间间隔指标检出候选Burst信号小段,然后利用独立分量分析(ICA)的盲源分离特性,区分每个小段信号中所包含的不同来源的锋电位,再用于最后的整体信号的锋电位聚类。实验记录数据和仿真数据的检验结果表明,该方法不仅能够将来自不同神经元的Burst和单发放锋电位正确分类;而且,由于ICA应用的对象是短时间的候选Burst信号,因此,即使对于4通道信号也能够满足ICA源信号数量小于记录信号通道数的限制条件,同时,短信号处理又避免了ICA计算量大等问题,为Burst的正确检测与分类提供了一种新方法。     

独立分量分析及其在生物医学工程中的应用

:独立分量分析 ( Independent Component Analysis,简记 ICA)是信号分解技术的新发展。ICA与 PCA(主分量分析 )或 SVD(奇异值分解 )的主要不同是 :后者分解得的各分量只是互不相关 ,而前者则要求各分量相互统计独立。体表测量得的信号往往包含若干相对独立的成分 ,因此采用ICA技术来分解 ,所得结果往往更有生理意义 ,有利于去除干扰和伪迹。本文简短地回顾 ICA的基本原理、判据、算法和其在生物医学工程中的应用 ,并作出展望及指出存在问题。     

独立分量分析及其在脑电信号预处理中的应用

作为盲源分离（blind source separation,BSS)的一种新的方法。独立分量分析（independent component analysis,ICA)受到国内外信息处理领域科技工作者的广泛关注,本文简要介绍了独立分量分析的基本思想及算法。并将独立分量分析用于脑电信号的预处理中,成功的分离出脑电信号中的心电干扰。     

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。     

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...     

基于小波能量熵特征的阻抗胃动力信号识别

采用生物电阻抗技术从人体上腹部体表提取的电阻抗信号,不但包含了常规的胃蠕动频率特征,而且携带有反映胃动力状况的更深层次的信息.提取并分析这些信息,对胃动力的检测与评价具有重要意义.对20名糜烂性胃炎患者的胃阻抗和胃电信号进行研究,经过小波滤波去噪后,进行多层小波包变换,计算小波能量熵并作为特征向量,采用3层BP神经网络进行模式分类.经一周治疗后,14名患者胃阻抗和胃电信号的小波能量熵值下降,以小波能量熵为特征向量的BP神经网络对治疗前后的识别正确率为80%.结果表明,小波能量熵能够从整体上表征胃动力信号时域和频域能量分布的复杂程度,可为胃肠病患者的疗效评价提供有效的特征描述.     

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。     

基于最佳小波包的表面肌电信号分类方法

针对表面肌电信号的分类问题，采用最佳小波包分解构造最能体现分类能力的小波包基。用Fisher线性判别分析对肌电信号各个子空间的相对能量特征进行降维处理，然后利用BP神经网络进行分类识别。实验表明该方法能够有效地从伸肌和屈肌采集的两道肌电信号中识别前臂内旋、前臂外旋、握拳和展拳四种运动模式，是一种稳定、有效的特征提取方法，为非平稳生理信号的分析提供了新的手段。     

The Study of Image Segmentation Based on the Combination of the Wavelet Multi-scale Edge Detection and the Entropy Iterative Threshold Selection

This paper proposes an image segmentation method based on the combination of the wavelet multi-scale edge detection and the entropy iterative threshold selection. Image for segmentation is divided into two parts by high- and low-frequency. In the high-frequency part the wavelet multiscale was used for the edge detection, and the low-frequency part conducted on segmentation using the entropy iterative threshold selection method. Through the consideration of the image edge and region, a CT image of the thorax was chosen to test the proposed method for the segmentation of the lungs. Experimental results show that the method is efficient to segment the interesting region of an image compared with conventional methods.     

表面肌电信号的时变AR模型参数估计及其在下腰痛评估中的应用研究

本文针对表面肌电信号的非平稳特性,采用时变参数AR模型对表面肌电信号进行分析,将线性非平稳问题转化为线性时不变问题,并采用递推最小二乘算法求解模型的时变参数.在此基础上,提出了结合奇异值分解进行参数优化,进而进行模式分类的方法.能够成功地区分下腰痛患者治疗前后的状态,为下腰痛的诊断、治疗与康复判定奠定了一定的基础.     

基于熵的动态收缩sEMG信号疲劳特征分析

频谱分析方法常被用来检测肌肉疲劳过程。本文将频率分析和非线性动力学方法结合起来，基于表面肌电（sEMG）信号在不同频率分布不均匀的特点将信号能量分解到不同频带。以此计算功率谱／小波包和熵相结合的功率谱熵／小波包熵来衡虽系统的复杂度，进而衡量肌肉的疲劳程度，为用EMG信号研究动态收缩过程中的肌肉疲劳程度提供了新的分析手段和方法。文中方法也适用于萁它生物医学信号的分析。