基于小波包变换的特征提取方法分析fMRI数据

多尺度特征提取(MFE)利用时频特性各异的小波变换尺度分割fMRI数据的频谱,藉此准确提取激活信号和去除干扰。但在多尺度分析中,小波包变换较小波变换分割频带更精细,因此更适合MFE分析fMRI数据。为此,基于小波包变换构建新的MFE,并设计小波包的矩阵算法代替逐体素的迭代算法快速提取激活信号,后用相关分析进行检测。分析听觉fMRI试验数据的结果表明,新MFE检测的激活区位置与原有MFE和国际权威方法统计参数图(SPM8)检测的位置相同,但检测的激活体素个数较原有MFE多13.2%,较SPM8多30.8%。而且新MFE采用矩阵算法分析听觉数据仅消耗31 s,采用逐体素迭代算法耗时48.5 min,SPM8耗时77 s。因此,小波包变换和矩阵算法赋予MFE更好的性能分析fMRI数据。     

基于小波包变换的医学图像融合方法

为满足医学图像临床辅助诊断和治疗的需要,将小波包变换和自适应算子相结合,提出一种新的医学图像融合算法.算法首先对已配准的医学图像进行小波包分解,并采用自适应算子对小波系数及分解子图像进行处理,通过小波包重建,获得高质量的医学融合图像.该方法克服了小波变换不能兼顾图像高频成分的缺陷,并且可以根据不同的医学图像自动调整融合规则的权重系数,有效避免了设置固定权重系数造成的融合误差.实例融合仿真验证了算法的有效性和先进性.     

基于小波与小波包分析的CT图像去噪研究

目的:小波与小波包分析在医学CT图像噪声抑制方面的应用价值研究。方法:采用MATLAB6.5对512×512的CT图像进行实验。提出了小波局部阈值软硬函数折中消噪方法。并将此方法与小波强制消噪、全局阈值硬函数消噪、全局阈值软函数消噪、及小波包消噪的方法进行了对比。结果:从实验中可以得出小波包消噪效果最好,能够有效的滤除图像中的噪声且边缘效果保持良好,本文提出的小波局部阈值软硬函数折中消噪法也能能够有效的滤除图像中的噪声,效果较小波强制消噪、全局阈值硬函数消噪、全局阈值软函数消噪要好,但是边缘效果及噪声滤除的程度都不及小波包。结论:实验结果表明本文提出的小波局部阈值软硬函数折中消噪方法在小波消噪方面具有一定的价值。     

基于小波包变换的癫痫心电信号特征提取

目的:针对癫痫病的检测,从脑电中获取癫痫特征是传统的方法,但是,心电与脑电相结合的诊断方式是未来医疗卫生事业的重要发展方向,所以利用心电信号表征癫痫信息是一个值得研究的课题。方法:小波包变换为心电信号提供了一种十分精细的分析方法,它实现了信号能量在等宽频带上的分解。首先对单周期样本心电信号进行多层小波包分解,重构各个结点的分解系数并提取结点的能量;然后运用最小二乘法对结点能量值进行十次曲线拟合,并提取曲线中的能量极大值点。结果:在0 Hz到0.65 Hz频带内,癫痫心电样本的能量极大值点的频率位置集中在四个特征频带内,而其它心电样本的能量极大值点大部分分布在这四个频带范围以外,这为癫痫病的检测提供了良好的分类特征,实验结果表明本文算法对癫痫病具有较高的识别率。结论:心电信号易于检测且硬件成本低,在医疗中的应用十分频繁,本文算法能够方便的从心电信号中获取癫痫信息,这为癫痫病的检测与诊断提供了一条十分实用的途径。     

基于小波包变换的心电图ST段提取

目的:ST段是心电图的重要组成部分,其起始于心电图QRS波群的结束点并结束于T波的开始点。ST段的压低、分上斜形和下垂形压低、水平压低和以及鱼钩样改变都可以反映各种心脏疾病,所以,精确提取心电图ST段具有重要意义。因此,本文提出了基于小波包变换的心电图ST段精确提取算法。方法:首先对心电图信号进行去噪处理,滤去工频干扰信号以及基线漂移信号;然后,提取单周期的心电图信号;最后,引入小波包变换算法提取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。结果:本文算法在时域心电图上实现了ST的精确定位,提取了心电图的ST段。通过在经典数据库中的验证,本文算法具有非常好的表现。结论:实验结果表明,相较传统的对心电图加时间窗的方式提取ST段,本文算法可以精确提取心电图ST段,这为心电图ST段的自动精确识别,以及用于自动医疗检测与便携式医疗设备提供了依据。     

基于小波变换的医学图像编码方法

高分辨率的医学图像具有很大的信息量,影响了整个数字化的远程医疗系统的实时性,因此必须在保证不丢失关键诊断信息的前提下,对医学图像进行必要的压缩.本文提出了在给定小波基下,基于二维小波分解和重构的快速压缩方法.该方法使用了向量量化技术并采用LBG算法设计码本.实验结果证明,采用该方法可获得较高的压缩比和符合诊断要求的压缩图像.     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

多尺度样条小波变换

本文基于数学样条理论提出了一种新的多尺度小波变换，通过其模极值或零交叉可以有效地提取信号的特征。本文给出了该小波变换相应的分解和重建快速算法及其时域、频率响应，并验证了三次Ｂ样条小波变换在特征提取等实际应用中是渐近最优的。     

基于混合小波变换的瞬态信号检测方法

探讨了信号的小波变换与匹配滤波的关系,指出小波变换（WT）实际上就是可变检测模板的匹配滤液过程。根据这一思想,提出了基于混合小波的信号检测方法。本文中,“混合小波变换”是指在小波分解和重构中分别使用不同的基本小波。其中分解小波用于实现可变模板的信号检测,重构小波则用以增强被检测信号的特征。我们用该方法对实测脑电信号（EEG）中瞬态脉冲干扰进行检测。实验结果表明该方法能有效地检测出EEG中的瞬态脉冲。     

基于小波包变换的肌电信号去噪研究

肌电信号的检测与分析对临床诊断以及康复医学具有重要意义.肌电信号的特点是强噪声背景下的生物信号,对肌电信号的检测和提取具有一定的难度.我们针对肌电信号的特点以及与噪声的关系,采用小波包变换的方法进行去噪研究.通过仿真以及在自主开发的便携肌电诱发电位测量系统中的应用,说明该方法对肌电信号的去噪是有效的.     

基于连续小波变换的中医脉象信号处理

应用连续小波变换的一般算法和梅林算法分析了 15例海洛因吸毒者和 15例正常人的脉象信号。两种算法均在 4个尺度下 ,对每一例脉象信号进行了处理 ,从两种算法分析的结果均发现 ,在 0 .2～ 0 .4 s时间间隔内 ,海洛因吸毒者和正常人脉象信号的连续小波变换系数间存在显著差异 ,并为每一算法提出了用于划分海洛因吸毒者与正常人的临界参数。研究结果表明 ,连续小波变换是处理脉象信号的有效方法     

基于提升格式整数小波变换的超声图像压缩算法

本文提出了一种基于提升格式整数小波变换和改进的SPIHT编码(多级树集合分裂算法)的医学超声图像压缩算法.在压缩对象选择和小波变换方面充分考虑了超声扫描线图像的分辨率特性.与基于Mallat小波变换的标准SPIHT编码算法相比,本文算法在压缩比和重建图像峰值信噪比至少不降低的情况上,运算时间不到前者的40％,内存消耗也大大减小,因而更适合于实时图像压缩.     

基于小波变换的脉搏波信号去噪

人体脉象信号是一种信噪比较低的非平稳随机信号,在分析脉象信号之前去噪是一项十分重要的工作。针对小波变换中的阈值法进行公式上的改进,并利用ZM—ⅢC型智能化中医脉象仪采集到的亚健康人群左关外桡动脉脉搏信号进行去噪处理,实验结果表明,改进后的阈值法可以取得更好的去噪效果。     

小波包变换在消除心电图基线漂移方面的研究

本文提出一种利用小波包变换逼近信号消除心电图ECG基线漂移噪声的方法。该方法的基本思想是：通过对ECG信号进行多分辨率分析，利用所得到的一段或几段逼近信号充分逼近ECG信号中的基线漂移噪声的特性。从而消除某线漂移分景。通过实际记录的验证，该方法在不损害信号的其他成分下具有良好的效果。     

基于小波变换的QRS波群实时检测算法

本文研究了基于小波变换方法的心电信号QRS波群检测算法,通过对心电信号进行低通滤波、小波变换、差分平滑、阈值检测和修正策略等技术,提高了QRS波群的检测率.经MIT-BIH心律失常心电数据库全部48例数据的检验,QRS波检测灵敏度达99.82%,真阳性率达99.52%.在Windows环境下可实时实现.     

基于小波变换的吞水音信号分析算法的研究

目的:吞水音信号的处理和特征提取。方法:本论文利用小波阈值算法对吞水音信号进行处理;并且通过带通滤波,利用小波变换的多分辨率分析对信号进行分析。结果:通过信号处理前后对比和分析,小波变换对吞水音信号的处理是有效的;并提出用咽部到贲门后音节的时间代替吞程来作为诊断的一个参数。结论:吞水音的分析在贲门癌的诊断中具有重要价值,利用小波变换,可以有效地对信号进行处理和分析,有助于贲门癌的诊断。     

基于小波变换和矢量量化的二维ECG数据压缩算法

本研究针对心电数据的压缩问题,提出了一种新的基于小波变换的二维心电（ECG）数据压缩算法。该算法首先将一维原始ECG信号转化为二维序列信号,从而使ECG数据的两种相关性可得到充分地利用;然后对二维ECG序列进行小波变换,并对变换后的系数应用了一种改进的矢量量化（VQ）方法。在改进的VQ方法中,根据小波变换后系数的特点,构造了一种新的树矢量（TV）。利用本算法与已有基于小波变换的压缩算法和其他二维ECG信号的压缩算法,对MIT/BIH数据库中的心律不齐数据进行了对比压缩实验。结果表明：本算法适用于各种波形特征的ECG信号,并且在保证压缩质量的前提下,可以获得较大的压缩比,具有一定的应用价值。     

基于小波变换的听觉脑机接口技术研究

基于听觉的脑机接口系统为视力减退或者无法控制眼球运动的闭锁综合症患者提供了一种新的交流通道,使其可以与外界环境进行简单的交流.为了实现在线二分类听觉脑机接口系统,采用包含两种靶刺激、一种非靶刺激的三音oddball范式作为听觉刺激,通过一维离散小波变换对所得脑电数据进行单次样本特征提取,选取低频的特征向量,并采用支持向量机(SVM)进行目标与非目标的识别.结果表明,利用小波变换可以有效地单次提取特征向量P300,相当于20次靶刺激响应的叠加结果,最终目标识别正确率可高达80％以上,达到与视觉诱发的BCI模式可比的效果,可以用于二分类的脑机接口系统.     

基于小波变换的T波检测算法研究

T波检测是心电图（ECG,electrocardiogram）分析的难点。本文首先对T波形态进行了细致的分类,然后提出了一个排除u波的方案,以减少u波对T波检测构成的干扰,进一步提高T波特征点检测的准确性。最后利用QT数据库里的专家手工标注对算法的性能进行验证,检测结果基本可以达到人工标注的水平。