人体结肠压力信号的HHT分析

结肠测压技术可以提供结肠动力活动的信息.是广泛使用的评价消化道功能的检查手段.但是人体结肠压力信号具有明显的非平稳性,并且测量时难以避免外界的高频干扰,传统的时域观察或者频域分析很难对测压结果进行准确的分析.本文采用希尔伯特-黄变换(HHT)对临床采集的28例结肠压力信呼进行分析.先将人体结肠压力信号通过经验模式分解(EMD)方法分解为一系列自适应的固有模式函数(IMF),然后判断并提取出其中主要的分量c3,对其进行Hilbert变换,得出时间-频率-幅值(能量)表示的三维Hilbert时频谱及其边际谱,真实准确地反映出结肠压力信号蕴含的特征信息.依据来自于医学上现有的结肠动力理论进行分析判断,结果表明,这种分析方法对于区分出正常(5例)和异常(23例)人体结肠压力信号有明显的作用.结果符合现有理论,说明HHT是一种分析结肠压力信号的有效方法.     

基于HHT边际谱熵和能量谱熵的心率变异信号的分析方法

基于希尔伯特-黄变换(HHT)理论,依据广义信息熵的概念,提出基于HHT边际谱熵和能量谱熵的概念和熵分析方法。对常规信号和混沌时间序列信号进行复杂性研究,结果表明本方法在刻画信号复杂度变化、抗脉冲干扰方面优于Lempel-Ziv复杂度和功率谱熵方法。将其应用于MIT-BIH标准数据库的实际心率变异(HRV)信号分析,结果显示HHT边际谱熵和能量谱熵能从HRV信号中敏感地检测出生理和病理状态的变化,统计学分析优于传统的功率谱熵方法,为临床HRV信号及其他复杂生理信号的分析提供一种有效的分析方法。     

人造机械瓣心音的分析研究

在一些致命性心脏病的诊断中,心音听诊是最有效也是应用得最成功的手段之一.鉴于目前机械瓣的使用非常普遍,研究简单有效的机械瓣病变判别方法对于临床诊断来讲具有重要意义.运用希尔波特-黄变换(HHT),针对不同的机械瓣心音进行分析,并设计一种基于Hilbert边界谱特征的提取方法,结合线性判别分析(LDA),对不同的机械瓣心音进行分类.同时,与基于局部最优基特征的分类器分类结果进行比较.分析结果表明,机械瓣心音的各阶Hilbert边界谱具有非常明显不同的分布,基于HHT的分类器识别率达到了97.3％,较基于局部最优基特征分类器的识别率(91.3％)更高.对于人造机械瓣心音而言,HHT是一种有效的分析处理手段.     

基于希尔伯特-黄变换人步行状态髋关节角度信号的分析方法

目的提出一种基于希尔伯特-黄变换(Hilbert-Huang transform,HHT)分析人步行状态髋关节角度信号的方法,并验证其可行性。方法首先,利用加速度传感器与陀螺仪组成的髋关节角度测量平台,测量健康人步行状态髋关节角度。其次,对此信号进行集合经验模态分解(ensemble empirical mode decomposition,EEMD),得到各本征模态函数(intrinsic mode functions,IMF),再对不同尺度的模态函数进行分析与组合。最后,对原信号进行Hilbert谱分析。结果得到反映运动模式的特征信号以及髋关节旋转轨迹所表示的步态特征。Hilbert谱显示出主运动模式内的波内频率调制现象与步频特征。结论此方法适用于步态疾病患者的康复与治疗,可以有效地将髋关节角度信号不同频率尺度的特征信号进行分解,实现中心修正与滤波,达到自适应分析患者步态信号的目的。     

基于时频混合域局部统计的帕金森病语音障碍分析方法研究

针对帕金森病语音检测问题,本文提出了一种基于时频混合域局部统计的帕金森病语音障碍分析方法。该方法首先将语音信号从时域转化为时频混合域,即进行时频化表示。在时频化表示方法中将语音信号进行分帧处理,再将每帧的语音进行傅里叶变换,通过计算得到能量谱,并将能量谱通过映射关系映射到图像空间进行可视化;其次统计信号每个能量数据在时间轴上和频率轴上的差分值,根据差分值计算该能量的梯度统计特征,用梯度统计特征来表示其不同时域与频域的能量值的突变情况;最后利用KNN分类器对提取的梯度统计特征进行分类。本文在不同的帕金森病语音数据集上进行实验,发现本文所提取的梯度统计特征在分类时有更强的聚类性。与基于传统特征与深度学习特征的分类结果相比,本文所提取的梯度统计特征在分类准确率、特异性和灵敏性上均优于前二者。实验证明了本文所提出的梯度统计特征在帕金森病语音分类诊断中的可行性。     

基于HHT人步行状态髋关节角度信号的分析方法

目的 提出一种基于希尔伯特-黄变换（Hilbert-Huang transform,HHT）分析人步行状态髋关节角度信号的方法 ,并验证其可行性。方法 首先,利用加速度传感器与陀螺仪组成的髋关节角度测量平台,测量健康人步行状态髋关节角度。其次,对此信号进行集合经验模态分解（ensemble empirical mode decomposition, EEMD）,得到各本征模态函数（intrinsic mode functions, IMF）,再对不同尺度的模态函数进行分析与组合。最后,对原信号进行Hilbert谱分析。结果 得到反映运动模式的特征信号以及髋关节旋转轨迹所表示的步态特征。Hilbert谱显示出主运动模式内的波内频率调制现象与步频特征。结论 此方法 适用于步态疾病患者的康复与治疗,可以有效地将髋关节角度信号不同频率尺度的特征信号进行分解,实现中心修正与滤波,达到自适应分析患者步态信号的目的 。     

基于希尔伯特-黄变换的肌动图估计肌肉疲劳研究

肌动图(MMG)记录了肌纤维的低频侧向振动,表征了肌肉活动的力学特性。MMG信号可用于估计肌肉疲劳。希尔伯特-黄变换(HHT)作为一种时频分析方法,具有自适应性,适合于非线性、非平稳信号分析。本文利用HHT对上肢肱二头肌等长收缩疲劳实验中记录的MMG信号进行分析,提取计算瞬时频率的最高值与最低值的差(频带值)作为特征量,以估计肌肉疲劳特性。实验结果表明,当肌肉完全疲劳以后,50%最大力矩值和70%最大力矩值情况下,频带比分别为0.431±0.607和0.286±0.218,说明肌肉疲劳以后,频率有了明显地下降。     

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.     

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.     

分频段Hilbert谱熵的心率变异信号分析方法

心率变异(HRV)信号分析对心脏系统疾病的辅助诊断、监护及评估有十分重要的意义。本研究将Hilbert谱分析方法和非线性熵分析方法相结合,提出了基于分频段Hilbert谱熵的HRV信号分析的新方法。依据Hilbert谱的时频多分辨率特性和HRV信号频谱特征,在不同频段计算HRV信号的Hilbert谱熵和加权表示的全频段谱熵。对HRV信号的生理因素按频段适当分离后进行Hilbert谱熵的分析,更有利于表征某些生理病理的特征。对MIT-BIH数据库中实际HRV信号分析表明,这两种熵值能有效地区分年轻人、老年人及房颤患者三个样本组和健康人、充血性心力衰竭患者两个样本组,统计性能优于普通的时频熵方法,为临床HRV信号分析提供了一种有效方法。     

基于HHT的生物电阻抗胃动力信号分析方法

目的 采用HHT时间序列分析方法处理从人体采集到的胃动力信号.方法 通过经验模态分解(EMD)技术将一非线性、非稳态过程的原始胃动力序列分解为一组内在模态函数(IMFs),对每一个IMF进行Hilbert 变换,得到信号的瞬时频率,然后选择与胃动力相关的频率成分,即0.03-0.06 Hz之间的IMF进行重构提取胃动力...     

Time-frequency characterization of atrial fibrillation from surface ECG based on Hilbert-Huang transform

In this paper, based on Hilbert-Huang transform (HHT), we develop a new non-invasive time-frequency analysis method to characterize the dynamic behaviour of atrial fibrillation (AF) from surface ECG. We first extract f waves from single-lead ECG records of AF patients using PCA analysis. To capture the non-stationary behaviours of AF signals at different time scales, we use HHT to find the Hilbert spectrum and instantaneous frequency (IF) distribution of residual signals from principal component analysis. Two important feature variables, namely mean IF (mIF) and index of frequency stability over time (IS), are derived from the IF distribution, and in combination will be able to effectively discriminate two different AF types: self-terminating and non-terminating termination. The proposed AF signal decomposition and analysis method will help us efficiently differentiate individual AF patients, advance our understanding of AF mechanisms, and provide useful guidelines for improving administration of AF patients, especially paroxysmal AF.     

Time-frequency characterization of atrial fibrillation from surface ECG based on Hilbert-Huang transform

In this paper, based on Hilbert-Huang transform (HHT), we develop a new non-invasive time-frequency analysis method to characterize the dynamic behaviour of atrial fibrillation (AF) from surface ECG. We first extract f waves from single-lead ECG records of AF patients using PCA analysis. To capture the non-stationary behaviours of AF signals at different time scales, we use HHT to find the Hilbert spectrum and instantaneous frequency (IF) distribution of residual signals from principal component analysis. Two important feature variables, namely mean IF (mIF) and index of frequency stability over time (IS), are derived from the IF distribution, and in combination will be able to effectively discriminate two different AF types: self-terminating and non-terminating termination. The proposed AF signal decomposition and analysis method will help us efficiently differentiate individual AF patients, advance our understanding of AF mechanisms, and provide useful guidelines for improving administration of AF patients, especially paroxysmal AF.     

基于HHT变换的SEMG信号中MUAP的数目估计

对表面肌电（SEMG）信号中单位动作电位（MUAP）的数目进行估计可为神经肌肉控制的理论研究和神经肌肉疾病的诊断开辟新途径,本文给出了一种基于Hilbert-Huang变换（HHT）的表面肌电信号中运动MUAP数目估计方法.通过对SEMG信号经验模态分解后的第一内禀模态函数分量进行瞬时频率分析,利用其瞬时频率极值点的计数即可估计出运动MUAP数目.仿真信号与真实信号的实验结果均表明,基于HHT的SEMG信号中MUAP的估计方法是有效的.     

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。     

HHT方法在脉搏波信号分析中的应用

目的采用HHT(Hibert-HuangTransformation)时间序列分析方法处理从人体采集到的脉搏波信号。方法通过经验模态分解(EMD)技术将一非线性、非稳态过程的原始离散数据序列分解为一组内在模态函数(IMFs),然后对每一个IMF进行HT变换,这样得到的信号幅度和瞬时频率都是时间的函数,即获得脉搏波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。这是一种更具适应性的、新型的、基于模态分解的时间序列数据处理方法。结果首先对一系列由标准的周期函数构造而成的时间序列信号进行了EMD处理,验证HHT方法分解的可行性、有效性;然后分别对一例正常人脉搏波信号和一例典型的冠心病人脉搏波信号进行分解处理,对得到结果进行了比较。结论HHT方法在生物医学信号处理领域将会有广阔的应用前景。     

Analysis of fatigue and tremor during sustained maximal grip contractions using Hilbert-Huang Transformation

The objective of this study was to evaluate muscle fatigue and tremor during a Sustained Maximal Grip Contraction (SMGC) using the Hilbert-Huang Transformation (HHT). Thirty-nine healthy subjects volunteered for the study and performed a 25-s SMGC. Fatigue parameters such as the relative force output (RFO) were calculated from the residual of SMGC after applying Empirical Mode Decomposition (EMD). Using the energy spectrum of the Intrinsic Mode Functions (IMF) obtained using HHT, isometric force tremor was identified from the 4 to 12 Hz region in IMF3 and IMF4. Data were analysed for five consecutive 5-s epochs to identify changes in fatigue and tremor over time. The HHT method was able to identify a greater resistance to fatigue in women compared to men (p≤0.05) and in non-dominant hands compared to dominant hands (p≤0.05). Consistent with the results for fatigue, women had less tremor than men (p≤0.05), while non-dominant hands trembled less than did dominant hands (p≤0.05). Higher levels of tremor were observed for non-fatigue-resistant subjects for both 10-15 s and 15-20 s epochs (p≤0.05). The HHT is an appropriate method to identify both fatigue and tremor during SMGC. It would be of interest to apply this method to the study the elderly or patients with neuromuscular disorders.     

Automated detection of perinatal hypoxia using time–frequency-based heart rate variability features

Perinatal hypoxia is a cause of cerebral injury in foetuses and neonates. Detection of foetal hypoxia during labour based on the pattern recognition of heart rate signals suffers from high observer variability and low specificity. We describe a new automated hypoxia detection method using time–frequency analysis of heart rate variability (HRV) signals. This approach uses features extracted from the instantaneous frequency and instantaneous amplitude of HRV signal components as well as features based on matrix decomposition of the signals’ time–frequency distributions using singular value decomposition and non-negative matrix factorization. The classification between hypoxia and non-hypoxia data is performed using a support vector machine classifier. The proposed method is tested on a dataset obtained from a newborn piglet model with a controlled hypoxic insult. The chosen HRV features show strong performance compared to conventional spectral features and other existing methods of hypoxia detection with a sensitivity 93.3 %, specificity 98.3 % and accuracy 95.8 %. The high predictive value of this approach to detecting hypoxia is a substantial step towards developing a more accurate and reliable hypoxia detection method for use in human foetal monitoring.     

基于Hilbert-Huang变换的医学超声信号去噪

目的:探求一种基于Hilbert-Huang变换的医学超声信号去噪方法。方法:提出了一种基于Hilbert-Huang变换的医学超声信号去噪方法。首先对含噪超声信号进行经验模式分解,得到各阶IMF分量,然后对高频的IMF分量用阈值方法进行处理,把经过阈值处理的高频的IMF分量和低频IMF分量进行叠加,得到重构的去噪信号。结果:仿真实验表明,基于Hilbert-Huang变换的医学超声信号去噪方法可以有效地降噪。结论:Hilbert-Huang变换的医学超声信号去噪方法在自适应性和先验性方面优于基于小波的去噪方法。     

Towards classifying non-segmented heart sound records using instantaneous frequency based features

Abstract

Heart sound and its recorded signal which is known as phonocardiograph (PCG) are one of the most important biosignals that can be used to diagnose cardiac diseases alongside electrocardiogram (ECG). Over the past few years, the use of PCG signals has become more widespread and researchers pay their attention to it and aim to provide an automated heart sound analysis and classification system that supports medical professionals in their decision. In this paper, a new method for heart sound features extraction for the classification of non-segmented signals using instantaneous frequency was proposed. The method has two major phases: the first phase is to estimate the instantaneous frequency of the recorded signal; the second phase is to extract a set of eleven features from the estimated instantaneous frequency. The method was tested into two different datasets, one for binary classification (Normal and Abnormal) and the other for multi-classification (Five Classes) to ensure the robustness of the extracted features. The overall accuracy, sensitivity, specificity, and precision for binary classification and multi-classification were all above 95% using both random forest and KNN classifiers.