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。     

急性心肌缺血的动态关联维数

已有的研究成果表明，冠心病患者心脏各导联心电图(ECG)的关联维数D2比正常人均有不同程度的下降。为了进一步研究心肌缺血情况、导联位置和关联维数变化的关系，本研究设计了6只兔子急性心肌缺血实验模型，计算了其不同时间段的12导同步ECG，作出关联维数一时间(D2-T)曲线，结合电生理和解剖学知识，研究了实验结果，发现急性心肌缺血初期ECG的D2值具有动态变化特性，其原因在于心血管中存在代偿作用。ECG的D1的变化反映了单一化的心脏传输网络系统的非线性复杂性的变化。将此结论由动物推广到人，可以为临床上运用D2值分析心肌缺血病症严重程度提供理论指导。     

利用K-L域惩罚加权最小均方平滑对低剂量CT投影数据进行噪声滤除

通过对校准的低剂量CT投影数据的噪声特性进行分析，发现该噪声可用高斯分布近似，但其方差与信号本身有关，且信号与方差间的关系是非线性的，基于上述发现，我们选择惩罚加权最小均方平滑架构作为此类问题的最优解法之一。该方法可利用均值-方差间关系等先验知识来构造加权矩阵，并利用二维局部空间信息来构造惩罚项或正则算子，同时，为了进一步利用不同解度或切片间的空间相关关系，我们首先对投影数据沿角度或切片方向进行K-L变换，然后再对变换后的投影数据进行惩罚加权最小均方平滑，从而亦使原来的三维滤波问题简化为二维滤波过程，通过选择适当的领域，K-L域惩罚加权最小均方平滑方法可充分利用先验统计知识及三维空间信息，对被噪声污染的低剂量CT投影进行更为准确的恢复。实验结果表明，当选取适当的控制参数，在投影数据的噪声滤除效果上，上述方法远较传统的低通滤波器为优。     

基于小波神经网络的心电信号滤波研究

针对心电(ECG)信号检测中存在的主要噪声,本文研究了基于小波神经网络(WNN)的ECG信号滤波理论。提出一种通过WNN非线性逼近能力构建的针对ECG信号的非线性滤波器算法和滤波策略,实现对ECG信号中基线漂移、肌电干扰、工频干扰噪声的滤除;给出了网络训练算法和滤波实验,滤波后信号与期望信号误差范围在微伏级,验证了本文提出的基于WNN的心电非线性滤波器对心电主要噪声快速滤波的良好效果,最后讨论了影响WNN用于心电滤波的几个关键问题。     

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。     

同步十二导联常规心电图信号的非线性动力学特性分析

本文采用非线性动力学方法对同步十二导联常规心电信号（Electrocardiogaram;ECG)进行了研究，计算了每一导联心电图信号的关联维数D2，发现不论健康人还是冠心患者（CHD），心电信号表现出强烈的混沌动力学特征，从不同导联得出的D2值不同，同一导联相比较，除Ⅰ、Ⅱ、Ⅲ导联外，冠心病患者的D2显著低于正常人的D2值，显示在心肌缺血的情况下，心脏ECG吸引了的复杂程度降低了，结果表明，D2可以区别正常人与冠心患者，也可以确定病变部位提供有价值的诊断信息。     

基于非线性时间序列分析的胎儿心电信号提取

研究一种基于非线性时间序列分析的方法——非线性状态空间局部投影消噪算法来提取胎儿心电信号,在对胎儿心电信号进行分析的基础上提出胎儿心电提取的基本方案,采用改进的虚假邻点法及自相关函数法确定嵌入维数m及延迟时间τ,并对邻域半径r及局部嵌入流形维数Q的选取进行了说明。通过对实际母婴混合信号的仿真实验,验证了该方法的有效性。     

基于一种插值算法的金球位置追踪方法

目的:建立一种算法,从低空间分辨力二维电离室矩阵测得的预埋有金球的穿过模体的剂量分布中读取金球投影位置坐标。方法:(1)利用Octavius 729二维电离室矩阵测得穿过埋有金球的模体的剂量分布;(2)采用一种插值算法将得到的低空间分辨力的剂量分布转换成高空间分辨力的剂量分布;(3)在得到的高空间分辨力的剂量分布上自编算法读取模体内金球投影位置坐标;(4)将得到的金球投影位置坐标与用高空间分辨力EPID图像得到的金球投影位置坐标进行比较。结果:在模体中共有3个金球,在机架角为0°条件下进行测量,计算得到3个金球的投影位置坐标,与金球实际投影位置坐标的最大偏差为2.5 mm,最小偏差为0.1 mm。结论:该插值算法及所编软件可以用于低空间分辨力二维电离室矩阵读取预埋于体内金球的投影位置识别,且软件操作方便快捷,结果可靠。     

基于多分辨分析与连续小波变换提取和分析兔体感诱发电位

研究单次提取兔体感诱发电位,并定位和分析诱发电位波形成分。麻醉兔,以0.5Hz频率电脉冲刺激兔下肢隐神经,3764Hz采样率收集兔头皮电位。采用一维多分辨分析提取兔体感诱发电位,并用连续小波变换定位和分析诱发电位波形成分。单次诱发电位的小波变换与叠加平均诱发电位比较,表明Daubechies小波多分辨分析可以单次提取诱发电位。连续小波变换能够精确定位诱发电位中波形成分,并可采用连续小波变换分析诱发成分的频域特性。连续小波变换技术把一维时域信号投影到二维时频空间研究将成为医学信号处理的一个有用方法。     

Cardiac arrhythmia classification using neural networks.

In this paper, ECG arrhythmia classification using principal component analysis is proposed. Hebbian neural networks are used for computing the principal components of an ECG signal. This provides an unsupervised feature extraction, dimension reduction and an improved computing efficiency. Results from 14 pathological records obtained from the MIT ECG database demonstrate the capability of this method in differentiating between five different types of arrhythmia despite the variations in signal morphology. An average value for classification sensitivity and positive predictivity were found to be Se% = 98.1% and +P% = 94.7% respectively.     

小波变换去除心电信号中呼吸信号干扰

目的 研究用小波变换去除心电图信号中呼吸信号的方法。方法 采用db4小波对采样频率为200Hz的心电图信号作离散小波变换的多层分解，并与呼吸信号的频率成分比较，发现呼吸信号分布在心电图信号分解后第8、9、10层细节中，去除这些成分和高频干扰，对剩下的分量重构。结果 比较成功地纠正了心电信号的基线，去除了低频呼吸信号的干扰。结论 小波变换的方法能够去除心电信号中的呼吸信号干扰。     

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。     

Characterisation of electrocardiogram signals based on blind source separation

Blind source separation assumes that the acquired signal is composed of a weighted sum of a number of basic components corresponding to a number of limited sources. This work poses the problem of ECG signal diagnosis in the form of a blind source separation problem. In particular, a large number of ECG signals undergo two of the most commonly used blind source separation techniques, namely, principal component analysis (PCA) and independent component analysis (ICA), so that the basic components underlying this complex signal can be identified. Given that such techniques are sensitive to signal shift, a simple transformation is used that computes the magnitude of the Fourier transformation of ECG signals. This allows the phase components corresponding to such shifts to be removed. Using the magnitude of the projection of a given ECG signal onto these basic components as features, it was shown that accurate arrhythmia detection and classification were possible. The proposed strategies were applied to a large number of independent 3s intervals of ECG signals consisting of 320 training samples and 160 test samples from the MIT-BIH database. The samples equally represent five different ECG signal types, including normal, ventricular couplet, ventricular tachycardia, ventricular bigeminy and ventricular fibrillation. The intervals analysed were windowed using either a rectangular or a Hamming window. The methods demonstrated a detection rate of sensitivity 98% at specificity of 100% using nearest neighbour classification of features from ICA and a rectangular window. Lower classification rates were obtained using the same classifier with features from either PCA or ICA and a rectangular window. The results demonstrate the potential of the new method for clinical use.     

Separation of electrocardiographic and encephalographic components based on signal averaging and wavelet shrinkage techniques

During ambulatory monitoring, it is often required to record the electroencephalogram (EEG) and the electrocardiogram (ECG) simultaneously. It would be ideal if both EEG and ECG can be obtained with one measurement. We introduce an algorithm combining the wavelet shrinkage and signal averaging techniques to extract the EEG and ECG components from an EEG lead signal to a noncephalic reference (NCR). The evaluation using simulation data and measured data showed that the normalized power spectrum unvaried in all frequency bands for the EEG components, and the sensitivity and specificity of R-wave detection for the ECG component were nearly 100%.     

一种基于自适应的新滤波技术

在心电信号的采集过程中,不可避免地会混入肌电噪声和各种干扰信号,为节获得含有较小噪声的ＥＣＧ信号,便于分析,需要对采集到的ＥＣＧ信号作消噪处理。     

小波变换在心电信号滤波处理中的应用研究

介绍用小波实现心电图信号滤波处理的方法。该方法采用小波变换将原始心电信号分解为不同频段下的细节信号，去掉某些细节信号，再用小波逆变换恢复保留信号，就能实现心电信号的三种主要的消除。     

利用多导脑电序列的非线性分析测评精神负荷

精神负荷的研究对于改善工作环境和提高工作效率有着重要的意义，脑电、心电、呼吸等生理参数分析可以作为测评精神负荷的重要手段。本研究针对多导脑电提出了一种基于时间延迟和序列相关性的多导信号相空间重构的非线性动力学分析方法。对仿真数据的研究表明这种重构方法在信号的确定性和相关维数计算中具有良好的性能。试验脑电数据的关联维数计算和精神负荷水平的变化具有很强的一致性。结果表明该方法适用于多导脑电序列的非线性分析并可作为测评精神负荷的重要依据。     

Separation of EEG and ECG components based on wavelet shrinkage and variable cosine window

During ambulatory monitoring, it is sometimes required to record an electroencephalogram (EEG) and an electrocardiogram (ECG) simultaneously. It would be ideal if both EEG and ECG could be obtained with one measurement. Here, we introduce an algorithm that combines the wavelet shrinkage and variable cosine window operation to separate the EEG and ECG components from an EEG signal recorded with a noncephalic reference (NCR). Evaluation using simulated data and actual measured data showed that accurate frequency analysis of EEG and an R-R detection-based heart rate analysis were feasible with our proposed algorithm, which improved the signal-averaging based algorithm so that ECG components containing ectopic beats can be applied.     

Separation of EEG and ECG components based on wavelet shrinkage and variable cosine window

During ambulatory monitoring, it is sometimes required to record an electroencephalogram (EEG) and an electrocardiogram (ECG) simultaneously. It would be ideal if both EEG and ECG could be obtained with one measurement. Here, we introduce an algorithm that combines the wavelet shrinkage and variable cosine window operation to separate the EEG and ECG components from an EEG signal recorded with a noncephalic reference (NCR). Evaluation using simulated data and actual measured data showed that accurate frequency analysis of EEG and an R-R detection-based heart rate analysis were feasible with our proposed algorithm, which improved the signal-averaging based algorithm so that ECG components containing ectopic beats can be applied.