小波变换在心电信号特征提取中的应用

采用分段阈值和模极大值对斜率判据相结合的补偿策略,提出了一种精确提取QRS波群特征值的算法.经过对MIT/BIH心电数据库和临床实测的心电信号的大量实验,结果显示即使在有严重噪声干扰的情况下,运用本算法也很容易实现对QRS波群特征的有效提取,特别是对R波峰具有相当高的定位精度(其误差不超过一个采样点)和分析精度(没有累积误差).     

小波变换在表面肌电信号分类中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析。通过奇异值分解有效地提取信号特征进行模式识别,能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂摧旋、前壁外旋四种运动模式。实验表明,基于小波变换的奇异值分解方法是一种稳定、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。     

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。     

从24h心率变异性不同频段提取关联维数的初步研究

目的从24h心率变异性（HRV）的不同频段内提取关联维数（CD）进行分析,探讨该非线性指标包含的信息主要集中在哪个频段,进而对冠心病病人和健康人的数据进行研究。方法30例冠心病病人,其中男性16例,女性14例;年龄35-60岁,平均年龄51.3岁。24hHRV数据来自中国中医研究院望京医院。30例健康人,其中男性13例,女性17例;年龄33-62岁,平均年龄53.5岁。24hHRV数据来自MIT-BIH数据库。首先将24hHRV按照时间分成4段,从每段数据中提取CD;然后利用小波变换的分解和重构技术把24hHRV数据分成不同的频段,在不同频段内采用类似的方法分别提取4段时间数据的CD,将所得结果进行比较。结果在极低频段中提取的CD与小波分解前即全频段提取的CD具有较高的相似性;将冠心病病人与健康人在极低频段提取的CD进行比较,发现在下午时段,健康人CD的平均值大于冠心病病人。结论24hHRV的CD所反映的非线性信息主要包含在极低频段中;与冠心病病人相比,健康人在下午时段心血管系统的活动可能更复杂,对外界刺激的适应能力更强一些。该结论尚需进一步的研究结果加以支持。     

基于模糊自相似性的表面肌电信号分形分析

表面肌电信号(surface EMG,sEMG)是一种复杂的非线性信号.近年来,分形分析常被用来揭示这种非线性特征.本文采用一种基于模糊自相似性的分数维计算方法,来获取前臂执行四种动作时所对应的动作sEMG的分数维.结果表明,通过这种方法获得的分数维能够聚集在各自特定的范围内,并且,通过分形维能够区分部分动作sEMG.     

肌电信号的检测与分析方法

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，肌电信号的检测与分析方法主要可分为三大类，时域法，频域法和时域－频域法，本文对这三种方法的优劣与发展进行了综述和分析比较，并由此展望了电信号检测与分析方法的研究与应用前景。     

基于连续小波变换的心电信号特征提取及其仪器实现

介绍了一种用于心电信号的记录和识别的虚拟式测量和分析仪器系统，目的是要构建一种基于PC的虚拟仪器．能够实现十二导联心电信号的同步记录、同步整体观察及测量12导联同一心动周期的波形，从而提高心电参数测量的准确性。同时，由于Mexican hat小波特有的时域特性，对QRS波群具有很好的定位特性和分析精度，因此在本仪器中利用连续小波变换，选用Mexicanhat作为小波基，对心电信号中的特征信息进行精确检测，并给出准确的心电信号特征描述参数。对临床实测心电信号的分析表明，即使在有严重噪声干扰的情况下，本方法也很容易实现对心电信号特征信息的精确描述，并且具有很高的实时性，从而在本仪器中获得了实际和有效的应用。     

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。     

肌电信号的检测与分析方法

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。肌电信号的检测与分析方法主要可分为三大类：时域法、频域法和时域—频域法。本文对这三种方法的优劣与发展进行了综述和分析比较，并由此展望了肌电信号检测与分析方法的研究与应用前景     

表面肌电信号的分析和特征提取

背景:表面肌电信号的检测与分析对临床诊断人体功能状况以及患者康复具有重要意义。目的:对表面肌电信号的采集、信号处理、特征分析和特征值提取方面进行分析。方法:在人体屈伸肘部的过程中,选取人体上肢4块肌肉(肱三头肌,肘肌,肱二头肌,肱桡肌)分别检测表面肌电信号,对表面肌电信号进行陷波和带通滤波等预处理(优化)。在此基础上分析表面肌电信号的特征,并应用不同的特征值提取方法对优化后的表面肌电信号进行了特征提取。结果与结论:时域方法最早应用于肌电信号分析,易提取、方法简单;频域方法提取的特征值较稳定,使得频域方法成为肌电信号处理技术的主流;以小波变换为代表的时-频分析方法因结合了时域、频域两方法的特性,在肌电信号分析方面颇有潜力。     

用于脑瘫儿下肢康复装置的表面肌电信号特征提取方法研究

采用时域、频域、时频域和熵的特征提取方法,找到适合脑瘫儿表面肌电信号的特征提取方法.通过在训练过程加一个阻力得到四个不同肌肉活性的训练阶段数据,对数据进行预处理和特征提取,然后用因子分析法对所提取的特征进行分析,实验结果显示本研究所提出的时域、时频域和熵特征部分适用于脑瘫儿,频域特征不适用于脑瘫儿.本研究结果对脑瘫儿的康复训练有很大的帮助.     

特征优化在表面肌电模式识别中的作用

肌电信号是与神经肌肉活动有关的生物电的体现，其应用已逐步深入到生物医学的各个领域，肌电信号模式识别肌电应用的基础，本文在表面肌电模式识别中引入了特征优化环节，并讨论了其作用，通过对7个志愿者的实验研究表明，采用特征优化情况下，动作平均辨识可提搞近12％，结论表明，在没有增加原始信息的情况下，通过合适的特征优化处理可提高特征的可分性，从而提高动作模式的辨识率，这说明了特征优化在肌电信号模式分类中有重要作用，对其在康复控制等实验应用场合产生积极影响。     

基于肌电特征提取的智能电刺激仪

为了改善常规电刺激仪的刺激参数不准确、缺少主动治疗模式等缺陷,设计开发了生物反馈式智能电刺激仪。将肌电反馈控制与电刺激相结合,对患者运动肌群的电信号进行无创测量和特征值提取,以肌电特征值作为反馈量控制电刺激仪的输出。创新地实现了基于Delta-sigma技术的肌电信号特征提取及肌电反馈控制,可准确获取肌电特征值,实现了电刺激治疗的智能化,促使患者主动参与训练和治疗;采用刺激电流双向检测技术和可编程式触摸屏人机交互,使刺激参数准确量化。经实验可知:仪器已达到设计要求,实现了既定的功能。     

基于特征提取的脑部医学图像配准研究

目的 基于特征的配准算法具有鲁棒性强、针对性好等显著优势,在图像配准领域被广泛应用,但是该类方法的精度受图像间特征构建和环境噪声影响大,该研究旨在对其缺点进行改进。方法 该研究基于SURF和ORB两种算法,提出了SURF-ORB算法,将参考图像与待配准图像分成上下两部分分别配准。在配准过程中,首先对SURF提取的图像特征点的Harris响应值进行优化,并使用灰度质心法确定特征点主方向。然后计算rBRIEF（旋转BRIEF）描述子,并使用汉明距离进行特征点匹配。最后加入RANSAC精匹配算法,剔除误匹配点。结果和结论 该研究通过对比分析SURF、ORB、SURF-ORB这3种算法的配准结果、抗噪声能力及多模态配准能力,验证了SURF-ORB算法具有较高的配准精度、配准速度和抗噪声能力。文章的创新之处该研究首次将SURF和ORB两种算法进行结合并应用于脑部横断面图像。     

基于最大散度的特征搜索算法用于心搏分类的研究

在对心电图进行离散小波变换获得特征空间的基础上,提出了基于最大散度的特征搜索算法.对特征空间进行搜索得到不同维数下的优化特征组合,通过研究这些优化特征组合的散度值随维数的变化趋势,最终确定特征向量的特征构成,并以此特征向量训练BP神经网络.取自MIT-BIH数据库的四类心电图(正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏和起搏心搏)的分类正确率达到93.9%,检出率较高.     

Diagnosing Aortic Valve Stenosis by Parameter Extraction of Heart Sound Signals

The objective of this study was to develop an automatic signal analysis system for heart sound diagnosis. This should support the general practitioner in discovering aortic valve stenoses at an early stage to avoid or decrease the number of surgical interventions. The applied analysis method is based on classification of heart sound signals utilising parameter extraction. From the wavelet decomposition of a representative heart cycle as well as from the Short Time Fourier Transform (STFT) and the Wavelet Transform (WT) spectra new time series were derived. In several segments, parameters were extracted and analysed. In addition, features of the Fast Fourier Transform (FFT) of the raw signal were examined. In this study, 206 patients were enrolled, 159 with no heart valve disease or any other heart valve disease but aortic valve stenosis and 47 suffering from aortic valve stenosis in a mild, moderate or severe stage. To separate the groups, a linear discriminant function analysis was applied leading to a reduced parameter set. The introduced two classification stage (CS) system for automatic detection of aortic valve stenoses achieves a high sensitivity of 100% for moderate and severe aortic valve stenosis and a sensitivity of 75% for mild aortic valve stenosis. A specificity of 93.7% for patients without aortic valve stenosis is provided. The developed method is robust, cost effective and easy to use, and could, therefore, be a suitable method to diagnose aortic valve stenosis by general practitioners.     

Feature Extraction for Systolic Heart Murmur Classification

Heart murmurs are often the first signs of pathological changes of the heart valves, and they are usually found during auscultation in the primary health care. Distinguishing a pathological murmur from a physiological murmur is however difficult, why an “intelligent stethoscope” with decision support abilities would be of great value. Phonocardiographic signals were acquired from 36 patients with aortic valve stenosis, mitral insufficiency or physiological murmurs, and the data were analyzed with the aim to find a suitable feature subset for automatic classification of heart murmurs. Techniques such as Shannon energy, wavelets, fractal dimensions and recurrence quantification analysis were used to extract 207 features. 157 of these features have not previously been used in heart murmur classification. A multi-domain subset consisting of 14, both old and new, features was derived using Pudil’s sequential floating forward selection (SFFS) method. This subset was compared with several single domain feature sets. Using neural network classification, the selected multi-domain subset gave the best results; 86% correct classifications compared to 68% for the first runner-up. In conclusion, the derived feature set was superior to the comparative sets, and seems rather robust to noisy data.     

A Wavelet Packet-Based Algorithm for the Extraction of Neural Rhythms

Neural rhythms are associated with different brain functions and pathological conditions. These rhythms are often clinically relevant for purposes of diagnosis or treatment, though their complex, time-varying features make them difficult to isolate. The wavelet packet transform has proven itself to be versatile and effective with respect to resolving signal features in both time and frequency. We propose a signal analysis technique, called neural rhythm extraction (NRE) that incorporates wavelet packet analysis along with a threshold-based scheme for separating rhythmic neural features from non-rhythmic ones. We applied NRE to rat in vitro intracellular recordings and human scalp electroencephalogram (EEG) signals, and were able to isolate and classify individual neural rhythms in signals containing large amplitude spikes and other artifacts. NRE is capable of discriminating signal features sharing similar time or frequency localization, as well as extracting low-amplitude, low-power rhythms otherwise masked by spectrally dominant signal components. The algorithm allows for independent retention and reconstruction of rhythmic features, which may serve to enhance other analysis techniques such as independent component analysis (ICA), and aid in application-specific tasks such as detection, classification or tracking.     

超声多普勒血流信号的小波特征提取及分类

利用小波变换对超声多普勒血流信号的最大频率曲线进行多尺度分析， 并从时间－尺度图上提取出模极大值的变化曲线。将这种方法应用到颈动脉血流的分析中，发现：该曲线对于脑血管床正常和异常的病例具有不同的形态。通过对该曲线进行多项式拟合，并将拟合的系数作为非线性变换单元组成的前馈网络（BP网络）的输入进行分类，临床试用效果良好，表明该方法为临床诊断脑血管疾病提供了一个新的依据。     

Feature extraction and dimensionality reduction for mass spectrometry data

Mass spectrometry is being used to generate protein profiles from human serum, and proteomic data obtained from mass spectrometry have attracted great interest for the detection of early stage cancer. However, high dimensional mass spectrometry data cause considerable challenges. In this paper we propose a feature extraction algorithm based on wavelet analysis for high dimensional mass spectrometry data. A set of wavelet detail coefficients at different scale is used to detect the transient changes of mass spectrometry data. The experiments are performed on 2 datasets. A highly competitive accuracy, compared with the best performance of other kinds of classification models, is achieved. Experimental results show that the wavelet detail coefficients are efficient way to characterize features of high dimensional mass spectra and reduce the dimensionality of high dimensional mass spectra.