一种基于经验模态分解的癫痫棘波检测方法

脑电癫痫特征波的自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要的意义.我们提出一种基于经验模态分解(EMD)的癫痫特征波检测方法,该方法首先经过EMD分解得到若干个固有模态函数(IMF),然后对其中的第一个IMF应用非线性能量算子(NBO)进行特征波提取,从而达到自动检测的效果.在对数值模拟的和真实的癫痫脑电信号(EEG)的仿真实验中,该方法都取得了较好的结果.     

基于IMF能量熵的脑电情感特征提取研究

为提高脑电信号情感识别分类准确率,结合经验模态(EMD)分解和能量熵提出一种新的脑电特征提取方法。本研究主要介绍了EMD分解的基本原理,分析了传统EMD算法中的"端点效应",采用分段幂函数插值算法改善了EMD分解的精度和性能,然后将改进后的算法应用到脑电信号特征提取,获取脑电信号的IMF分量后计算出IMF能量熵作为情感识别的特征,最后通过分类实验对比改进后的EMD算法和传统EMD算法对脑电情感特征的分类准确率。实验结果显示改进的EMD算法能使识别率提高15%左右,并且以IMF能量熵为特征的平均识别率在80%以上,实验结果表明将IMF能量熵用于脑电信号情感识别是可行的。     

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。     

基于固有模态分解和深度学习的抑郁症脑电信号分类分析

以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析。首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;最后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高。     

基于白噪声分离的集合经验模态分解心电信号去噪方法研究

集合经验模态分解(EEMD)是一种处理心电等非平稳信号的有效方法,但其参数白噪声比值系数与平均次数依靠经验设置,导致处理结果准确度低且对未知信号自适应性差。针对上述问题,本研究提出了基于白噪声分离的EEMD心电信号去噪方法。该方法通过经验模态分解(EMD)将心电信号分解至不同频带,基于白噪声能量密度和对应的平均周期的乘积趋向于一个常数的特性,提取信号高频分量重构信号高频成分;依据避免模态混叠参数准则实现针对不同信号的分解参数自适应获取。经过对心电信号的验证,结果表明该方法去噪效果明显,自适应性强,是一种有效的去噪方法。     

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...     

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。     

基于经验模态分解自适应滤波的胎儿心电信号提取

目的提出了一种基于经验模态分解自适应滤波的胎儿心电信号提取法。方法首先利用经验模态分解算法对孕妇腹部信号进行分解得到一组内模函数(IMF),然后将这组IMF作为自适应滤波器的主输入信号,并将孕妇胸部信号作为参考输入信号。通过学习算法自适应组合IMF,滤除母体心电信号成分,从而提取胎儿心电信号。结果与结论基于仿真和临床的实验结果表明,该方法提取的胎儿心电信号误差小,性能优于传统的最小均方和归一化最小均方自适应滤波算法。     

脑电信号频带分离及频带相对强度分析方法研究

脑电信号中不同的背景节律和背景节律的抑制反映了病人的不同生理状态。本研究引入频带相对强度比的概念来评价病人的脑电背景节律状态,利用经验模态分解方法（EMD）实现脑电信号各频带的有效分离,并利用Gabor变换实现各频带信号的相对强度的计算,并在同一窗口显示脑电信号各频带节律的相对强度比,因而可以直观反映脑电信号中各背景节律的分布情况,为医生提供更丰富的临床信息。实验结果表明了所提出算法的有效性和可行性。     

基于小波变换结合经验模态分解提取孤独症儿童脑电异常特征研究

孤独症的早期发现与及时干预至关重要。本文结合小波变换和经验模态分解(EMD)提取脑电信号(EEG)特征,比较分析孤独症儿童和正常儿童脑电信号的特征差异。试验共采集了25例(20例男孩,5例女孩)5~10岁孤独症儿童和25例5~10岁正常儿童的脑电信号,基于小波变换提取C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5和T6的alpha、beta、theta和delta频段的节律波,再进行EMD分解得到固有模态函数(IMF)特征,以支持向量机(SVM)实现孤独症和正常儿童脑电的分类评估。试验结果表明,小波变换和EMD结合的方法可以有效地识别孤独症儿童和正常儿童的脑电信号特征,分类正确率达到87%,相比文中小波结合样本熵方法提取脑电特征分类评估的准确率高出将近20%。所提取的四种节律波中,delta节律(1~4 Hz)波的分类正确率最高,特别是在前额F7通道、左前额FP1通道和颞区T6通道其分类准确率均超过90%,能够较好地表达孤独症儿童脑电信号的特点。