子波神经网络在脑电信号数据压缩表征与棘波识别中的应用研究

本文在对子波神经网络及其算法研究的基础上,提出了一种对脑电信号压缩表征和痫样脑电棘波识别的新方法.实验结果显示,子波网络在大量压缩数据的同时,能够较好的恢复原有信号.另外,在脑电信号的时频谱等高线图上,得到了易于自动识别的棘波和棘慢复合波特征,说明此方法在电生理信号处理和时频分析方面有着光明的应用前景.     

脑电棘波识别和噪声消除的小波变换方法

研究了利用二进小波变的的模极大值识别脑电信号奇异点如棘波和消除噪声的方法,该方法在较好保留原脑电信号奇异信息的同时能有效地消除噪声,进一步讨论了信号与白噪声的奇异性指数的区别,以及小波变换模极大值沿各变换尺度传递的不同特性,并利用该特性区分信号中的奇异点和噪声,能准确识别奇异点的位置,这种奇异性识别技术在信号的特征提取和消除噪声方面有广阔的应用前景。     

癫痫脑电棘波的小波变换模极大值对检测方法

本文首次将对小波变换模极大值对检测信号奇异点的理论应用于癫痫脑电信号,对棘波进行检测。采用二进样条小波脑电信号按Ｍａｌｌａｔ算法进行变换,分析含有奇异点的信号,即棘波,与其小波变换模数大值对的关系,对棘波进行识别。     

一种基于EEG特征提取的癫痫棘波综合检测判决方法

癫痫特征的自动检测在临床应用上具有重要的意义。本研究综合小波变换、非线性能量算子、特征提取和神经网络等技术，提出了一种癫痫棘波检测系统，充分发挥各技术的优点，在对真实脑电数据的处理中，表现出良好的性能。     

基于脑电信号分析的癫痫特征检测方法及研究进展

癫痫特征的自动检测在临床上有很重要的意义,可以减轻医疗工作者的劳动量。本文综述和分析了癫痫特征检测的各种方法,包括非线性滤波、模板匹配、拟态法等传统的方法和小波变换、神经网络等近年发展起来的新方法。     

基于小波包变换的癫痫脑电棘波检测

为了能够较好地实现癫痫患者脑电的棘波检测,提出一种将棘波物理特征（幅度、频率）和小波包变换结合的算法,用于癫痫患者脑电信号的棘波检测。首先利用小波包变换对癫痫脑电信号进行小波包分解,将脑电波频率（0~30 Hz）划分为3层;其次根据脑电波的频率范围重构第三层节点频率S（3, 0）（0~10.85 Hz）、S（3, 1）（10.85~21.7 Hz）、S（3, 2）（21.7~32.55 Hz）的脑电信号;最后取棘波的幅度作为检测阈值分别提取癫痫患者健康期、癫痫发作间期及癫痫发作期的棘波。实验结果证明,当数据的采样频率为173.61 Hz、信号长度为23.6 s时,该算法能够提取不同癫痫患者在不同时期的棘波信号,该算法棘波的误检率为12.02%、漏检率为11.70%。因此,本文所采用的算法在癫痫棘波检测中具有良好的效果。     

基于改进的伪Wigner分布检测癫痫EEG棘波的方法

本文提出了一种新的检测癫痫EEG棘波的方法,采用改进的伪Wigner分布对脑电信号进行时频变换,这种时频分布不仅能够有效地消除交叉项,而且可以快速实现,在时频平面上,以每个时间点上的中心频率划分背景脑电和癫痫样瞬态特征,通过一个镜像滤波器提取瞬态分量,最后,利用瞬态分量的能量局部极值检测棘波,临床应用表明,这种方法能够快速有效地从背景脑电中提取癫痫样瞬态特征。     

基于形态学滤波器的棘波提取技术

本研究提出了一种基于形态学滤波器的脑电棘波检测方法。首先，选择三角形为结构元素，采用数学形态学中的级联开闭和闭开运算分别对脑电信号进行处理，去除癫痫样瞬态信号；然后对级联开闭和闭开运算采用平均加权的方法，消除统计偏倚现象，得到背景脑电信号；最后将处理结果和原始脑电信号做差，提取出脑电信号中的棘波。通过仿真信号的对比分析和临床癫痫脑电信号的应用，表明该方法适用于双向棘波的提取，与以往的方法相比，背景脑电的抑制能力更强，提取出的信号特征成分更完整。     

采用预处理的心电信号数据压缩的神经网络方法

根据心电图特征的变化，本文首先对采样数据进行了必要的预处理，较大幅度地减少了冗余信息。在保留心电信号主要特征的前提下，缩小了神经网络输入、输出数据规模，从而减少了网络训练所需的时间，使得基于人工神经网络的心电信号数据压缩方法更适应实时数据压缩的需要。模拟结果表明，本文所采用的数据压缩方法具有较高的压缩比和压缩精度。     

脑电在线分析系统的研究及小波变换的应用

在对小波变换及时频特性研究的基础上,对脑电信号进行时频分析,给出EEG小波变换的结果,实现EEG在不同频率尺度的分解和重构,针对脑电信号的特点和分析方法,设计了脑电在线分析系统,阐述了系统软硬件结构设计和实现方法,该系统具有良好的实时性,功能齐全,可用于脑电的分析,监护和反馈研究。     

基于神经网络的心电数据压缩

针对动态心电监护系统中心电监护数据量很大,其中只有一部分特征才对诊断有意义,本文提出了一种基于神经网络的心电数据压缩算法。该算法根据ECG特征的变化,自动调整神经网络的结构参数,从ECG中提取出对诊断有意义的信息,并具有并行处理、自学习等特点。     

The Signal Extraction of Fetal Heart Rate Based on Wavelet Transform and BP Neural Network

This paper briefly introduces the collection and recognition of biomedical signals, designs the method to collect FM signals. A detailed discussion on the system hardware, structure and functions is also given. Under LabWindows/CVl,the hardware and the driver do compatible, the hardware equipment work properly actively. The paper adopts multi threading technology for real-time analysis and makes use of latency time of CPU effectively, expedites program reflect speed, improves the program to perform efficiency. One threading is collecting data; the other threading is analyzing data. Using the method, it is broaden to analyze the signal in real-time. Wavelet transform to remove the main interference in the FM and by adding time-window to recognize with BP network; Finally the results of collecting signals and BP networks are discussed. 8 pregnant women‘ s signals of FM were collected successfully by using the sensor. The correct of BP network recognition is about 83. 3% by using the above measure.     

小波包算法及其在医学图像压缩中的应用

简要介绍了小波包变换的原理和算法，用小波与小波包对一幅图像进行了压缩试验。结果表明，小波包压缩性能较小波压缩性能好。     

基于功率谱特征的心电数据小波压缩方法

利用心电功率谱特征,探索心电数据压缩新方法。用小波分解心电信号为高频与低频分量,对低频分量继续分解达到要求的级数,对高频分量则根据其所在频段的能量,对临床诊断的价值加以取舍。对MIT生理信号数据库心电数据的压缩与还原分析表明,该方法平衡了压缩比与还原精度之间的矛盾,既具有较高的压缩比,又具有较高的还原精度,而且对信号的适应性也明显增强。另外,该压缩方法还具有一定的去噪作用。说明结合心电功率谱特征与小波变换方法压缩心电有其优势。     

基于小波包最优基的心电图压缩

给出一种新的心电图压缩方法，该方法是在小波库中通以信息熵作为代数价函数寻找最优基，实现心电图压缩。仿真结果显示，该方法压缩比大，信息损失小，能够较好的恢复原有的信号。     

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。     

基于小波变换和感兴趣区域编码的ECG压缩方法

提出了一种基于小波变换和感兴趣区域编码的ECG压缩方法：首先使用正交小波变换对去均值处理后的信号进行多层分解。然后根据对原始信号特征提取的结果，找到感兴趣区域，进而找到与感兴趣区域对应的系数，视这些系数为重要系数而予以保留。对非感兴趣区域系数从小到大排序，根据目标PRDBE（Percentage Rootmean-square Difference with Baseline Eliminated）指标，计算该区域系数阈值并阈值化。通过扫描所有小波系数得到重要系数图。最后对重要系数进行标量量化。对重要系数图进行RLE（Run Length Encoding）编码，并使用Huffman编码进一步提高压缩比。使用MIT／BIH心律失常数据库测试表明。本方法在最大程度保存诊断信息，获得好的信号质量的同时，也获得了基本满足实际应用需要的压缩比。     

用小波变换结合神经网络检测ECG信号的P波

通过小波变换对ＥＧＣ信号进行分解,然后采用神经网络检测ＥＣＧ信号的Ｐ波,该方法作为一种辅助检测手段,效果良好。将其用于心率变异性分析具有重要意义。