生物雷达技术的研究现状

利用生物雷达技术检测人体生命体征信号(呼吸、心率等)成为生物医学工程研究中产生的一个崭新的领域，其主要任务是间隔一定的距离、穿透一定厚度的介质对人体的生命体征进行非接触检测，该技术可以广泛应用于军事医学、灾害医学、城市反恐等领域。     

生物雷达技术的研究现状

利用生物雷达技术检测人体生命体征信号(呼吸、心率等)成为生物医学工程研究中产生的一个崭新的领域,其主要任务是间隔一定的距离、穿透一定厚度的介质对人体的生命体征进行非接触检测,该技术可以广泛应用于军事医学、灾害医学、城市反恐等领域。     

基于生物雷达的人体步态非接触检测技术研究进展

人体步态是一个全身肌肉骨骼协调运行的复杂机制,具有特异性,可作为身份识别或临床疾病诊断的依据,在灾害救援、战场救护、反恐安保及医疗卫生等领域有着广泛的应用价值.传统的步态非接触检测技术主要包括光学图像和超声等,其易受光线、能见度及障碍物等因素影响.近年来,生物雷达技术发展迅猛,基于生物雷达的人体步态信号非接触检测技术更具优势,主要表现在:不受光线影响,可全天候识别;可穿透衣物、伪装甚至墙壁;可在烟、尘、雾等能见度低的天气条件下使用等.论述了生物雷达技术非接触检测人体步态的技术原理和方法,综述其研究现状,并对其发展趋势进行展望.     

一种人体生命体征检测的新方法

本文首先给出人体生命体征的基本定义及其呼吸、心跳的标准参考值,然后讨论目前最常见的接触式检测人体生命体征方法的原理、优缺点,最后重点讨论一种检测人体生命体征新方法－－非接触检测的原理、理论、优缺点及实验室研究现状,并给出实验室中在自由空间和穿透模拟砖墙条件下检测到人体呼吸、心跳两路信号的时域、频域检测结果。     

电子鼻信号处理方法的研究进展

本首先介绍了电子鼻的概念和发展,人工嗅觉结构和发展概况,电子鼻信号处理的重要性和发展状况,电子鼻信号处理的一些典型应用例子和历史过程,最后介绍了近来崛起的遗传算法和独立成分分析（ICA）以及它们在电子鼻信号处理中的应用前景和展望。     

电子鼻信号处理方法的研究进展

本文首先介绍了电子鼻的概念和发展、人工嗅觉结构和发展概况、电子鼻信号处理的重要性和发展状况、电子鼻信号处理的一些典型应用例子和历史过程 ,最后介绍了近来崛起的遗传算法和独立成分分析 (ICA)以及它们在电子鼻信号处理中的应用前景和展望     

一种生物雷达呼吸和心跳信号实时分离技术

目的 本研究旨在从雷达式生命参数检测平台的回波信号中分离出呼吸和心跳信号,提取呼吸、心跳特征参数.方法 分析回波信号的特征,改进算法,将呼吸信号的谐波组合作为自适应滤波器的参考输入信号进行回波信号滤波处理实验.结果 提出了一种基于自适应谐波抵消的呼吸和心跳信号分离算法.结论 该算法在生物雷达模拟人体平躺实验中能够有效地分离出呼吸和心跳信号.     

基于时频分析的EEG信号分析处理方法研究进展

由于脑电信号(EEG)是典型的非平稳时变信号，因此时频分析方法比较适用于分析和处理EEG信号。本在简要介绍时频分析的发展及主要方法的基础上，综述了时频分析方法在EEG信号分析处理中的应用及研究进展，并对现存的问题作了探讨。     

人工电子耳蜗语音信号处理方法的研究进展

人工电子耳蜗是全聋人健康的一项新技术。我们从系统角度出发，首先简单阐述了其原理及系统设计，在此基础上重点综述了目前人工电子耳蜗中所涉及的语音信号处理方法的研究进展状况，并对未来的研究提出了设想。     

呼吸信号检测技术研究现状

呼吸检测方法主要分为接触式和非接触式2大类.接触式检测方法包括容积式呼吸检测法、速度式呼吸检测法、温度检测法、位移检测法、阻抗检测法、可穿戴技术和睡眠床垫等.这些方法属于无创检测且技术成熟,但都需要电极或传感器直接或间接接触人体,使人体受到一定的约束或限制,不适合用于严重烧伤患者和新生儿的呼吸监测.非接触式检测利用电磁波、光等媒介,使用无需与人体接触的电极或传感器,可在人体自然状态下对呼吸信号进行非接触检测,特别是基于红外线和生物雷达的非接触检测方法,已成为国内外研究的热点,可用于临床、社区医疗及家庭监护.     

脑电信号处理方法

脑电信号是人体的一种基本生理信号,具有重要的临床诊断和治疗价值.由于脑电信号的自身非平稳性随机特点,使得对它的研究成为一项具有相当难度的课题.本文总结了脑电信号的时频、神经网络等处理方法.着重论述Wigner分布、小波分析、神经网络、非线性动力学,以及独立分量在脑电信号处理中的应用.     

New signal processing techniques for the decomposition of EMG signals

This paper relates to the use of knowledge-based signal processing techniques in the decomposition of EMG signals. The aim of the research is to automatically decompose EMG signals recorded at force levels up to 20 per cent maximum voluntary contraction (MVC) into their constitutent motor unit action potentials (MUAPS), and to display the MUAP shapes and firing times for the clinician. This requires the classification of nonoverlapping MUAPs and superimposed waveforms formed from overlapping MUAPs in the signal. Nonoverlapping MUAPs are classified using a statistical pattern-recognition method. The decomposition of superimposed waveforms uses a combination of procedural and knowledge-based methods. The decomposition method was tested on real and simulated EMG data recorded at force levels up to 20 per cent MVC. The different EMG signals contained up to six motor units (MUs). The new decomposition program classifies the total number of MUAP firings in an EMG signal with an accuracy always greater than 95 per cent. The decomposition program takes about 15 s to classify all nonoverlapping MUAPs in EMG signal of length 1·0 s and, on average, an extra 9s to classify each superimposed waveform.     

免疫检测信号放大技术研究进展

随着疾病早期诊断及生物标志物开发、功能界定等需求的出现,免疫检测技术的灵敏度不足这一问题日益显著,如何提高检测灵敏度去突破瓶颈成为现在生物分析领域的一个重大挑战。对检测信号进行放大是提高检测灵敏度最直接的一种方法。生物素-亲和素系统(biotin-avidin system,BAS)、酪胺信号放大技术(tyramide signal amplification,TSA)以及免疫-聚合酶链反应(immuno-polymerase chain reaction,Im-PCR)是较为经典的信号放大技术,可显著提高免疫检测的灵敏度。近年来,研究发现,基于催化信号分子沉淀的信号放大技术、基于纳米颗粒的信号放大技术及基于杂交链式反应的信号放大技术等信号放大手段的出现,使得免疫检测的灵敏度可以进一步提高3个数量级。本文将针对近年来研究较多的几种用于免疫检测信号放大的技术进行总结,并对其优缺点进行比较分析,以期为已开发的信号放大技术向临床转化及进一步开发超高灵敏度的免疫学检测技术提供参考。     

现代信号处理理论在脑磁研究中的应用

脑磁图MEG是在脑电图EEG之后发展起来的又一个脑功能研究和临床应用设备。现代信号处理理论的应用是脑磁逆问题研究中的一个热点。本文对基于阵列信号处理、信号分解以及维纳滤波等的脑磁逆问题方法，作了一个较为全面的论述。     

New signal processing techniques for improved precision of noninvasive impedance cardiography

Impedance cardiographic determination of clinically important cardiac parameters such as systolic time intervals, stroke volume, and related cardiovascular parameters has not yet found adequate application in clinical practice, since its theoretical basis remains controversial, and the precision of beat-to-beat parameter estimation has until recently suffered under severe shortcomings of available signal processing techniques. High levels of noise and motion artifacts deteriorate signal quality and result in poor event detection. To improve the precision of impedance cardiography, new techniques for event detection and parameter estimation have been developed. Specifically, matched filtering and various signal segmentation and decomposition techniques have been tested on impedance signals with various levels of artificially superimposed noise and on actual recordings from subjects in a laboratory study of cardiovascular response to a cognitive challenge. Substantial improvement in the precision of impedance cardiography was obtained using the newly developed signal processing techniques. In addition, some preliminary evidence from comparisons of the impedance cardiogram with invasive aortic electromagnetic flow measurement in anesthetized rabbits is presented to address questions relating to the origin of the impedance signal. This research was supported by program project research grant HL36588, by research grant HL41335, and by research training grant HL07426 from the National Heart, Lung and Blood Institute of NIH.     

Biomedical signal processing (in four parts)

This is the third in a series of four tutorial papers on biomedical signal processing and concerns the estimation of the power spectrum (PS) and coherence function (CF) od biomedical data. The PS is introduced and its estimation by means of the discrete Fourier transform is considered in terms of the problem of resolution in the frequency domain. The periodogram is introduced and its variance, bias and the effects of windowing and smoothing are considered. The use of the autocovariance function as a stage in power spectral estimation is described and the effects of windows in the autocorrelation domain are compared with the related effects of windows in the original time domain. The concept of coherence is introduced and the many ways in which coherence functions might be estimated are considered.