小波包变换特征提取与表面肌电分类

针对表面肌电(SEMG)的非平稳特性，提出采用小波包变换方法对其进行分类。分析了特征提取方法并采用小波包变换各频段能量构造特征矢量，经过学习矢量量化神经网络训练能够有效地从伸肌和屈肌采集的两道肌电信号中识别伸拳，展拳，腕内旋，腕外旋4种运动模式，平均识别率为94．5％。与其它时频分析方法比较，该方法不仅识别率高，鲁棒性好，也为其他非平稳生理信号分析提供了新手段。     

基于BP神经网络的表面肌电信号模式分类的研究

将神经网络与AR模型相结合提出了一种表面肌电信号模式分类算法。该算法能成功地从腕伸肌和腕屈肌的两道表面肌电信号中识别脱伸、腕屈、腕内旋和腕外旋四种运动模式。实验结果表明：用AR模型参数作BP网输入的肌电模式分类器，运行速度快、识别率高、鲁棒性好，在假肢等人一机仿生系统的控制中具有很好的应用前景。     

表面肌电信号的分形分析

介绍了表面肌电信号分形研究状况及其参数化描述方法，给出了人体上臂表面肌电信号的分维数在肌肉不同收缩程度、承受不同静载荷和不同运动模式下的实验结果，并讨论了表面肌电信号分形分析在工程应用上存在的问题及前景。     

表面肌电信号测试分析系统的研制

本文针对假肢等人-机仿生系统肌电控制装置的特点，研制了一种小型表面EMG测试与分析系统。该系统由测试装置硬件和分析软件两部分组成，可选用有线或无线遥测的方法拾取体表EMG活动信息，并利用软件包中的时域、频域和时频分析等多种方法对其采样数据进行处理。该系统为康复工程产品中广泛应用的肌电控制器提供了一个研究与开发平台。     

基于多尺度主元分析的表面肌电信号模式分类

用基于小波变换的多尺度主元分析提取表面肌电信号特征,然后用贝叶斯分类器进行模式分类。实验结果显示,当选用Harr小波和bior2．6小波对肌电信号进行5层小波分解时．该方法对前臂6种动作模式（内翻,外翻．握拳．展拳．上切和下切）的正确识别率可以达到99.44％。研究表明,该方法优于基于小波系数统计特征和主元分析降维相结合的特征提取方法．能成功识别出多种动作模式。     

肌电假肢控制中的表面肌电信号的研究进展与展望

论述了表面肌电信号的分析研究,给出了各种特征估计,介绍了用于假肢动作控制的两大类表面肌电信号的特征识别方法,总结了目前多功能肌电假肢控制中存在的问题,展望了表面肌电信号的分析方法研究及实际应用前景。     

Ⅰ型骨质疏松患者表面肌电信号特点及影响因素研究

[目的]探讨Ⅰ型骨质疏松患者表面肌电信号的特点和影响因素. [方法]运用多元回归方法和决策树模型等方法分析I型骨质疏松患者肌电信号的影响因素. [结果]Ⅰ型骨质疏松患者股内侧肌RMS(MED)较健康者低;影响Ⅰ型骨质疏松患者表面肌电信号的因素有骨密度、体重、体重指数和绝经年龄,绝经越早,MPF越高;体质指数越大,RMS(MED)越小. [结论]I型骨质疏松病人应注意饮食和适当锻炼,保持适宜体重,以便能维持其肌力.若能采用临床手段减低患者的MPF或提高其RMS,将有可能改善患者的肌肉功能.     

基于表面肌电信号的健身辅助系统设计

目的:设计一套基于表面肌电信号的健身辅助系统,以实现对健身动作规范判定、分类与计数的功能.方法:健身辅助系统由硬件电路和PC端软件组成,硬件电路实现表面肌电信号的采集与处理,处理后的表面肌电信号通过无线串口模块上传至PC端软件进行特征值的提取.系统通过提取到的特征值,结合支持向量机(support vector mac...     

基于决策树分类C4.5算法对乳腺肿块计算机辅助诊断的应用研究

本文尝试运用数据挖掘中的决策树分析技术,对BI-RADS乳腺肿块病例进行推理,得到相对应的诊断结论。为提高乳腺疾病计算机辅助诊断和临床诊治水平,提供一个参考的方法。     

基于C8051F的肌电信号采集仪设计

为了能实时观测患者患肢肌肉生物电活动随时间变化的图形,帮助医生评价患者肌肉及其控制系统的功能,设计开发了一种基于C8051F320单片机的肌电信号数据采集仪。提出将电极采样获得的肌电信号经滤波、放大后再经C8051F320单片机发送液晶屏,实时显示多通道或单通道肌电波形、并通过USB接口与上位机进行信息传输。测试证明该仪器具有一定的实用性。     

复杂度和小波包变换在运动模式识别中的应用

传统的复杂度算法是对信号的时域信息进行处理，缺乏频域的丰富信息，不够稳健。在对信号进行小波变换频域分解后再采用复杂度算法提取信号的特征向量，并与仅仅采全时域单一复杂度特征的分类效果进行对比。结果证实了在子频段采用复杂度是一种有效的分类方法。     

改进的BP算法在表面肌电信号识别中的应用

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,提取小波系数幅值的最大和最小值构造特征向量,输入BP神经网络可进行模式识别,网络经过学习能够成功地从表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋4种运动模式。比较了标准的BP算法和用贝叶斯正则化与Levenberg-Marquardt算法相结合的改进BP网络训练的结果。实验表明,改进的BP网络在训练速度和识别精度上都比标准的BP算法有了很大提高,这对于肌电假肢的控制具有良好的应用前景。     

基于小波包变换的睡眠监护仪的研制

小波包变换已成为一种重要的信号处理方法。本文为实现小波包的快速分解和重构，采用单片机和DSP处理器相结合的双CPU结构，从而解决了实时监测的难点。文章还详细介绍了从心电信号中检测睡眠呼吸暂停的方法，给出了系统电路的设计原理和相应的软件流程。     

小波包技术在人体胸壁微动信号处理中的应用

人体胸壁微动信号中包含大量的生命体征信息。本文采用小波包构造滤波器从胸壁微动信号中提取心动信号 ,以量化的形式揭开胸壁振动的奥秘。     

用LM算法改进的BP网络在表面肌电信号识别中的应用研究

提出用Levenberg-Marquardt算法改进BP神经网络识别表面肌电信号的方法.采用多尺度小波变换对肌电信号进行分析,提取各尺度下小波系数幅值的最大和最小值构造特征矢量,输入BP神经网络可进行模式识别,经过训练能够成功地从表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式.实验表明,LM算法在响应时间和识别精度上都比标准的BP算法有了很大提高.     

C5.0决策树模型在严重精神障碍患者服药依从性预测中的探讨

目的 研究C5.0 决策树模型在严重精神障碍患者服药依从性影响因素中的应用,并探讨其预测效果。方法 抽样采取多阶段分层随机抽样方法,患者基本信息及相关因素使用自编调查问卷采集,运用C5.0决策树模型对患者是否依存服药进行预测,模型性能采用ROC曲线下面积、预测正确率、约登指数、灵敏度和特异度进行评价。结果 C5.0决策树模型和logistic回归模型预测性能比较显示,模型正确预测率分别为80.9%和71.4%,C5.0决策树模型ROC曲线下面积均数±标准误为0.808±0.011（95%CI:0.790~0.826）,logistic回归模型为0.713±0.012（95%CI:0.692~0.733）,两模型比较差异有统计学意义（Z=8.766,P<0.001）,C5.0决策树模型约登指数、灵敏度和特异度均高于logistic回归模型,C5.0决策树模型显示,病种、治疗费用支出、收入水平、监护人是否与患者共同生活对严重精神障碍患者服药依从性影响较大。结论 C5.0决策树模型在严重精神障碍患者服药依从性预测中性能良好,经济水平和监护人是否与患者共同生活对患者服药依从性起重要作用。     

基于决策树模型的卫生应急风险评估技术研究

目的探讨运用决策树模型进行突发公共卫生事件风险评估的技术和方法。方法根据风险评估的结果将突发公共卫生事件划分为三个等级：高风险、中等风险、低风险。以某地区历史上已经发生的突发公共卫生事件为样本集,收集样本集中各个突发公共卫生事件的相关属性值及风险等级等信息,运用香农信息论中关于信息熵的理论,采取ID3算法,以各个属性为研究对象,以信息增益作为选择评价属性的衡量标准,逐层选择信息增益最大的属性作为节点（根节点或子节点）,以某一树枝子集中包含的突发公共卫生事件是否为同一等级作为判断叶节点的标准,构建基于突发公共卫生事件属性进行风险评估的卫生应急风险决策树模型。结果卫生应急风险决策树模型为突发公共卫生事件风险评估提供了评估规则,叶节点数代表了风险评估的规则数。结论卫生应急风险决策树模型能够用较少的关键属性快速、准确地判断事件的风险等级,为实施突发公共卫生事件风险的快速评估提供技术支持。     

基于小波变换的中医脉象信号特征提取与分析

利用小波变换所具有良好的时——频局部化的能力和对非平稳信号突变点的检测能力。实现对脉象信号同时进行时域、频域特征值的提取和分析；并提取了脉象在不同时间——尺度上的能量特征，可以作为脉象的新的特征值，用于脉象信号的辨识。经1456例临床脉象检测，不仅极大地提高对平、浮、沉、迟、数、虚、实、滑、涩、洪、弦、促、结、代等基本脉的识别率（准确率〉90％），对于由上述基本脉构成的临床常见的相兼脉也有相当高的识别能力（准确率〉82％）。     

基于希尔伯特-黄变换和提升小波包相结合的心音信号识别研究

目的：研究基于希尔伯特-黄变换和提升小波包相结合的方法对正常和异常心音信号识别的效果。方法：首先用DB6小波对心音信号进行降噪处理,然后用希尔伯特-黄变换分析提取心音信号的时域、频域特征值,再通过自适应提升小波包提取信号的频带能量特征值,最后通过支持向量机对心音信号进行分类识别。结果：对临床采集的240例异常心音和正常心音进行实验,正确识别率达到97.2%,且运算速度很快。结论：希尔伯特-黄变换和自适应提升小波包相结合的方法可有效识别正常和各种异常的心音信号,值得推广应用。