基于希尔伯特-黄变换的白细胞信号分

白细胞信号(WBS)具有脉冲形状多样和时频特性各异的特点,目前临床上用细胞信号脉冲计数的方法来分析WBS通常难以反映其所携带的丰富的生理和病理信息,并直接影响到细胞分类问题。针对这一问题,探索能自适应地分解非线性非平稳信号的希尔伯特 黄变换算法在WBC时频分析和分类中的应用效果。通过对血细胞中的WBC进行HHT变换,获取WBC的本征模态函数（IMF）分量、分量的Hilbert边际谱以及信号Hilbert谱;利用瞬时频率、瞬时幅值等进行计算提取健康人与患者的WBS平均强度、谱质心以及能量贡献率等特征作对比分析,根据其时频特征分布规律构建用于分类实验的特征向量;采用支持向量机（SVM）分类器,对58名健康人和60名患者的白细胞实验样本进行分类实验。结果表明,该方法提取的健康人和患者的WBS分量谱质心分布、平均强度值以及能量贡献率具有较好的区分度,分类正确率到达了94.83%。HHT方法能有效提取WBS特征,可辅助临床WBS的处理和分析。     

基于样本增强的帕金森病识别算法研究

帕金森病患者早期存在声带损伤,其声纹特征与健康人存在明显差异,可以利用该差异识别帕金森病,但帕金森病患者声纹数据样本不足,因此本文提出双自注意力深度卷积生成对抗网络模型进行样本增强,生成高分辨率的语谱图,进而采用深度学习方法进行帕金森病识别。该模型通过增加网络深度并结合梯度惩罚、频谱归一化技术改进样本的纹理清晰度,并且构建一个基于迁移学习的纯粹的卷积神经网络家族（ConvNeXt）作为分类网络,以此提取声纹特征并进行分类,提升了帕金森病识别准确率。在帕金森病语音数据集上进行本文算法有效性验证实验,对比样本增强前,本文所提模型生成的样本清晰度以及弗雷谢起始距离（FID）均得到提高,并且本文网络模型能够获得98.8%的准确率。本文研究结果表明,基于双自注意力深度卷积生成对抗网络样本增强的帕金森病识别算法能够准确区分健康人和帕金森病患者,有助于解决帕金森病早期识别声纹数据样本不足的问题。综上,本文方法有效提高小样本帕金森病语音数据集分类准确率,为早期帕金森病语音诊断提供了一种有效的解决思路。     

一种用于构音障碍语音识别的多尺度特征提取算法EI北大核心

针对构音障碍语音识别率难以提升的问题,本文提出一种多尺度梅尔域特征图谱提取算法。该算法采用经验模态分解方法分解语音信号,分别对三个有效分量提取Fbank特征及其一阶差分,从而构成能够捕捉频域细节信息的新特征图谱。其次,由于单路神经网络在训练过程中,存在有效特征丢失及计算复杂度高的问题,本文提出一种语音识别网络模型。最后,在公开UA-Speech数据集上进行训练和解码。实验结果表明,本文方法的语音识别模型准确率达到了92.77%,因此,本文所提算法能有效提高构音障碍语音识别率。     

基于波形特征和SVM的心电信号自动分类方法研究

目的:提出一种新的基于波形特征和SVM的心电信号自动分类实现方法。方法:定义并提取了基于时域特征、小波域特征和高阶统计量特征等三大类心电特征参数,将一次性直接求解多类模式的SVM方法应用于心电信号分类。结果:通过对心电数据库典型心律失常信号的分类测试,验证了所提出心电信号分类方法的有效性。结论:本方法的实现可以有效提高了分类识别精度和速度。     

一种新的T波交替量化评估联合算法

T波交替是预测恶性心律失常和心脏猝死危险性的一个无创的临床指标。针对目前T波交替(TWA)量化分析方法的不足,提出基于时频分析和相关分析相结合的T波交替联合分析算法:通过对预处理过的心电信号的连续小波变换,计算T波序列在指定时频窗内的能量谱,并对其分段统一编秩,再运用秩和检验方法定性判断T波交替;在此基础上,对T波交替的信号段进行T波的时域相关分析,确定交替的频次和程度,提取时域量化指标,为猝死和失常分析提供更丰富的时频特征信息。仿真实验表明,该算法对TWA检测的平均灵敏性达91.2%,在30 dB及以上信噪比的情况下,TWA被100%正确检测。临床数据检测结果表明,本算法对TWA幅值检测结果和临床应用的谱方法检测结果的相关系数达0.96。     

基于信号能量选取的电子耳蜗言语处理策略特征

基于信号能量选择的电子耳蜗言语处理策略的算法架构，分析该策略的信号处理过程，并比较波形、信号强度、语音频谱等特征，以获得该策略对语音信号处理的影响。此外，本文对信号序列每帧中选择的最大子带数量以及电子耳蜗滤波器组选择每个子带的概率进行深入统计。研究发现，基于信号能量选择的言语处理策略的特点是低频通道的选取概率较高，高频通道的选取概率较低。通过重点分析算法在信号特征参数传输上的匹配性和频带选择中的关键特征，为提出和改进新的电子耳蜗言语处理策略提供依据。     

分频段Hilbert谱熵的心率变异信号分析方法

心率变异(HRV)信号分析对心脏系统疾病的辅助诊断、监护及评估有十分重要的意义。本研究将Hilbert谱分析方法和非线性熵分析方法相结合,提出了基于分频段Hilbert谱熵的HRV信号分析的新方法。依据Hilbert谱的时频多分辨率特性和HRV信号频谱特征,在不同频段计算HRV信号的Hilbert谱熵和加权表示的全频段谱熵。对HRV信号的生理因素按频段适当分离后进行Hilbert谱熵的分析,更有利于表征某些生理病理的特征。对MIT-BIH数据库中实际HRV信号分析表明,这两种熵值能有效地区分年轻人、老年人及房颤患者三个样本组和健康人、充血性心力衰竭患者两个样本组,统计性能优于普通的时频熵方法,为临床HRV信号分析提供了一种有效方法。     

基于偏序拓扑图的帕金森病语音障碍分析方法

从形式概念分析角度,提出将偏序拓扑图用于帕金森病语音障碍分析与诊断。首先,在属性拓扑的基础上,结合偏序结构表示,构造偏序拓扑图的形式背景表示方法,并利用偏序拓扑图进行概念本体计算,获得原始形式背景的层次化概念树结构。进而结合决策属性,对概念树进行着色与约简,获得约简概念树。根据约简概念树的偏序关系,可获得分析对象的概念分类结构。将该方法应用于帕金森病语音特征数据集进行概念提取,实验表明不但可以在概念层面分析帕金森病与语音特征的关系,同时可以作为诊断依据进行数据诊断。将该方法应用于多个帕金森病数据集(样本数分别为197、5 875、1 040、220)进行分类精度对比测试,表明基于偏序拓扑图的帕金森病语音障碍分析在不同的帕金森病语音数据集下的平均诊断精度达到76.64%,高于LDA(67.36%)、QDA(70.83%)、kNN(71.83%)、parzen窗(70.24%)、SVM(74.61%)等经典分类器的诊断精度,高出经典分类器SVM 2.72%,表明该方法能有效应用于帕金森病语音障碍分析。     

基于自组织映射神经网络和卷积核补偿的多通道表面肌电信号的盲源分离方法

本文基于已有的卷积核补偿(CKC)方法,提出了一种新的信号分解方法。该方法与自组织映射神经网络相结合,首先找出一个在某一时刻具有发放活动的脉冲序列,其次对这个脉冲序列的一些较大值所对应的时刻利用自组织映射神经网络进行分类,然后利用分类后的时刻所对应的测量信号的值求出最终的一个信号源的发放序列。通过随机混合矩阵合成产生的仿真信号进行测试,表明所提出的方法是有效的。     

基于多窗口时频重排的巴克频谱系数心音分类算法研究

多窗口时频重排有助于提升对心音进行巴克频谱系数（BFSC）分析的时频分辨率。为此,本文提出一种基于多窗口时频重排的BFSC特征提取与深度学习结合的心音分类新算法。首先,对随机截取的心音片段进行幅值归一化等预处理,然后分别用多个正交窗口对心音做分帧处理,及计算基于短时傅里叶变换的时频重排,将得到的各独立频谱通过算术平均计算出平稳的频谱估计。最后,通过巴克滤波器组提取该重排频谱的BFSC作为特征。本文采用卷积网络与循环神经网络作为分类器,对提取的特征进行模型比较与性能评估。最终,多窗口时频重排改进BFSC的方法提取了更具有辨别力的特征,二分类准确率达到0.936,灵敏度为0.946,特异度为0.922。研究结果表明,本文所提算法无需分割心音,随机截取心音片段,大大简化了计算流程,有望用于先天性心脏病筛查。     

基于语音识别技术的残疾人环境控制系统的研制

本文介绍了一种基于语音识别技术的残疾人环境控制系统（ＥＣＵ），该系统用ＰＣ机采集和识别输入语音，通过并口将指令传到控制箱中，控制箱内主要是译码电路、继电器组和电视红外遥控电路，分别控制电器设备、电话机和电视机的各项功能。该系统采用小词江表孤立词语音识别模式，在语音指令的识别中用短时能频值作为切分音节的依据。用ＬＰＣ倒谱和差分倒谱作为特征矢量，用倒谱域非线性分块法对特征矢量进行压缩和时间对准，最后用     

主成分分析和线性判别分析应用于心电信号特征提取和诊断算法研究

针对心脏疾病发病率高且不易自主检测的问题,提出了一种心电信号特征提取和分类诊断算法。首先对心电信号进行提升小波变换和改进半软阈值相结合的预处理变换,在去除心电信号的噪声后,利用主成分分析(principal component analysis,PCA)对心电信号进行降维,并利用核独立成分提取心电信号的非线性特征;同时离散小波变换提取去噪后心电信号的频域特征,基于线性判别分析(linear discriminant analysis, LDA)对频域统计特征进行降维处理。将两种不同的特征向量组成多域特征空间,最后利用支持向量机对多域特征空间分类,遗传算法对其参数进行寻优,从而实现心电信号特征的分类。实验结果表明,所提出的算法能够对5类心电节拍进行准确分类,分类效率达99.11%。     

基于ICA的重叠语音基频提取和语音增强

语音信号是一种特征时变信号,基音频率提取和语音增强是两种常见语音处理要求,独立分量分析（ICA）是一种盲信号处理方法,目的 在于将混合在观察信号中的相互独立的源信号分离出来,ICA在很多领域都有广泛的应用,在语音信号上最为成功,本文将ICA用来撮重叠语音信号中的基音频率,提出了一个基于ICA的混叠语音基频提取系统,成功地解决了基频相互接近时无法提取混合信号基频的问题,并将它应用到有音乐背景下的语音增强方面,均取得了较好的结果。     

基于语音信号组合特征的语音图谱显示

为了帮助听力语言障碍者进行基于视觉语音训练,提出了一种将语音信号形成图像的新方法。首先对语音音素进行时域、频域、能量值的提取,然后通过计算得到每个采样点的组合特征值,描绘成图像。对元音音素的仿真结果表明:此方法可以较好地区分各种音素及发音过程,可用于语音的识别和辅助训练。     

基于小波变换的时频图建模及其在嗅觉场电位分析中的应用

快速有效地提取和比较不同神经信号中所含信息的相同和区别之处是研究者关注的问题。本文介绍了一种基于小波变换的时频建模方法。该方法用少量的半椭球模型来表征神经信号在时域和频域上的变化,克服了传统时频分析中背景干扰大、参数多的缺陷。将该方法应用于嗅球场电位的研究,与支持向量机(SVM)算法相结合,可初步实现气味的分类。     

基于小波能量熵特征的阻抗胃动力信号识别

采用生物电阻抗技术从人体上腹部体表提取的电阻抗信号,不但包含了常规的胃蠕动频率特征,而且携带有反映胃动力状况的更深层次的信息.提取并分析这些信息,对胃动力的检测与评价具有重要意义.对20名糜烂性胃炎患者的胃阻抗和胃电信号进行研究,经过小波滤波去噪后,进行多层小波包变换,计算小波能量熵并作为特征向量,采用3层BP神经网络进行模式分类.经一周治疗后,14名患者胃阻抗和胃电信号的小波能量熵值下降,以小波能量熵为特征向量的BP神经网络对治疗前后的识别正确率为80%.结果表明,小波能量熵能够从整体上表征胃动力信号时域和频域能量分布的复杂程度,可为胃肠病患者的疗效评价提供有效的特征描述.     

基于第二心音统计特征的先天性心脏病相关肺动脉高压诊断方法

针对先天性心脏病相关肺动脉高压听诊特征不明显,已有的机器辅助诊断算法相对复杂等问题,提出一种基于第二心音信号高频分量统计特征的分析方法。首先,采用端点检测自适应分割方法提取第二心音。其次,使用离散小波变换分解出高频分量,并提取该分量的赫斯特（Hurst）指数、勒佩尔-齐夫（Lempel-Ziv）信息和样本熵等统计特征。最后,使用这些特征训练极端梯度提升算法（XGBoost）分类器,在三分类中准确率达到了80.45%。该方法无需进行降噪处理,特征提取速度快,且只需三个特征即可实现较好的多分类效果,有望用于先天性心脏病相关肺动脉高压早期筛查。     

生物特征信号提纯算法的设计与实现

生物特征信号在频域内很容易受到干扰,固定阙值的提纯算法在实际应用中,受到多类干扰信号影响,导致提纯困难。本设计基于自适应时频分解的生物特征信号提纯算法,构建生物信号采集模型,对生物信号在时域和频域内进行特征分解,得到单分量特征。设计匹配滤波检测器估计出生物信号频域特征系数,将解析信号代入滤波器中,进行实时滤波处理,得到生物特征信号的基本分量。用提取出的信号分量的时频分布进行时域信号的重建,获得提纯后的生物信号分量。实验结果表明,在强噪声干扰下,所设计的提纯算法具有较好的去噪和检测性能。与传统提纯算法相比,检测效率提高了8. 5%以上,为生物复杂信号的研究奠定了理论基础。     

基于波形时域特征和动态差分阈值的脉搏波传导时间检测算法EI北大核心CSCD

针对传统脉搏波传导时间(PTT)检测方法对脉搏波(PPG)信号幅值变化敏感、计算量大等问题,提出了一种综合波形时域特征和动态差分阈值的PTT检测算法。采用动态差分阈值检测心电(ECG)信号R波,根据波形时域特征缩短脉搏波信号主波检测区间,利用R波检测脉搏波信号主波,从而计算PTT。利用美国麻省理工学院MIMIC数据库和实验室实测数据对上述算法进行验证。结果表明,该方法能够准确地提取特征点并检测出PTT,对实测和数据库样本的PTT检测准确率分别为99.1%和97.5%,效果优于传统检测方法。     

融合脑电特征的弹性网特征选择和分类

脑机接口系统的核心问题之一是信号分类。本文针对脑电信号的异构融合特征的分类问题提出了一种新方法:封装式弹性网特征选择和分类。首先,对预处理后的脑电(EEG)信号联合应用时域统计、功率谱、共空间模式和自回归模型方法提取高维异构融合特征。其次,采用封装方式进行特征选择:对训练数据采用弹性网罚逻辑回归拟合模型,通过坐标下降法估计模型参数,运用10倍交叉验证选择出最优特征子集。最后采用已训练的最优模型对测试样本进行分类。实验中采用国际BCI竞赛Ⅳ的EEG数据,结果表明,该方法适用于高维融合特征的最优特征子集选择问题,对于EEG信号的识别不仅效果好、速度快,而且能够选出与分类更相关的子集,获得相对简单的模型,平均测试正确率达到了81.78%。