心电图智能检测仿真研究

自适应小波神经网络检测法就是利用小波函数取代通常神经网络中隐层的作用函数来实现的。通过网络的学习自适应地调整尺度参数和时移因子，提高了特征提取能力。因此，该网络可提高心电信号的检测率和可靠性。     

基于模糊小波神经网络的磁共振图像分割方法

针对磁共振图像分割的特点,将小波分析优异的局部特性、模糊逻辑的定性知识表达能力和神经网络的自学习能力结合起来,提出了一种基于模糊小波神经网络的磁共振图像分割方法.该方法采用小波函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练.实验结果表明,这种基于模糊小波神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度.     

诱发电位的非线性动态提取方法

以不同的潜伏期和幅度非线性迭加在自发脑电上的单次诱发电位，是诱发电位和自发脑电的一种可能的非线性组合。对诱发电位进行非线性动态提取是近年来备受关注而又十分困难的课题。本综述了三种非线性的诱发电位动态提取方法：自适应径向基函数神经网络方法、小波变换的非线性阈值系数方法以及模糊聚类方法，中着重介绍了以上方法的基本思路和典型应用实例。     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

基于信号处理技术的癌症检测和分类方法研究

本文在介绍激光诱导血清自体荧光-共振喇曼光谱用于癌症诊断的物理学依据的基础上，详细讨论了利用小波理论对激光诱导血清自体荧光-共振喇曼光谱进行分析。提取用于癌症检测与分类特征。然后利用神经网络对各个特征进行学习，得到它们对癌症的隶属函数，再利用模糊神经网络对癌症进行检测和分类的方法。该方法实现了癌症检测和分类的自动化。使癌症检测和分类的正确率得到很大提高。     

一种可控重构质量的心电信号压缩方法

本文提出了一种基于小波包变换和自适应量化的ECG压缩方法.该方法采用编码率-失真度指标(R-D指标)作为代价函数选择最佳小波基,实现给定重构误差条件下的心电信号有效压缩.     

诱发电位的非线性动态提取方法

以不同的潜伏期和幅度非线性迭加在自发脑电上的单次诱发电位 ,是诱发电位和自发脑电的一种可能的非线性组合。对诱发电位进行非线性动态提取是近年来备受关注而又十分困难的课题。本文综述了三种非线性的诱发电位动态提取方法 :自适应径向基函数神经网络方法、小波变换的非线性阈值系数方法以及模糊聚类方法 ,文中着重介绍了以上方法的基本思路和典型应用实例     

心音信号的聚类分析

通过对ＡＲＴ２神经网络进行改进，构造了适合于对信号的时变谱进行分类的二维ＡＲＴ神经网络，而后根据心音信号的特点，我们选择了心音的小波变换谱作为网络的输入特征。调整网络的参数，使之能够将输入的心音信号特征聚类成为两类，实验结果表明我们所设计的分类系统能够从连续３２个正常人的心音信号中区分出两个正常分裂的心音。这个结果在基础生理研究和临床诊断上都有一定的应用价值。     

基于小波包理论的ECG信号数据压缩

小波包函数族是小波函数的推广，与一般的小波函数相比小波包函数具有更好时频局域特性。本文在小波包理论的基础上对医学上常用的心电图信号（ＥＣＧ）进行了数据压缩实验。实验结果表明，在不影响诊断分析的条件下，小波包压缩技术可以达到令人满意的效果。     

小波变换和小波提升在胃电信号处理中的应用

本文介绍了小波基函数的定义、构造和小波提升。并将小波变换和小波提升应用于胃电(EGG)信号处理中。通过对信息熵、信号能量和联合熵等滤波后的信号特征进行分析,介绍了小波基函数的一般评价选择方法。为了验证评价方法的合理性,实验中采用了不同的小波基函数进行实验数据处理和信号滤波。通过小波变换和小波提升对EGG信号进行了滤波,分离了EGG快、慢波频段信号。并通过实验数据验证了小波变换和小波提升方案的合理性和EGG滤波算法的有效性。为胃的疾病诊断和测量提供了一个有效的解决工具和测量方法。     

一种基于经验小波变换的心电信号室性早搏检测算法

针对心电信号中的室性早搏心拍检测问题,使用经验小波变换（EWT）实现心电信号的自适应分解。根据心电信号时频能量变化特征,提出了一种低复杂度的频域累积能量特征计算方法,并分析了室性早搏与正常心电信号的特征差异性。最后利用反向传播神经网络在MIT-BIH心电数据库上进行心拍样本训练与识别测试。结果表明基于EWT的特征提取避免了传统时域特征提取中的QRS波群检测过程,降低了其它干扰因素对诊断结果的影响,具有较高的分类精度与良好的鲁棒性,总体敏感度与总体阳性检测率分别达到96.55%和97.73%。     

基于卷积神经网络特征提取与融合的心律失常分类

本研究提出一种新的心律失常自动分类方法,辅助医生诊治心律失常。通过构建卷积神经网络对心电信号以及QRS波群的小波分量进行特征提取,将网络提取到的心电信号特征和小波特征与人工提取的RR间期特征,输入到全连接层进行融合,在输出层使用softmax函数对心拍进行分类。使用MIT-BIH心律失常数据库中的MILL导联数据对网络进行训练和测试。经测试,该方法的总体分类准确度达98.12%,平均灵敏度为87.32%,平均阳性预测值为90.37%。该方法能够快速识别不同类型的心律失常,对于计算机辅助诊断心律失常的应用具有一定的参考价值。     

心律失常辅助诊断系统的研制

目的:研制心律失常辅助诊断系统,以减少医生的工作量,并提高其对心电信号诊断的准确性。方法:首先利用小波变换理论建立滤波和波形识别算法,提取出有效的特征参数;然后利用粗糙集理论约简特征参数并根据相应的分类决策规则,利用分支逻辑法对波形进行识别分类;最后利用模糊神经网络理论得出异常心拍的隶属度。结果:实现了滤波、波形识别、诊断分类等主要模块,形成了一个完整的系统。结论:该系统能识别十九种心律失常并得出异常心拍的隶属度和位置信息,对医生的诊断有良好的辅助作用。     

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。     

基于小波神经网络的心电信号滤波研究

针对心电(ECG)信号检测中存在的主要噪声,本文研究了基于小波神经网络(WNN)的ECG信号滤波理论。提出一种通过WNN非线性逼近能力构建的针对ECG信号的非线性滤波器算法和滤波策略,实现对ECG信号中基线漂移、肌电干扰、工频干扰噪声的滤除;给出了网络训练算法和滤波实验,滤波后信号与期望信号误差范围在微伏级,验证了本文提出的基于WNN的心电非线性滤波器对心电主要噪声快速滤波的良好效果,最后讨论了影响WNN用于心电滤波的几个关键问题。     

ECG beat classification using empirical mode decomposition and mixture of features

Computer-aided analysis is useful in predicting arrhythmia conditions of the heart by analysing the recorded ECG signals. In this work, we proposed a method to detect, extract informative features to classify six types of heartbeat of ECG signals obtained from the MIT-BIH Arrhythmia database. The powerful discrete wavelet transform (DWT) is used to eliminate different sources of noises. Empirical mode decomposition (EMD) with adaptive thresholding has been used to detect precise R-peaks and QRS complex. The significant features consists of temporal, morphological and statistical were extracted from the processed ECG signals and combined to form a set of features. This feature set is classified with probabilistic neural network (PNN) and radial basis function neural network (RBF-NN) to recognise the arrhythmia beats. The process achieved better result with sensitivity of 99.96%, and positive predictivity of 99.81 with error rate of 0.23% in detecting the QRS complex. In class-oriented scheme, the arrhythmia conditions are classified with accuracy of 99.54%, 99.89% using PNN and RBF-NN classifier respectively. The obtained result confirms the superiority of the proposed scheme compared to other published results cited in literature.     

基于小波变换的QRS波检测

目的　将小波变换应用于ECG信号QRS波检测,提高QRS波的正确检测率。方法　利用二进Marr小波对ECG信号按Mallat算法进行变换;从等效滤波器的角度分析了信号奇异点(R波峰值点)与其小波变换模极大值的关系;探讨二次微分小波与一次微分小波在奇异点分析时性能上的差异,在检测中还运用了一系列策略以增强算法的抗干扰能力。结果　经MIT/BIH标准心律失常数据库验证,QRS波的正确检测率高达99.8%。结论　小波技术在ECG信号消噪和精确定位显示良好的性能;不同的小波函数直接影响结果和后续的检测策略。