一种基于自适应的脑电滤波技术

本文提出了一种基于自适应的脑电滤波技术,即用ＬＭＳ自适应预测滤波器来分离脑电中的平稳和不平稳成分,提取非平稳成分来压缩脑电处理数据量。为进一步设计脑电图的计算机自动分析和诊断系统,打下基础。     

一种使用关联积分进行QRS波检测的新方法

使用计算机对ECG信号进行分析和处理能够减少医生的工作量,提高医生的工作效率.在ECG自动诊断系统中,对QRS波进行准确检测非常重要.目前,QRS波的检测方法已经有很多种,如使用差分和滤波器组、小波变换、神经网络等方法等,但还没有一种方法的适应性和准确性得到广泛的认同.关联积分的方法是从混沌学理论中推导出来,是一种全新的检测QRS波方法.使用关联积分的方法对心电信号QRS波进行分析,得到了很好的效果,而且这种分析方法具有较好的鲁棒性.本文利用MIT/BIH Arrhythmia Database库中的数据测试了上述方法,结果证实其对QRS波的正确检出率为99.1%.     

一种基于几何特征的ECG波形识别算法

目的 ECG自动分析系统由两部分组成:波形识别和智能诊断。在实际应用中,心电波形识别是该系统的关键。波形识别的精确性和可靠性决定了心脏病诊断的可靠性。为提高波形识别的速率及准确度,本文提出一种基于几何特征的ECG波形识别算法。方法首先利用数字滤波算法对信号进行预处理,提高信号的信噪比,然后通过改进的二阶导数计算出数据的几何特征:点的斜率和运动趋势,并在此基础上,结合ECG波形的实际物理特征,利用算法实现T波、P波、QRS波群的起点、终点以及波峰波谷的自动识别。结果统计分析结果表明,本算法能够快速高效地识别ECG波形。同时将该算法与其他当前各种ECG波形识别算法进行对比,该识别算法在识别的精确性与阳性预测值方面具有更好的性能。结论本文提出的基于几何特征的ECG波形识别算法可以进一步提高当前ECG波形识别算法的性能。     

基于脑电相关性的睡眠剥夺影响评价研究

睡眠剥夺是探究睡眠对认知作用机制的一条有效途径.本文通过对受试者24h睡眠剥夺后所作的听觉短时记忆试验,应用EEG相关性方法与正常状态的EEG信号进行对比.研究发现睡眠剥夺后的脑区激活程度受到很大的抑制,在一定程度上揭示了睡眠剥夺对听觉短时记忆的损害作用,为损害作用的评价也提供了一条新的途径.     

睡眠监护技术的发展

睡眠医学已经发展成为医学中一门新的边缘学科,近年来取得了快速的发展.睡眠障碍是许多疾病形成和发展的重要因素,尤其阻塞性睡眠呼吸暂停是心血管疾病一个独立的危险因素,如何能有效监测病人的睡眠状况,为病人疾病的早期诊断提供依据,已引起人们的重视.本文综述了睡眠中的一些常见疾病,以及近年来在睡眠监护中临床和试验研究中所用到的一些方法.     

基于稀疏表示的两阶段脑电癫痫波检测算法研究

脑电癫痫特征波的自动检测具有重要的临床应用价值,本研究提出一种基于自适应预测滤波与稀疏表示的两阶段癫痫特征波检测算法.第一阶段,使用自适应预测滤波器粗检出有嫌疑的癫痫波时段,在保证检测正确率的同时,减少数据量,提高后续处理效率;第二阶段,先以高斯函数及其一、二阶导数为原子的生成函数构建一个冗余多成分字典,再应用匹配追踪算法仪获取可疑波段在此字典下的稀疏表示(自适应参数化表示),原子的结构参数能够准确度量瞬时波形的多种形态结构特征如宽度、幅度、锐度等,进而提出基于形态结构匹配的检测算法,对预检输出的可疑时段进行鉴别分类.检测结果表明该算法针对临床癫痫EEG的检测率为93.3%,正确率为88.5%,相应的漏检率为6.7%,误检率为11.5%.     

睡眠脑电的研究

睡眠脑电是研究睡眠的重要且有力的工具。本文在阐述睡眠与脑电关系的基础上，着重论述了非线性方法：人工神经网络、混沌与分形及复杂性在睡眠脑电研究中的应用。     

正交小波变换的快速算法在心电QRS波检测中的应用

目的：研究基于小波变换的心电QRS波检测的准确率、抗干扰性和实时性，论证其在实际工程应用中的可行性。方法：作者在比较了不同小波基的检测准确率之后，采用一种基于三次B样条小波变换的心电QRS波检测算法，利用离散正交二进小波的快速算法-Mallat算法进行分解滤波，再利用小波变换与信号奇异点的关系，在2^3尺度下识别R波峰值，在2^1尺度上检测QRS波的起点和终点，QRS波的起点和终点对应于小波变换的一对符号相反的模极大值，R波的峰点对应于介于这对模极大值之间的小波变换过零点，并用美国MIT／BIH心电标准数据库分析该算法的准确率、抗干扰性和实时性。结果：该方法具有比较理想的检测准确率，在99％以上；对肌电、工频、基漂等常见的心电信号干扰有较好的容限度，即使心电序列伴有严重的基漂和高频、工频、肌电等干扰，也不影响QRS波的检测；此外，三次B样条小波基的滤波器个数少，提高了运算速度，采样11．4s的数据进行分析，耗时为0．2s～0.3S，实时效果较明显。结论：可以满足实际工程应用的需要。     

检测脑电癫痫波的小波分析方法

小波分析是一种时／频域的分析方法,它具有多分辨率,相对带宽恒定,在时、频两域都具有表征信号局部特征能力的特点,被誉为“数字显微镜”本文基于二进小波变换,对嫌疑癫痫波进行多尺度的分析,根据脑电嫌疑波的三种基本成分（棘波、尖波和慢波）在不同尺度上的特性检测出它们。文中最后给出了小波分析检测脑电癫痫波的实例。理论和实践表明,小波分析在脑电癫痫波的检测中有广阔的应用前景。     

基于IP摄像机的手机睡眠监护系统

目的睡眠监护是健康监护技术领域的重要问题。传统睡眠监护方法由于需要被检测者佩戴各种传感器,会严重影响用户的睡眠质量,故实现一种非接触式且低成本的睡眠监护系统具有重要意义。方法本研究开发了一种基于IP摄像机的手机睡眠监护系统,应用IP摄像头作为视频服务器,手机可通过访问服务器地址,提取相应的健康信息加以分析。手机端开发的应用程序,可对图像监控区域内的人体部位加以记录和评估,由此实现用户睡眠姿态、呼吸频率、翻身次数以及是否打鼾等信息的检测。结果通过对用户整晚的睡眠视频进行处理,得到相关呼吸信息、鼾声信息等,验证了该系统的实用性。结论该系统提供了一种低成本且非接触式的睡眠研究途径。     

改进G-P算法与睡眠脑电的关联维

脑电的非线性参数能有效表达大脑的不同生理状态,不同睡眠期脑电的关联维数不同.但用G- P算法求关联维数存在抗干扰能力较差、可靠性不稳定、运算量巨大等缺点.先对相空间进行奇异谱分析,进而对原始相空间进行旋转,使其成为正交的等效空间,然后再使用G- P算法.改进后的算法能有效地抑制噪声干扰,降低相空间规模,减少运算复杂性,在睡眠脑电的关联维数计算上效果良好.     

基于脑电信号的睡眠分期算法研究

睡眠质量与人类健康息息相关,准确的睡眠质量监测对于帮助人们改善睡眠质量能够起到有效的监督作用。以MIT-BIH多导睡眠数据库slp01、slp02和slp04等3个样本的脑电信号为分析对象,采用sym7小波对其进行7层分解以去除高频细节信号,得到较为纯净的脑电信号。然后通过非线性符号动力学分析,去趋势波动分析以及频谱分析,分别提取符号熵指数,去趋势波动指数以及δ频带能量比等3个参数,对每个样本采用Kennard-Stone方法按照4〖DK〗∶1的比例建立校正集样本和预测集样本,并结合最小二乘支持向量机分类器进行样本训练拟合与分类识别。结果表明,3个特征参数与睡眠状态具有高度相关性,相关系数绝对值均高于0.83,并且确定了符号熵参数的嵌入维数为4,延迟常数为1,去趋势波动指数的分段区间为30～500,平均的睡眠分期正确率可达92.87%,比基于复杂度、近似熵等算法的分类正确率提高约5%。     

时窗复杂度序列在睡眠脑电分期中的应用

运用时窗复杂度序列来分析睡眠脑电，减少了非平稳性及状态空间的不均匀性造成的脑状态信息的丢失，在一定程度上克服了复杂度自身的局限，有助于不同睡眠期状态特征的提取。另外采用独立分量分析（ICA），小波变换等方法对脑电进行预处理，实验表明它们能有效地去除脑电中的一些生理干扰，有利于提高复杂度算法在睡眠分期应用中的精确度。     

睡眠脑电的奇异系统分析

奇异系统分析具有抑制噪声的效果,并且方法简单,计算量小.睡眠脑电的奇异系统分析表明,第一主成分含量明显反映了睡眠状态差异:在清醒时最低,随着睡眠加深逐渐增加,但在REM期时介于S1期和S2期之间.这一结果基本不受个体、数据长度、嵌入维数以及延迟时间的影响.     

睡眠脑电的自回归模型阶数特性

传统睡眠脑电 (Sleep EEG)研究从信号的时域和频域的特征分析睡眠过程 ,通常根据功率谱观察信号中特定节律的出现和频带的分布。而功率谱估计中基于参数模型的方法得到广泛应用 ,但建模时通常只能根据经验选择一个固定较低的阶数。本文讨论了自回归模型阶数 (Autoregressive m odel order,ARMO)估计准则的一些最新进展 ,并且统计了一段睡眠过程中 EEG的阶数分布。结果显示 EEG的 ARMO分布集中在差别很大的几个区间 ,可以用来表示睡眠 EEG分期内微结构和过渡过程 ,并在一定程度上提供 EEG的特征和组成成分的信息     

睡眠脑电信号的非线性动力学分析

睡眠与健康、工作、学习等之间的关系甚为密切。由于脑电(EEG)是描述睡眠过程中最显著和最直观的信号,所以睡眠脑电是研究睡眠的重要且有用的工具。其中睡眠分期研究对评估睡眠质量重要。由于脑电活动自身的复杂性,因此采用非线性方法处理会有比较好的结果。本文简单介绍了睡眠与脑电的关系,重点介绍了几种非线性动力学方法,包括李亚普诺指数、复杂度、相关维数、近似熵等,并介绍了它们对睡眠脑电信号进行特征处理的情况,发现在不同的睡眠期,计算出的结果呈现一定的变化规律。     

基于融合规则的注意相关脑电分类算法研究

提出一种新的基于支持向量机(supervectormachine,SVM)学习机制和数据融合理论的脑电分类算法,并设计了注意分级实验进行验证。首先,对脑电信号进行3级小波分解,由主分量分析(principlecomponentanalysis,PCA)方法提取其中的主特征分量;然后由支持向量机对特征分量进行分类;最后依据数据融合理论,对多导分类结果进行综合判断。结果表明,该方法具有良好的鲁棒性,对多导注意相关EEG的分类准确率可达89%左右,并高于单导最优准确率,对注意力缺陷反馈治疗、注意力机制研究等有较高的实用价值。     

一种新型的脑电有线传输技术

本文介绍了一种新的脑电信号有线传输技术；经公共电话网络、通过一个调频信道、利用时分多路复用方式可同步传输多达20导联的脑电信号；通过另一个调频信道，接收方还能实时获知受测试者的当前意识状态以及实现收发双方的同步。经在此基础上开发的脑电遥测系统的使用验证：该技术能涵盖大部分临床诊断的实际需要、并且信号的传输质量较好、失真度小、无明显噪声污染、无基漂。     

基于高阶累积量算法的脑电信号中心电伪迹的消除

在脑电信号测量过程中，不可避免的会存在心电信号的干扰，给医生的诊断带来困难。本文将盲源分离理论用于研究脑电信号中的心电伪迹消除，介绍了盲源分离问题的基本模型、基于高阶累积量的独立性判决准则以及联合近似对角化算法。仿真实验表明。该方法能有效去除脑电信号中的心电伪迹干扰。     

一新型的脑电有线传输技术

本文介绍了一种新的脑电信号有线传输技术：经公共电话网络、通过一个调频信道、利用时分多路复用方式可同步传输多达20导联的脑电信号;通过另一个调频信道,接收方还能实时获知受测试者的当前意识状态以及实现收发双方的同步。经在此基础上开发的脑电遥测系统的使用验证：该技术能涵盖大部分临床诊断的实际需要、并且信号的传输质量较好、失真度小、无明显噪声污染、无基漂。