基于递归最小二乘法的回声状态网络算法用于心电信号降噪

远程医疗的复杂环境中,心电信号极易被噪声淹没,从而影响心血管疾病的智能诊断。基于此,本文提出了一种基于递归最小二乘法的回声状态网络心电信号降噪算法。该算法通过递归最小二乘法对该网络进行训练,可自动学习得到含噪心电数据中非线性的且具有区分度的深层次特征,并利用这些特征自动分离心电信号与噪声。实验中,采用信噪比和均方根误差为指标,将本文方法与基于子带自适应阈值的小波变换法和S变换法进行比较。实验结果表明,本方法降噪精度更优,同时信号的低频成分也得到了很好的保持。本文方法可做到消除心电信号中的复杂噪声并完整保留心电信号的形态,为心电图的特征检测和心血管疾病的智能诊断奠定了基础。     

小波变换去除心电信号中呼吸信号干扰

目的 研究用小波变换去除心电图信号中呼吸信号的方法。方法 采用db4小波对采样频率为200Hz的心电图信号作离散小波变换的多层分解，并与呼吸信号的频率成分比较，发现呼吸信号分布在心电图信号分解后第8、9、10层细节中，去除这些成分和高频干扰，对剩下的分量重构。结果 比较成功地纠正了心电信号的基线，去除了低频呼吸信号的干扰。结论 小波变换的方法能够去除心电信号中的呼吸信号干扰。     

基于小波熵的心电信号去噪处理

实测的心电信号不可避免地存在一些强干扰和噪声,如何在强背景干扰和噪声下准确提取出有用的心电信号,是心脏病智能诊断的一个重要内容。提出一种新的基于小波熵的弱心电信号去噪方法,先将信号小波分解,再对不同分解尺度上的高频系数进行小波熵阈值的量化处理,然后利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的高频小波系数分量,组成进行信号重构所需要的系数分量进行重构,将严重的干扰和噪声去掉,实现有效信号的提取。最后分别利用临床的实测心电数据和M IT/B IH心电数据库信号进行验证,并针对不同噪声类型和不同信噪比情况进行分析。结果表明,该方法简单有效,尤其对于高频噪声效果更优,且适于实际应用。     

提升小波和平滑滤波在心电信号快速滤波中的研究

利用提升小波将原始心电信号(ECG)按频率特性分解为低频的逼近信号和高频的细节信号,舍弃前几层细节信号,采用自适应平滑滤波器选择合适的阈值对逼近信号进行滤波,从而避免平滑滤波对QRS波的损伤,再用提升小波逆变换重建保留的逼近信号,进而实现对心电信号中三种主要噪声的抑制.实验表明该方法计算量小,实时性强.     

基于抗混叠小波变换的胎儿心电信号分离方法

目的胎儿心电图能够较好地反映胎儿在子宫内的发育状况,但是由于采集的胎儿心电信号中混有噪声干扰,给医学诊断带来极大干扰。抗混叠小波变换算法能够从混有噪声干扰的源信号中提取胎儿心电信号,且当胎儿心电信号与母体心电信号混叠时,该方法仍能够提取胎儿心电信号。基于此,本文提出一种基于抗混叠小波变换的胎儿心电信号分离方法。方法首先对原始心电信号进行滤波预处理,再利用小波变换分离母体心电信号和胎儿心电信号,最后根据抗混叠分离算法获取混合心电信号中的胎儿心电信号,得到满周期的胎儿心电信号。结果该方法能够较好地获取胎儿心电波形,胎儿心电波形识别准确率可达100%,在信噪比较低的情况下,识别准确率仍可达到77.78%。应用此算法在国外MIT-BIT心电信号数据和国内医院临床心电信号数据中进行实验仿真,并与先前学者的胎儿心电信号提取方法进行对比。结论此方法具有较高的识别准确率以及在临床应用中的可靠性和可行性。     

基于小波变换的心电信号准无损压缩算法

提出了基于小波变换的心电信号准无损压缩算法。在对原始信号进行一级小波分解的基础上，根据高频分量和低频分量所占位数的不同分别进行无损压缩。实验结果表明该方法失真度非常小，而且算法简单，运算速度快。     

基于独立成分和小波分析的胎儿心电提取

背景：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,如何快捷与有效地提取出胎儿心电将成为重要的研究课题。 目的：采用结合独立成分分析和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。 方法：结合独立成分分析和小波分析的算法进行胎儿心电的特征提取,首先对含噪信号进行小波变换,去除奇异信号和非平稳随机信号,然后对小波重构后的信号运用快速独立成分分析算法进行成分分析。 结果与结论：在胎儿心电信号的采集过程中,会受到母体和其他噪声的强干扰,但这些信号都是随机的,不相关的,可以认为它们间是相互独立的。采用结合独立成分和小波分析的方法对来自于同一母体的观测信号进行独立分量分离,得到有效的胎儿心电。实验证明该方法是一种有效的方法。     

基于小波变换的心电信号基线矫正方法

本文介绍一种基于小波变换的心电信号基线漂移去除方法。该方法利用小波变换多分辨分析的特性,将含噪声及基线漂移心电信号进行多尺度分解,结果表明,某尺度下的分解信号较好地反映了心电信号基线漂移,在重构过程中可直接将其去除。     

小波变换在滤除心电中工频干扰的应用

人体的心电信号由于其幅度低和频率低而易受到各种干扰的影响,本文介绍了利用小波变换来滤除心电信号中的工频噪声。处理过程是采用小波变换将原始心电信号分解成不同频段下的细节信号,再对各种细节信号进行加权处理,再重建心电信号,就能实现心电信号中的工频干扰的消除。从实验结果来看,本方法简单实时,且效果明显,为心电数据的进一步处理奠定了良好的基础。     

面向心电信号去噪的正交小波构造方法

为更好地去除心电信号的肌电干扰,设计出专门用于心电信号处理的正交小波(心电小波)。首先,为满足正交性要求,对小波滤波器系数进行参数化设计;其次,用参数化的小波滤波器系数逼近QRS模板并构造出目标函数,在此基础上以消失距作为约束条件得到优化模型;最后,采用拉格朗日乘子法对模型进行求解。从光滑性、与心电信号的相似性、重构误差以及频响特性等方面,对构造出的小波性能进行评估,结果表明,相对于db和sym系列的小波,心电小波可以获得更好的综合性能。当将该算法用于MIT-BIH数据库中的心电信号去噪时,能够抑制加性噪声的干扰,使信噪比提高10.32dB。根据应用对象设计正交小波的方法,为其他专用小波设计提供新思路。     

一种基于小波域主成分分析的心电压缩算法

目的为降低心电信号存储和传输的数据量,并克服传统心电压缩方法只利用导联内相关性的劣势,本文提出一种基于小波域主成分分析和分层编码(w PCA_LC)的压缩方法。方法首先通过心电电极获取12通道心电数据,对所有通道的心电信号做小波变换,每个尺度下的小波系数组成小波系数矩阵,在每个系数矩阵上做主成分分析(principal component analysis,PCA),之后对小波系数小的主成分做[位置增量,数据]的编码方式,其他主成分采用霍夫曼编码,最后使用本文算法压缩圣彼得堡心率失常数据库。结果实验表明,在均方根误差为5.2%时,本文算法的压缩比为71,远高于基于稀疏分解的方法和基于小波变换阈值选择的方法。结论基于小波域主成分分析的心电压缩算法对多导联心电信号具有较好的压缩性能。     

基于小波变换与形态学运算的ECG综合检测算法的研究

针对心电波形检测中小波变换算法的缺点 ,在 ECG特征点检测中 ,将原始信号在 3尺度上的 haar小波分解的细节信号模极大值对检测法与数学形态学峰谷检测相结合 ,提出了一种新的心电波形特征点综合检测算法 ,该算法弥补了小波变换算法对信号振幅检测上的不足 ,有效地提高了心电信号特征点检测的准确度。     

基于经验模态分解和Hilbert变换的QRS综合波检测算法

提出一种新的有效结合经验模态分解(EMD)和Hilbert变换的QRS综合波检测算法。采用EMD将心电信号分解成一系列内蕴模式分量(IMFs),舍去对应于高频噪声的IMF1和IMF2,舍去对应于低频噪声的最后两个IMFs和趋势项,能有效地抑制高频噪声和基线漂移。将降噪后的信号进行Hilbert变换,得到对应的解析函数,利用其包络,进一步抑制高大P波、T波等对QRS综合波检测的影响,采用自适应阈值进行QRS综合波检测。经MIT-BIH Arrhythmia Database全部数据检测验证,平均正确检测率可达到99.78%,表明本算法具有较高的正确检测率和良好的抗噪性能。     

基于自适应局部余弦变换的正交多普勒超声信号降噪方法的研究

多普勒超声信号的谱图已经被广泛用于医疗诊断。来自系统内部的噪声及外部的干扰会产生附加的频谱成分，从而影响谱图的主观分析及进一步的定量分析。为抑制噪声的影响，本文提出利用一种新的基于自适应局部余弦变换和非负Garrote取阈值的方法对正交多普勒超声信号进行降噪。首先，由正交信号提取正向和逆向血流信息；然后对其分别进行降噪；最后利用Hilbert变换进行重构得到真实信号的估计。在仿真研究中，采用平均频率波形和谱宽波形的估计精度作为性能改善的指标。结果表明这种方法优于基于小波变换的降噪方法，特别是在低信噪比情况下。     

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%。     

一种同时消除脉搏波信号中呼吸基线漂移和高频噪声的方法

目的：基于光电容积脉搏波可以实现血氧饱和度等人体生理参数的无创检测。基于光电容积脉搏波测量时,由于信号采集过程中存在人体呼吸和仪器本身热噪声等干扰,脉搏波信号中存在着呼吸基线漂移和高频噪声,影响最终的人体生理参数测量精度。方法：因此提出一种在经验模式分解的过程中结合小波变换的方法,来同时消除呼吸基线漂移和高频噪声的影响。首先通过经验模态分解将脉搏波信号分解为若干内在模式分量,并分别判断出含有呼吸基线漂移和代表高频噪声的分量,对于代表高频噪声的分量采用类似小波变换的方法进行滤波,利用小波变换将含有呼吸基线漂移的分量分解,将代表呼吸基线漂移的小波细节置零,信号重构后就达到了同时消除呼吸基线和高频噪声的目的。利用自行研制的测量装置采集的脉搏波信号进行实验验证,并采用信号交直流比R和信号的频谱进行效果评价。结果：有效地同时消除了呼吸基线漂移和高频噪声。结论：该方法将有利于血氧饱和度等人体生理参数无创检测精度的提高。     

基于平移不变小波变换的颈肩肌电信号去噪方法研究

在采用肌电信号进行颈肩肌肉疲劳特性分析中,为提高非平稳表面肌电信号(surface electromyography,SEMG)的信噪比,抑制传统强制去噪时在信号奇异点处产生的伪吉布斯(Gibbs)现象,采用平移不变(translation invariance,TI)小波新阈值去噪的方法对肌电信号进行去噪。实验表明,该方法在保留颈肩肌电信号主要特征的前提下,与传统强制去噪方法比较,信号的信噪比(signal-noise ratio,SNR)提高了7倍,均方根误差(root mean square error)降低为原来的四分之一,故该方法更适合在充分保留肌电信号细节特征的前提下,去除颈肩肌电信号中的白噪声和50 Hz工频谐波干扰。     

基于小波降噪的呼吸信号提取方法

针对呼吸信号中包含的心动冲击、动脉搏动等相关噪声,提出了一种基于小波降噪的呼吸信号提取算法。该算法采用db4小波将信号在六个尺度上分解,应用史坦无偏似然估计原理产生自适应阈值对小波系数做阈处理并重构小波系数,处理结果显示噪声信号可被有效剔除。为临床上实现非接触的呼吸监护打下基础。     

基于EMD-ICA的心冲击信号降噪研究

心冲击信号(BCG)是反映心脏机械运动的生理信号,能实现无电极束缚条件下的连续采集测量。但BCG信号微弱,易受干扰,测量时经常会淹没在噪声中。为了消除噪声,有效识别BCG信号特征,提出一种基于经验模态分解(EMD)联合独立分量分析的BCG信号降噪方法。首先,将含噪BCG信号进行EMD分解,获得一系列按频率从高到低的固有模态分量(IMF),采用模态相关准则进行信号层与噪声层的判定;其次,将分界之上的IMF分量构建虚拟噪声通道,基于ICA算法对原始BCG信号进行盲源分离,从而得到降噪后的BCG信号。采集10名健康受试者的BCG信号进行降噪处理。量化评价结果表明,与小波方法和EMD方法相比,降噪后信噪比均显著提高(小波方法11.01±1.58,EMD方法5.19±1.29,所提出方法14.87±3.04,P<0.05),能量百分比也均显著提高(小波方法88.81%±2.81%,EMD方法96.15%±2.96%,所提出方法96.64%±2.92%,P<0.05),从而证明所提出方法降噪效果明显,能够有效还原BCG信号特征。     

基于混合小波变换的瞬态信号检测方法

探讨了信号的小波变换与匹配滤波的关系,指出小波变换（WT）实际上就是可变检测模板的匹配滤液过程。根据这一思想,提出了基于混合小波的信号检测方法。本文中,“混合小波变换”是指在小波分解和重构中分别使用不同的基本小波。其中分解小波用于实现可变模板的信号检测,重构小波则用以增强被检测信号的特征。我们用该方法对实测脑电信号（EEG）中瞬态脉冲干扰进行检测。实验结果表明该方法能有效地检测出EEG中的瞬态脉冲。