独立元分析和非负矩阵分解的盲源分离比较

独立元分析(Independent Component Analysis,ICA)和非负矩阵分解(non-negative matrix factorization,NMF)是盲源分离的研究热点.文章在提出盲源分离框架的基础上,对独立元分析和非负矩阵分解进行了比较,并通过两个实例分别介绍了两者在生物医学领域中的应用.     

基于非负矩阵分解的大脑不同区域基因表达数据分析

基因之间存在多种多样的表达调控活动,一般认为这些调控关系隐含在基因表达谱中。针对阿尔茨海默症(AD)起病隐匿、诊断难、发病机理复杂以及基因信号传导通路和调控关系难以重建等特征,利用非平滑非负矩阵分解(nsNMF)方法提取AD致病基因,聚类过程中利用共表型相关性系数(CCC)选取聚类数k的值,得到最优的聚类数目。针对基因表达数据噪声高、信息变量隐藏难分析的困难,考虑AD的发生发展与许多大脑功能区域密切相关的特性,提出将nsNMF分别应用于AD患者的大脑海马区、内嗅区皮质、颞中回及视觉皮层区的基因表达数据中,共提取3 800个显著基因,其中包括确定与AD致病机理有关联的10个致病基因,并进行了生物学分析,得到了AD相关的细胞凋亡、代谢及炎症反应等生物过程,显示nsNMF方法及大脑多区域数据集的联合分析能更全面地探寻AD信号传导关系及基因调控方式。     

基于小波变换的心电信号检测的应用研究

利用二进样条小波对信号按Mallat算法进行数字滤波，去除干扰。再利用动态的检测算法及规则对QRS波主要集中的2^3尺度下的QRS波进行检测。从而有效的提高QRS波的正确检测率。     

基于小波变换的心电信号检测的应用研究

利用二进样条小波对信号按Madlat算法进行数字滤波，去除干扰。再利用动态的检测算法及规则对QRS波主要集中的2^3尺度下的QRS波进行检测。从而有效的提高QRS波的正确检测率。     

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。     

基于小波包分解的不同状态下脑电信号分析

本文针对脑电信号的非平稳性,引入小波包分解理论处理临床脑电.根据脑电信号的不同节律特性,提出应用小波包分解构造不同频率特性的时变滤波器,提取脑电信号不同节律的动态特性,并由此构造各种节律的动态脑电地形图.为了研究不同脑功能状态下脑电信号各种节律的动态特性,文中对两组不同的临床脑电数据进行分析,比较两种状态下各种节律的动态特性.实验结果表明,利用小波包分解对脑电信号进行滤波,能够有效提取临床脑电不同节律的动态特性,为分析脑电信号提供一条新的途径.     

基于心冲击信号的心率检测方法

针对现有基于心冲击描记图进行心率检测存在的抗干扰性不足问题,提出一种鲁棒的心率检测模型,首先对原始信号中受干扰的片段进行补偿重构,然后将J峰作为特征波形,通过基于J峰频段的滤波与差分增强处理放大特征,并设计改进的峰值提取算法定位心跳点,进而得到心率估计值。实验结果表明,所用模型对于不同情形下的心冲击描记图信号均表现出良好的适应性,逐拍检测平均覆盖率为98.3%,平均准确率为98.4%。心率输出结果与金标准一致性高,误差范围控制在[±]5%以内,且运算实时性好,可以为临床或家庭保健提供良好的心率检测方案。     

基于小波变换的心率变异性动态分析

心率变异性（Heart rate variability，HRV）分析已成为无创检测心脏自主神经调节功能的一种手段。传统的频域分析，主要是计算HRV信号各频段功率，以及识别各频段的峰值频率，无论是采用经典谱估计还是AR模型都是以假设HRV信号近似平稳为前提的。这种假设在短程分析中可以基本满足，但在长程分析中，HRV信号的非平稳性便凸现出来。提出了一种基于小波变换的心率变异性动态分析方法，它不但可以获得传统的频域指标，而且可以获得它们随时间变化的动态值，称为短时功率，短时LF／HF比，特别是后者，可以动态评估自主神经活动的平衡情况。最后将这种分析方法应用到阿托品药物实验中，跟踪分析了阿托品对自主神经的影响情况。     

小波变换去噪方法在多谱勒胎儿心率提取中的应用研究

为了从超声多谱勒胎音信号中提取胎音信号，获得平滑的胎心率曲线，并计算胎心率，必须去除信号提取过程中的各种干扰和噪声。对平均频移算法获得的多谱勒信号的平均频率曲线采用小波变换中的五层强制去噪方法，使后续的相关计算能得到平滑的胎音信号，从而方便计算胎儿的心率。通过对实际超声多谱勒胎音信号的处理，获得了较好的结果，提取出了稳定、平滑的胎心率曲线，较准确地计算出了胎心率。     

基于频数直方图检测QRS波的新方法

简要评述了从心电图检测QRS波的现行方法(特别是利用小波变换的方法)，指出了其中的不足，还提出了一种简便有效的、基于频数直方图的检测QRS波新方法，介绍了频数直方图的原理，以及用于检测QRS波所依据的匹配原则，并利用MIT／BIH心电数据库的数据及北京工业大学校医院提供的数据对此新方法进行了验证。     

用小波变换的模极大值提取胎儿心率的方法

对胎儿监护的主要方法是监听胎儿心率,而超声多普勒测量胎儿心率是一种很好的无创方法.但是,由于测量得到的原始信号成分非常复杂,干扰严重,从而使其对胎心率的提取造成很大困难.本文利用小波变换系数的模的平方值与信号奇异性指数之间的关系,从超声回波信号中提取出了胎儿的心率.由于噪声的小波变换系数随尺度的增大而减小,因此,该方法具有较高的抗干扰能力.通过模拟仿真和实际信号处理,证明该方法能准确地从超声多普勒信号中提取胎心率信号.     

基于自适应小波神经网络的心电图检测法

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。     

心率变化对心电信号各波间期的影响分析

分析了运动心电信号心率变化对其各特征波形的持续时间的影响程度,其中受影响最大的是ＴＰ间期,其次是ＱＴ间期,Ｐ波和ＱＲＳ波群的宽度基本不变,并根据ＱＴ间期的变化特点给出了运动心电关键检测参数ＳＴ段值的自适应调整Ｊ点后取值位置,对于准确地识别运动心电信号的各特征波和判定运动试验的结果具有重要意义。     

Fetal ECG Extraction Based on Adaptive Linear Neural Network

Fetal ECG extraction has the vital significance for fetal monitoring. This paper introduces a method of extracting fetal ECG based on adaptive linear neural network. The method can be realized by training a small quantity of data. In addition, a better result can be achieved by improving neural network structure. Thus, more easily identified fetal ECG can be extracted. Experimental results show that the adaptive linear neural network can be used to extract fetal ECG from maternal abdominal signal effectively. What's more, a clearer fetal ECG can be extracted by improving neural network structure.     

基于多分辨率分析的心率变异性分析

目的：心率变异性蕴藏了大量有关心血管调节的信息,可作为定量反映自主神经功能及其对心血管的调控作用和反映心脏活动正常与否的重要指标之一。因此,主要研究了几种常用的心率变异性分析方法。方法：本论文应用多分辨率分析方法对HRV信号进行6尺度分解,计算小波系数的能量及其在各频段的分布,对cd3-cd6频段的能量进行分析比较。结果：充血性心衰患者各频段能量均值比正常人都要低,能量分别主要集中在高频段和低频段的偏低频部分,且两组的能量差异更为明显,与频域分析结果相比更为精确。结论：要得到带有普遍规律的实验结果,需要对不同的分析方法进行不断地改进和优化,并进行大量的研究工作。     

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。     

基于自适应线性神经网络的胎儿心电信号提取

胎儿心电信号提取对胎儿监护具有重要意义。本文介绍了一种基于自适应线性神经网络的胎儿心电信号提取方法。该方法根据母体心电信号与母体腹部信号的相关性原理,以母体心电信号为网络输入,母体腹部信号为网络目标,采用W-H学习方法获取的训练误差即为提取出的胎儿心电信号。此外,通过增加网络隐含层,对神经网络的结构进行改进,增加网络训练精度,从而得到更好的训练结果,提取出更易识别的胎儿心电信号。最后分别使用仿真数据和临床数据对上述方法进行测试,实验结果表明,利用自适应线性神经网络可以提取出胎儿心电信号,通过改进神经网络结构,可以提取出更为清晰的胎儿心电信号。     

The Signal Extraction of Fetal Heart Rate Based on Wavelet Transform and BP Neural Network

This paper briefly introduces the collection and recognition of biomedical signals, designs the method to collect FM signals. A detailed discussion on the system hardware, structure and functions is also given. Under LabWindows/CVl,the hardware and the driver do compatible, the hardware equipment work properly actively. The paper adopts multi threading technology for real-time analysis and makes use of latency time of CPU effectively, expedites program reflect speed, improves the program to perform efficiency. One threading is collecting data; the other threading is analyzing data. Using the method, it is broaden to analyze the signal in real-time. Wavelet transform to remove the main interference in the FM and by adding time-window to recognize with BP network; Finally the results of collecting signals and BP networks are discussed. 8 pregnant women‘ s signals of FM were collected successfully by using the sensor. The correct of BP network recognition is about 83. 3% by using the above measure.     

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。