基于小波与小波包分析的CT图像去噪研究

目的:小波与小波包分析在医学CT图像噪声抑制方面的应用价值研究。方法:采用MATLAB6.5对512×512的CT图像进行实验。提出了小波局部阈值软硬函数折中消噪方法。并将此方法与小波强制消噪、全局阈值硬函数消噪、全局阈值软函数消噪、及小波包消噪的方法进行了对比。结果:从实验中可以得出小波包消噪效果最好,能够有效的滤除图像中的噪声且边缘效果保持良好,本文提出的小波局部阈值软硬函数折中消噪法也能能够有效的滤除图像中的噪声,效果较小波强制消噪、全局阈值硬函数消噪、全局阈值软函数消噪要好,但是边缘效果及噪声滤除的程度都不及小波包。结论:实验结果表明本文提出的小波局部阈值软硬函数折中消噪方法在小波消噪方面具有一定的价值。     

基于小波包分析的意识任务特征提取与分类

将基于小波包变换的多尺度分析方法应用于自发脑电 (EEG)的特征提取。在对 3种意识任务的脑电信号进行多级小波包分解的基础上 ,将不同尺度空间的能量信号作为特征值 ,组成不同意识任务的特征向量 ,并利用径向基函数神经网络进行分类测试。结果表明 ,小波包变换方法的分类正确率高于自回归模型方法。小波包分析方法可以作为不同意识任务脑电信号特征提取的一种新方法 ,具有较强的稳定性     

小波包算法及其在医学图像压缩中的应用

简要介绍了小波包变换的原理和算法，用小波与小波包对一幅图像进行了压缩试验。结果表明，小波包压缩性能较小波压缩性能好。     

基于经验模态分解-小波包变换的表面肌电信号手势识别

为了提高表面肌电信号（sEMG）手部运动识别的正确率,比较常规的sEMG预处理和特征提取方法,提出一种基于经验模态分解（EMD）和小波包变换（WPT）的sEMG手势识别模型。首先,使用EMD方法将sEMG进行平稳化,得到一系列的固有模态函数。其次,求取各个固有模态函数与原始信号的相关性,选取相关性较高的前4个分量作为有效分量。然后,采用Db3小波函数进行WPT,提取小波包系数中的平均能量、平均绝对值、最大值、均方根和方差等特征。分别采用线性判别分析和支持向量机对12种手部运动进行模式识别。结果表明基于EMD和WPT的sEMG手势识别正确率比直接提取小波包系数中的特征识别正确率高。     

比较二维小波和二维小波包技术在不同压缩模式下的降噪处理

背景:小波和小波包技术是进行时频信号分析的重要方法。医学图像数字化采集后断层多,数据信息量大,易受噪声影响。采用二维小波技术和小波包技术可以实现肝癌图像的完美压缩和降噪。目的:比较二维小波和二维小波包技术在不同压缩模式下压缩肝癌图像的优劣以及小波降噪的技巧。方法:选用同一幅动脉期肝癌图像,进行4层分解,利用二维小波和二维小波包技术分别进行Balance sparsity-norm、Removen ear0和Bal.sparsity-norm(sqrt)三种模式的压缩处理,再利用小波函数对含噪声信号的图像进行降噪处理。结果与结论:对于同一种压缩模式,二维小波包技术压缩肝癌图像优于二维小波技术,3种压缩模式中Bal.sparsity-norm(sqrt)模式和Remove near0 mode模式压缩比例更小,图像清晰度更好;小波降噪能很好地消除噪声信号。提示利用二维小波技术和小波包技术都可以实现肝癌图像的完美压缩和降噪。     

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。     

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。     

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.     

基于最佳小波包的表面肌电信号分类方法

针对表面肌电信号的分类问题，采用最佳小波包分解构造最能体现分类能力的小波包基。用Fisher线性判别分析对肌电信号各个子空间的相对能量特征进行降维处理，然后利用BP神经网络进行分类识别。实验表明该方法能够有效地从伸肌和屈肌采集的两道肌电信号中识别前臂内旋、前臂外旋、握拳和展拳四种运动模式，是一种稳定、有效的特征提取方法，为非平稳生理信号的分析提供了新的手段。     

多类运动想象脑电信号的处理研究

基于运动想象的脑-机接口具有不依赖外界刺激器的特点,但如何根据不同受试者自适应地提取出最佳特征是目前的难点之一.本文设计了基于LabVIEW平台的运动想象脑电信号采集系统,对五名受试者想象左手、右手和脚运动时的脑电信号进行采集;利用小波包分解提取μ节律和β频段,实现脑电信号的滤波;通过分析不同受试者的小波包节点的ERD/ERS比率,自适应地选出最佳特征时间和频段;组合最佳特征时间、频段的小波包能量和小波包熵作为特征向量,利用马氏距离分类判别.实验结果证明:利用ERD/ERS比率、小波包分解和马氏距离分类,算法简单快捷,平均正确率可以达到84.3％,较好的实现了三类运动想象分类,提高了系统的自适应性.     

基于功率谱特征的心电数据小波压缩方法

利用心电功率谱特征,探索心电数据压缩新方法。用小波分解心电信号为高频与低频分量,对低频分量继续分解达到要求的级数,对高频分量则根据其所在频段的能量,对临床诊断的价值加以取舍。对MIT生理信号数据库心电数据的压缩与还原分析表明,该方法平衡了压缩比与还原精度之间的矛盾,既具有较高的压缩比,又具有较高的还原精度,而且对信号的适应性也明显增强。另外,该压缩方法还具有一定的去噪作用。说明结合心电功率谱特征与小波变换方法压缩心电有其优势。     

Adaptive subject-based feature extraction in brain-computer interfaces using wavelet packet best basis decomposition

In this paper we discuss a subject-based feature extraction method using wavelet packet best basis decomposition (WPBBD) in brain-computer interfaces (BCIs). The idea is to employ the wavelet packet best basis algorithm to adapt to each subject separately. Firstly, original electroencephalogram (EEG) signals are decomposed to a given level by wavelet packet transform. Secondly, for each subject, the best basis algorithm is used to find the best-adapted basis for that particular subject. Finally, subband energies contained in the best basis are used as effective features. Adaptive and specific features of a subject are so obtained. Three different motor imagery tasks of six subjects are discriminated using the above features. Experiment results show that the subject-based adaptation method yields significantly higher classification performance than the non-subject-based adaptation and non-adaptive approaches.     

基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较

运动想象脑电特征快速准确提取是脑-机接口技术研究的重要问题.本研究分别讨论了共同空间模式(common spatial pattern, CSP)与小波包分析关于左右手运动想象特征提取的原理,并对两种方法进行了比较.对于GRAZ大学提供的运动想象脑电数据,使用CSP 与支持向量机(support vector machine, SVM)结合的分类正确率最高为85.5%;使用小波包分析与SVM结合的分类正确率最高为99%.同时对于本实验室采用Emotiv epoc+ 系统采集的运动想象脑电数据,利用小波包分析与 SVM结合的分类正确率也保持在98%以上.实验结果表明,相较于CSP算法,小波包分析对于运动想象特征提取的效果更好.     

A low computational complexity algorithm for ECG signal compression

In this work, a filter bank-based algorithm for electrocardiogram (ECG) signals compression is proposed. The new coder consists of three different stages. In the first one--the subband decomposition stage--we compare the performance of a nearly perfect reconstruction (N-PR) cosine-modulated filter bank with the wavelet packet (WP) technique. Both schemes use the same coding algorithm, thus permitting an effective comparison. The target of the comparison is the quality of the reconstructed signal, which must remain within predetermined accuracy limits. We employ the most widely used quality criterion for the compressed ECG: the percentage root-mean-square difference (PRD). It is complemented by means of the maximum amplitude error (MAX). The tests have been done for the 12 principal cardiac leads, and the amount of compression is evaluated by means of the mean number of bits per sample (MBPS) and the compression ratio (CR). The implementation cost for both the filter bank and the WP technique has also been studied. The results show that the N-PR cosine-modulated filter bank method outperforms the WP technique in both quality and efficiency.     

A new hybrid algorithm for ECG signal compression based on the wavelet transformation of the linearly predicted error.

This paper describes a hybrid technique based on the combination of wavelet transform and linear prediction to achieve very effective electrocardiogram (ECG) data compression. First, the ECG signal is wavelet transformed using four different discrete wavelet transforms (Daubechies, Coiflet, Biorthogonal and Symmlet). All the wavelet transforms are based on dyadic scales and decompose the ECG signals into five detailed levels and one approximation. Then, the wavelet coefficients are linearly predicted, where the error corresponding to the difference between these coefficients and the predicted ones is minimized in order to get the best predictor. In particular, the residuals of the wavelet coefficients are uncorrelated and hence can be represented with fewer bits compared to the original signal. To further increase the compression rate, the residual sequence obtained after linear prediction is coded using a newly developed coding technique. As a result, a compression ratio (Cr) of 20 to 1 is achieved with percentage root-mean square difference (PRD) less than 4%. The algorithm is compared to an alternative compression algorithm based on the direct use of wavelet transforms. Experiments on selected records from the MIT-BIH arrhythmia database reveal that the proposed method is significantly more efficient in compression. The proposed compression scheme may find applications in digital Holter recording, in ECG signal archiving and in ECG data transmission through communication channels.     

基于提升格式整数小波变换的超声图像压缩算法

本文提出了一种基于提升格式整数小波变换和改进的SPIHT编码(多级树集合分裂算法)的医学超声图像压缩算法.在压缩对象选择和小波变换方面充分考虑了超声扫描线图像的分辨率特性.与基于Mallat小波变换的标准SPIHT编码算法相比,本文算法在压缩比和重建图像峰值信噪比至少不降低的情况上,运算时间不到前者的40％,内存消耗也大大减小,因而更适合于实时图像压缩.     

一种基于小波变换的医学图像量化编码算法的研究

医学图像压缩是远程医疗和PACS系统中的重要研究课题，研究了小波子带图像系数的统计分布，发现小波子带图像系数分布和拉普拉斯分布非常相似，继而提出了一种基于其统计特征的图像量化编码算法，该算法以小波子带图像样本标准差为选择量化编码阈值的重要依据。实验表明，该算法具有计算简单，不同阈值范围待编码系数可预测以及易于获得较高压缩效率的优点，在远程医疗和PACS系统等领域的医学图像压缩中有重要的潜在应用价值。     

基于小波网络的动态心电数据压缩算法

本文研究了动态心电信号的非平稳过程特性和动态心电图 (ECG)的诊断信息依据 ,从时间序列建模角度研究数据表示模型和压缩算法 ,采用小波网络 (WN)作为数据表示模型 ,提出了动态心电数据的小波网络压缩算法。本算法对原始心电数据实时地分帧 ,将每帧数据映射为小波网络的网络参数作为原始数据的重构信息。文中详细叙述了小波网络的数据表示原理和分帧压缩算法 ,给出了动态心电数据的压缩 /重建的实验结果并进行分析讨论