脑电棘波识别和噪声消除的小波变换方法

研究了利用二进小波变的的模极大值识别脑电信号奇异点如棘波和消除噪声的方法,该方法在较好保留原脑电信号奇异信息的同时能有效地消除噪声,进一步讨论了信号与白噪声的奇异性指数的区别,以及小波变换模极大值沿各变换尺度传递的不同特性,并利用该特性区分信号中的奇异点和噪声,能准确识别奇异点的位置,这种奇异性识别技术在信号的特征提取和消除噪声方面有广阔的应用前景。     

基于小波包变换的癫痫脑电棘波检测

为了能够较好地实现癫痫患者脑电的棘波检测,提出一种将棘波物理特征（幅度、频率）和小波包变换结合的算法,用于癫痫患者脑电信号的棘波检测。首先利用小波包变换对癫痫脑电信号进行小波包分解,将脑电波频率（0~30 Hz）划分为3层;其次根据脑电波的频率范围重构第三层节点频率S（3, 0）（0~10.85 Hz）、S（3, 1）（10.85~21.7 Hz）、S（3, 2）（21.7~32.55 Hz）的脑电信号;最后取棘波的幅度作为检测阈值分别提取癫痫患者健康期、癫痫发作间期及癫痫发作期的棘波。实验结果证明,当数据的采样频率为173.61 Hz、信号长度为23.6 s时,该算法能够提取不同癫痫患者在不同时期的棘波信号,该算法棘波的误检率为12.02%、漏检率为11.70%。因此,本文所采用的算法在癫痫棘波检测中具有良好的效果。     

一种基于时频分析的癫痫脑电棘波检测方法

脑电癫痫特征波的自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要的意义.本研究提出了一种基于时频分析的癫痫脑电棘波检测方法.首先通过矩阵的奇异值分解方法得到效果更佳的脑电信号(EEG)的时频分布图,然后利用时频分布的差异测度方法达到对棘波的检测目的.在对临床癫痫脑电信号的实验中,该方法取得了较好的结果.     

B样条小波在提取脑电癫痫棘波中的应用

脑电癫痫特征波自动提取对于患者的诊断，以及减轻医生的繁重劳动力都具有重要意义。采用B样条小波对信号突变点灵敏检测的优良特性来进行癫痫棘波提取，取得了比较好的效果。     

癫痫脑电特征波的综合检测分类方法研究

本文将小波变换、人工神经网络、专家规则判据等多种检测方法有机地结合起来 ,用于癫痫脑电特征波的检测与分类 ,以充分发挥不同方法的优势。这种综合检测分类方法是先将预处理的多导脑电时间序列经小波变换将脑电中癫痫特征波在不同尺度下分离出来 ,再对选出的癫痫嫌疑波进行特征参数提取 ,然后把特征参数送入已经训练好的人工神经网络进行分类识别 ,最后再由专家规则判断筛选并作出检测分类统计报告。研究表明 ,该方法具有很好的信号特征提取和屏蔽随机噪声能力 ,获得了较好的检出率 ;尤其适合于非平稳、非线性生物医学信号的检测分类 ,值得进一步深入研究     

基于小波变换和波形信息的P波检测方法

通过小波变换对ECG信号进行分解，根据模极大值对求出所有的P波。之后，用一简单有效的方法求出每个P波的起、终点，再利用P波的弧度值及P波与折线P波的相关系数值选择出真正的P波。该方法经过MIT/BIH心电数据库中9个长达30分钟的文件的检验，取得了满意的结果。     

基于小波变换和独立分量分析相结合的癫痫脑电分析

临床上分析癫痫脑电信号非常重要。由于临床记录的癫痫脑电信号中含有大量的伪迹干扰,特别是肌电伪迹,所采集的脑电信号无法正确反映大脑的生理及病理状况。本研究利用小波变换的多分辨率特性和独立分量分析(ICA)的盲源分离特性,把用连续小波变换分解的脑电子带信号作为ICA输入,经ICA分离后,有效地消除了癫痫脑电中的肌电伪迹,并分离出了癫痫样特征波,效果理想。     

长期脑电中癫痫波自动检测方法

长期记录的数字脑电图中癫痫波的目测检查需消耗医师大量的精力和时间，在临床上有使用计算机辅助自动分析的需要。本对已有的脑电癫痫波的检测方法进行了整理概述和分析，作为探寻适宜临床应用的癫痫波检测算法的基础。     

一种基于EEG特征提取的癫痫棘波综合检测判决方法

癫痫特征的自动检测在临床应用上具有重要的意义。本研究综合小波变换、非线性能量算子、特征提取和神经网络等技术，提出了一种癫痫棘波检测系统，充分发挥各技术的优点，在对真实脑电数据的处理中，表现出良好的性能。     

脑电信号数据压缩及棘波识别的小波神经网络方法

对小波神经网络及其算法研究的基础上,提出了一种对脑电信号压缩表达和痫样脑电棘波识别的新方法。实验结果显示,小波网络在大量压缩数据的同时,能够较好的恢复原有信号。另外,在脑电信号的时频谱等高线图上,得到了易于自动识别的棘波和棘慢复合波特征说明此方法在电生理信号处理和时频分析方面有着光明的应用前景。     

基于小波变换的脑电图癫痫波形检测

脑电图中癫痫波形的自动检测与分类是临床上很有意义的工作。我们根据脑电图中的癫痫特征波形，利用小波变换的时频局部化特性，给出了一种高效的癫痫波表的自动检测方法，构造了一个连续的癫痫波检测系统。通过检测不同尺度上的局部极大值，确定出对应的脑电图中的锐变点位置，并由此检测出脑电图中的癫痫波，从初步临床试验的结果来看，系统具有检测精度高，可连续作业等优点，获得了较好的效果。     

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。     

基于经验模式分解的脑电棘波检测方法

脑电癫痫特征波自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要意义。本研究结合经验模式分解(EMD)技术提出了一种基于经验模式分解的脑电棘波检测新方法。这种方法提取出EEG信号中与棘波信号相关的高频成分,计算其Hilbert变换后的瞬时幅值,进而检测出棘波信号。对临床EEG数据检测的结果表明,这种方法能有效地从复杂的背景EEG信号中检出棘波,具有良好的应用前景。     

脑电在线分析系统的研究及小波变换的应用

在对小波变换及时频特性研究的基础上,对脑电信号进行时频分析,给出EEG小波变换的结果,实现EEG在不同频率尺度的分解和重构,针对脑电信号的特点和分析方法,设计了脑电在线分析系统,阐述了系统软硬件结构设计和实现方法,该系统具有良好的实时性,功能齐全,可用于脑电的分析,监护和反馈研究。     

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。     

Comparison of STFT and wavelet transform methods in determining epileptic seizure activity in EEG signals for real-time application

Electroencephalography (EEG) is widely used in clinical settings to investigate neuropathology. Since EEG signals contain a wealth of information about brain functions, there are many approaches to analyzing EEG signals with spectral techniques. In this study, the short-time Fourier transform (STFT) and wavelet transform (WT) were applied to EEG signals obtained from a normal child and from a child having an epileptic seizure. For this purpose, we developed a program using Labview software. Labview is an application development environment that uses a graphical language G, usable with an online applicable National Instruments data acquisition card. In order to obtain clinically interpretable results, frequency band activities of delta, theta, alpha and beta signals were mapped onto frequency-time axes using the STFT, and 3D WT representations were obtained using the continuous wavelet transform (CWT). Both results were compared, and it was determined that the STFT was more applicable for real-time processing of EEG signals, due to its short process time. However, the CWT still had good resolution and performance high enough for use in clinical and research settings.     

基于小波变换的T波检测算法研究

T波检测是心电图（ECG,electrocardiogram）分析的难点。本文首先对T波形态进行了细致的分类,然后提出了一个排除u波的方案,以减少u波对T波检测构成的干扰,进一步提高T波特征点检测的准确性。最后利用QT数据库里的专家手工标注对算法的性能进行验证,检测结果基本可以达到人工标注的水平。     

不同行为状态下大鼠脑电时频变化特性的直方图分析

结合应用多分辨率小波分解方法和直方图参数统计方法 ,分析大鼠脑电信号 (Electroencephalogram,EEG)在不同行为状态下的非稳态时频动态变化特性。利用埋植电极记录自由活动大鼠在清醒期、慢波睡眠期和快动眼睡眠期的皮层 EEG,应用小波变换将 EEG分解成 δ、θ、α和 β四个分量 ,求各分量功率对数值直方图和功率百分比值直方图的均值、方差、偏斜度和峭度。结果表明 :EEG功率对数值的分布比较接近正态分布 ,而多数功率百分比值的分布与正态分布差别显著。单因素方差分析结果显示这些直方图统计参数在不同行为状态之间和不同分解分量之间具有显著差别。 EEG在不同时期的某些特征波 (例如 :慢波睡眠期的 δ波、清醒期和快动眼睡眠期的 θ波等 )使功率对数值分布具有较大的偏斜度值和峭度值。由此可见 ,EEG小波分解分量的直方图参数是一种新的描述EEG动态时频变化特性的定量分析指标