基于小波分析的胃电信号处理

目的：体表胃电图（EGG）是研究胃动力学特性和功能性胃疾病诊断的重要依据,而从人体直接采集的胃电信号都含有干扰成分,不能直接应用于临床诊断。将小波分析运用到胃电信号的处理中,对信号进行去噪、重构等实验,用此方法对胃电信号进行处理。方法：以矩阵实验室（MATLAB）为工具,利用小波变换的多分辨率特性,将含有噪声的胃电信号进行多尺度分解,得到不同频带的子带信号,对含有干扰频率的子带信号进行去除,选择与胃电信号频率最为相关的子带进行重构。结果：此方法取得了较理想的胃电图。结论：小波分析是一种简单有效的信号处理方法,使EGG在临床诊断中更具有实际意义。     

基于平稳小波变换的自适应心电信号去噪方法

针对小波变换的阀值去噪在心电信号消噪中的缺陷,提出将平稳小波变换和自适应滤波方法相结合的心电信号消噪方法。平稳小波变换有效地抑制了传统离散正交小波变换易产生Gibbs振荡现象。在高尺度的平稳小波分解系数中引入了自适应滤波,既消除了基线漂移噪声,又较好的保持了心电信号的低频低幅的P波、T波及ST段波的形态。这对于进一步分析心电信号的其他特征信息具有重要作用。     

心电信号的非线性小波检测方法

将非线性小波方法应用于心电信号的检测。利用二进Daubechies小波对有高频噪声干扰的心电信号按Mallat算法进行小波分解;探讨了非线性小波检测方法;结合Lipschitz指数判据,将其应用于高频干扰心电信号的去噪,实现了滤除噪声的同时又有效地恢复了心电信号。     

小波阈值去噪技术研究及其在生物医学信号处理中的应用

探讨小波阈值消噪技术的原理,总结了各种阈值函数的形式以及阈值确定的方式.研究了它们的性能及特点.用心电信号作为实例,说明小波消噪技术有良好的效果,最后对小波消噪技术的进展进行了展望.     

基于小波变换和似然无偏估计的胃阻抗信号处理研究

目的：介绍一种基于小波变换和似然无偏估计的胃阻抗信号分析去噪的方法。方法：首先经过多分辨分析将信号进行分离，然后应用Stein似然无偏估计对胃阻抗信号进行自适应软阈值去噪处理。结果：实验结果表明，该方法能够有效滤除由呼吸、血流阻抗等因素造成的干扰。结论：小波分析技术为进一步研究胃动力信号的参数分析提供了新途径。     

基于小波变换的ECG去噪法及仿真

为去除心电信号中的各种噪声,本文以小波变换的多分辨率分析为理论基础,利用自适应阈值调整小波变换系数,用调整后的系数进行心电信号重建。采用MIT-BIH数据库中的心电信号进行仿真、验证,有效地去除了噪声信号。与传统滤波器具去噪相比有明显的优越性。     

小波变换在心电信号去噪中的应用

本文以小波变换为基础.介绍了小波去噪的方法和步骤.并通过具体的实例分析,说明小波去噪的效果明显优于传统的滤波效果,软阈值去噪的效果明显的优于硬阈值去噪的效果.     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和BP神经网络对视觉诱发脑电信号（VEP）进行分类而产生脑机接口控制信号。利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号，获取特征向量输入BP神经网络进行事件相关电位模式识别。实验表明，小波变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取，BP神经网络能比较准确地从VEP中识别出事件相关电位，进行10次测试的平均识别正确率为99．375％，有利于产生脑机接口控制信号。     

自适应谱线增强滤波器在体表胃电提取中的应用

在体表胃电信号提取中,采用FIR自适应谱线增强器滤波技术,低消噪声,达到提高体表胃电信噪比目的。文中给出了滤波器收敛因子、权系数的设计方法,提供了模拟及分析处理结果。     

体表胃电信号的时-频域分析

把短时傅里叶变换用于体表胃电时-频域分析,结果表明,利用短时傅里叶变换等时-频域分析,可以同时得到体表胃电信号的时域幅度变化和能量分布特征.     

基于小波变换的心电信号去噪法

目的：运用小波阈值变换对心电图进行去噪。方法：采用软、硬阈值折衷的阈值函数及自适应的阈值策略对心电信号中的不同噪声进行滤除。结果：仿真结果证明此方法去噪效果较好。结论：小波阈值变换能够较好的处理心电信号等非平稳信号。     

基于希尔伯特-黄变换和提升小波包相结合的心音信号识别研究

目的：研究基于希尔伯特-黄变换和提升小波包相结合的方法对正常和异常心音信号识别的效果。方法：首先用DB6小波对心音信号进行降噪处理,然后用希尔伯特-黄变换分析提取心音信号的时域、频域特征值,再通过自适应提升小波包提取信号的频带能量特征值,最后通过支持向量机对心音信号进行分类识别。结果：对临床采集的240例异常心音和正常心音进行实验,正确识别率达到97.2%,且运算速度很快。结论：希尔伯特-黄变换和自适应提升小波包相结合的方法可有效识别正常和各种异常的心音信号,值得推广应用。     

基于能量法的脑机接口运动想象分类研究

针对脑机接口运动想象脑电信号的分类识别问题,提出了一种基于小波包分解的C3、C4二通道能量特征提取方法。该方法首先采用6阶的巴特沃斯带通滤波对二通道脑电信号进行降噪;然后采用Daubechies类小波函数对其进行5层分解,选择第四层CD4、第五层CD5的小波系数进行重构并抽取其能量特征;最后采用线性距离判别进行分类和使用Kappa系数进行分类衡量。利用BCI2008竞赛的标准数据BCICIV_2b_gdf进行验证,结果表明利用该方法可以较好地反映事件相关同步和事件相关去同步的特征,为BCI研究中事件相关电位的分类识别提供了有效的手段。     

基于小波域隐马尔可夫树模型的医学图像去噪

目的：为了更好地去除DR医学图像噪声。方法：通过分析其噪声来源,在小波去噪和小波域隐马尔可夫模型的基础上,进行改进,即引入了方差不变性变换来调整原始图像的噪声模型为高斯噪声模型;图像分解为不同频率的不同子带,而隐马尔可夫树模型则用来规划小波系数的边缘分布。结果：自然图像处理实验结果表明,与普通的小波去噪方法相比,该方法不但可以保留图像的边缘信息,而且能提高去嗓后图像的峰值信噪比。结论：同时用该方法处理DR图像．处理结果表明此方法在噪声去除、细节质量及骨骼锐化等方面比传统的高斯滤波及小坡阈值滤波等方法效果要好。     

基于独立元分析的心外膜电位标测信号去噪方法

使用独立元分析方法,提出了一种以独立元对各电极点投影系数的离散度为噪声独立元选取准则,设计了一套心外膜标测电位去噪新方法。实验结果表明,该方法可有效地去除心外膜电位标测信号中的电极间串扰和外界干扰等噪声,突出电极点上检测到的除极信号。因此,该方法适用于心外膜电位标测系统的去噪工作。     

雷达式非接触生命参数检测系统中心跳信号提取方法研究

雷达式生命参数检测系统采集的微弱生命参数信号是受到检测对象呼吸及心跳所导致的微动共同作用的复合信号．而且背景噪声随机性较强。为从复合信号中提取出特征明显的心跳信号，采用小波变换的方法，应用Symlets小波将信号各成分分解细化，调节小波分解系数后进行小波重构，从复合信号中提取出规则的心跳信号，为临床监护提供了一种新的非接触检测人体生命参数信号的方法。     

The application of wavelet and feature vectors to ECG signals

The Electrocardiogram (ECG) is one of the most commonly known biological signals. Traditionally ECG recordings are analysed in the time-domain by skilled physicians. However, pathological conditions may not always be obvious in the original time-domain signal. Fourier analysis provides frequency information but has the disadvantage that time characteristics will be lost. Wavelet analysis, which provides both time and frequency information, can overcome this limitation. Here a new method, the combination of wavelet analysis and feature vectors, is applied with the intent to investigate its suitability as a diagnostic tool. ECG signals with normal and abnormal beats were examined. There were two stages in analysing ECG signals: feature extraction and feature classification. To extract features from ECG signals, wavelet decomposition was first applied and feature vectors of normalised energy and entropy were constructed. These feature vectors were used to classify signals. The results showed that normal beats and abnormal beats composed different clusters in most cases. In conclusion, the combination of wavelet transform and feature vectors has shown potential in detecting abnormalities in an ECG recording. It was also found that normalised energy and entropy are features, which are suitable for classification of ECG signals.