基于STMHT算法的心音分割研究

第一心音（S1）和第二心音（S2）的定位和提取是利用心音分析诊断心脏病时的首要任务。鉴于此,本研究提出一种基于STMHT的心音分割法,分别提取S1和S2。本研究分为以下3个阶段:第一阶段,采用小波分解对心音信号进行预处理,保留心音信号的有效成分（21.5~689.0 Hz）;第二阶段,用Viola积分波形法提取心音包络;最后,基于STMHT算法自动定位和提取S1和S2。对30例心音信号的提取结果进行评价,结果表明,S1和S2提取的准确率高达97.37%,优于其它已实现的有效方法。     

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明：该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。     

一种新的HHT在心音包络提取中的应用

目的：心音包络比原始心音可以更好地显示心音的特征,是进行心音识别的基础。希尔伯特一黄变换（HHT）是一种提取心音包络的有效方法,它首先利用经验模态分解算法提取心音信号的固有模态函数,然后利用希尔伯特变换提取心音包络。常规的希尔波特一黄变换在分解过程中会引起端点效应和过冲等问题。方法：本文提出了一种基于改进型希尔伯特一黄变换的心音包络提取新方法。结果：该方法首先采用包络线性延拓法抑制端点飞翼问题,然后采用l一次贝塞尔分段插值算法替代原始经验模态分解算法中的三次样条插值算法减小分解过程中的误差。结论：仿真实验和实际采集的心音信号实验证明了该方法的有效性。     

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。     

基于改进经验模态分解与能量包络的S1/S2提取

本文提出了一种改进型的经验模态分解算法用于心音图(PCG)信号去噪,结合PCG的规则平均Shannon能量包络算法,可有效提取PCG中的S1/S2成分。首先,通过小波变换和经验模态分解结合算法对PCG信号进行滤波预处理;然后,提取预处理后PCG信号的固有模函数(IMF)时域、频域特性及能量包络;最后,结合信号的Shannon能量包络和IMF相关特性准确定位出S1和S2。运用该方法对30例PCG信号进行测试,得到S1/S2成分的综合识别率达99.75%。实验结果表明,本文算法运用于S1/S2成分提取具有较好的效果,为进一步研究心音身份识别奠定基础。     

小波变换在ECG信号滤波中的应用研究

本文首先介绍了小波变换应用于ECG信号消噪处理中的几种常用滤波方法的原理,分析了它们的滤波性能.然后提出一种小波变换与自适应滤波相结合的心电信号去噪方法,实验证明这种去噪方法可以有效抑制心电信号中的噪声干扰,保持信号的波形特征,是对"运用多分辨率分析方法,去除噪声干扰对应小波分解尺度上细节分量"的滤波方法的一种有效改进,达到较好的滤波效果.     

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。     

基于功率谱密度相似性的最佳心音信号选择

心音采集过程中混入的干扰噪声影响着心音诊断,目前多通过手动方式选择干扰较少的信号段做后续分析。为从采集信号中筛选出干扰最少、稳定性最强的最佳心音信号,提出一种最佳心音信号的自动选择方法。对采集的25例正常和119例患先天性心脏病儿童的心音信号,基于离散小波变换与哈达玛积相结合定位心动周期。根据心动周期信号的周期稳定性及功率谱密度相似性计算质量因子,将质量因子最大的连续3个心动周期信号作为最佳心音信号。由心脏病专家通过音频回放对信号选择的成功率和有效性进行评估。结果表明,最佳心音信号自动选择的成功率为95.83%,选择成功信号均包含对应疾病的典型听诊特点。该方法选择性能良好且自动执行,为心音信号的全自动分析提供参考。     

基于能量估计的小波阈值与经验模态分解相结合的滤波方法研究

本文针对基于经验模态分解(EMD)的时空滤波器存在的固有模态函数分量中频率混叠交叉,导致有用信号与噪声一起被滤除的问题,结合小波在时间、尺度两域表征信号局部特征的特性,提出了一种基于能量估计实现EMD分解层数确定,小波变换阈值处理与EMD相结合的时空滤波方法。该方法既利用小波变换多分辨率的特性,又结合EMD的自适应分解与希尔伯特(Hilbert)谱分析中瞬时频率与能量意义的关系,从而解决了有用信号在滤波时被削弱的问题。以MIT/BIH标准心电数据库数据为对象的实验结果表明,该方法对于生理信号这一类强噪声下的微弱信号是一种有效的数据处理方法。     

基于小波变换心音定位

目的：本介绍一种在心音图（PCG）中定位第一心音（S1）和第二心音（S2）的算法。方法：利用小波变换多分辨分析将PCG信号分解成不同的频带，然后按时间顺序分段计算频段的规一化香农能量，能量大于某一合适阈值的时刻作为S1和S2的候选点，结合心音的特点确定S1和S2。结果：在对2880个心动周期的运用中，正确定位率达到了96％以上。结论：小波变换多分辨分层后的分段算法能对S1和S2定位；如果不分段处理，求整体香农能量，那么也可确定心音和心脏杂音的频率范围。     

基于EMD与IMF分量统计特性的ECG去噪

经验模式分解（EMD）域内心电（ECG）信号的去噪,通常为基于QRS特征波经验性识别固有模态函数（IMF）分量并重建ECG信号。由于该方法引入个人误差,因此识别不准确。针对此问题,本文提出利用EMD与IMF分量统计特性对ECG信号进行去噪。本方法首先对含噪ECG信号进行EMD分解得到一系列IMF分量,然后利用IMF分量的统计特性识别IMF分量属性,并采用被识别为ECG信号的IMF分量重建ECG信号。该识别方法基于统计学方法,具有统计学和现实物理意义。将本方法应用于真实ECG信号去噪处理中,结果表明,本方法可有效去除ECG信号基线漂移噪声与肌电干扰噪声,去噪效果优于经验法。     

Research on the Method of EEMD in Pulse Wave Signals Processing

The mixed noise in the acquisition process of pulse wave signals will affect the signal analysis, how to effectively eliminate the noise and complete the pulse wave analysis has important practical significance. In this paper, empirical mode decomposition(EMD) and ensemble empirical mode decomposition(EEMD) were used to realize scale decomposition of pulse wave signals to obtain intrinsic mode function(IMF). A band-pass filter was implemented according to the characteristic time scale parameters of the IMF. After filtering and reconstruction, the pulse wave denoising was completed. The denoising effects of EMD, EEMD and wavelet transform were compared in terms of mean square error and signal-to-noise ratio. The result shows that EMD and EEMD are better than wavelet transform, and the effects are similar. Further comparing the Hilbert-Huang spectrum of EMD and EEMD, it can be seen that EEMD can not only avoid mode mixing, but also facilitate the analysis of pulse wave signals.     

EMD-based Adaptive Wavelet Threshold for Pulse Wave Denoising

It is inevitable that noises will be introduced during the acquisition of pulse wave signal, which can result in morphology changes of the original pulse wave,and affect the hemodynamic analysis and diagnosis based on pulse wave signals. In order to remove these noises, an adaptive de-noising method based on empirical mode decomposition(EMD) and wavelet threshold is proposed in this paper. Compared with the wavelet threshold method for denoising pulse wave, the proposed approach is more effective, especially at low signal-to-noise ratio.     

A hybrid algorithm for heart sounds segmentation based on phonocardiogram

Abstract

For many years, heart function has been measured by the electrocardiogram (ECG) signal, while sounds produced in the heart can also contain information indicating normal or abnormal heart function. What has caused to restrict the use of the phonocardiography (PCG) signal was the lack of mastery of experts in the interpretation of these sounds, as well as its high potential for noise pollution. PCG is a non-invasive signal for monitoring physiological parameters of cardiac, which can make heart disease diagnostics more efficient. In recent years, attempts have been made to use PCG to detect heart disease independently without a need to match with the ECG. We propose a hybrid algorithm including empirical mode decomposition (EMD), Hilbert transform and Gaussian function for detecting heart sounds to distinguish first (S1) and second (S2) cardiac sounds by eliminating the effect of cardiac murmurs. In this article, 250 normal and 250 abnormal sound signals were examined. The overall positive predictivity of normal and abnormal S1 and S2 is 98.98%, 98.78, 98.78 and 98.37, respectively. Our results showed that the proposed method has a high potential for heart sounds determination, while maintains its simplicity and has a reasonable computational time.     

基于EMD的自适应ECG信号基线漂移消除方法研究

对比目前使用EMD或改进EMD方法进行的心电（ECG）信号基线漂移去除算法的实现。本文在详细考察EMD方法过程的基础上,提出一种与EMD物理意义高度契合的完全自适应的基线漂移算法,通过计算ECG平均心率周期,与EMD分解产生的IMF分量的“周期”进行对比,分离出不属于ECG信号的低频IMF分量,然后重构其余IMF分量得到去除基线漂移的ECG信号。使用美国麻省理工学院提供的MIT-BIH心率失常数据库中的原始ECG对本文提出的基线漂移去除方法进行定性分析。使用ECGSYN（实际ECG波形发生器）产生模拟干净的ECG信号,加入已知的低频信号作为基线漂移噪声,对本文提出的基线漂移去除方法进行定量分析。     

基于三级滤波器的表面肌电信号降噪处理

表面肌电信号（surface electromyography,sEMG）是一种非平稳微弱信号,而它的低信噪比是造成对其进行分解十分困难的主要原因之一.本文针对sEMG信号的噪声特点,提出基于经验模态分解（empirical mode decomposition,EMD）的三级滤波器技术来对sEMG信号进行预处理,即采用频谱插值法去除工频干扰,采用形态学运算去除基线漂移,采用经验模态分解去除白噪声.实验结果表明,本文所提出的方法不仅能够提高sEMG信号的信噪比,也能有效地保留运动单位动作电位（motor unit action potential,MUAP）的波形信息,这将有利于对MUAP的识别从而提高对sEMG信号的分解准确率.     

最优改进对数谱幅度估计与小波结合的心音降噪

小波阈值降噪为心音降噪的一种常用方法。本文提出了使用最优改进对数幅度谱估计与小波阈值降噪相结合的方法对心音降噪。在正常心音和一些常见疾病的心音中加入不同强度的白噪声和粉红噪声，构造不同信噪比的心音信号，并将本文所提出的方法和仅用小波阈值降噪方法的去噪效果进行了定量的对比。结果表明本文方法降噪效果总体优于仅使用小波阈值降噪达到的效果。