首页 > 文献资料
-
小波包技术在人体胸壁微动信号处理中的应用
人体胸壁微动信号中包含大量的生命体征信息.本文采用小波包构造滤波器从胸壁微动信号中提取心动信号,以量化的形式揭开胸壁振动的奥秘.
-
基于小波包变换的睡眠监护仪的研制
小波包变换已成为一种重要的信号处理方法.本文为实现小波包的快速分解和重构,采用单片机和 DSP处理器相结合的双 CPU结构,从而解决了实时监测的难点.文章还详细介绍了从心电信号中检测睡眠呼吸暂停的方法,给出了系统电路的设计原理和相应的软件流程.
-
独立分量分析和小波熵在动作模式分类中的应用
在表面肌电信号(electromyography,EMG)中,各类动作的识别是一个重要研究方向.本文采用独立分量分析independent component analysis,ICA)对肌电信号进行处理,消除各动作信号之间的相互线性耦合叠加,并采用信号的小波熵作为特征向量进行模式识别.试验表明,在对信号进行先期ICA处理以后,动作模式的识别效果较好.此方法也可应用于其他生理信号的识别分类.
-
利用小波包提取脉象信号特征的方法
将基于小波包分析构造特征向量的方法应用到脉象信号分析中,阐述了构造方法,给出了实验数据.构造的特征向量具有较好的重复性与稳定性,可以较有效地区分正常人与心脏病人.
-
复杂度和小波包变换在运动模式识别中的应用
传统的复杂度算法是对信号的时域信息进行处理,缺乏频域的丰富信息,不够稳健.在对信号进行小波变换频域分解后再采用复杂度算法提取信号的特征向量,并与仅仅采全时域单一复杂度特征的分类效果进行对比.结果证实了在子频段采用复杂度是一种有效的分类方法.
-
基于自适应阈值的小波包非接触语音增强方法研究
目的:介绍一种新的非接触语音去噪方法.方法:基于小波包良好的时频分析能力,提出小波包自适应阈值算法,采取同时使用硬阈值和软阈值的方法消除非接触语音噪声.结果:小波包阈值去噪法相比于其他经典算法,如谱减法、维纳滤波法,能够高效地去除噪声成分,并很好地保留原始纯净语音.结论:该方法可以有效地去除非空气传导语音噪声,具有较广阔的应用前景.
-
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,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.
-
基于小波分析的医学图像压缩技术进展
作为图像存诸和传输系统(picture archiving & communication system,PACS)的关键技术之一,医学图像压缩算法的优劣对PACS的性能有着重要的影响,小波分析由于其多分辨率分析特性而在医学图像压缩中得到了广泛应用.从小波变换医学图像压缩、小波包变换医学图像压缩和多小波变换医学图像压缩三个方面综述了小波医学图像压缩方法及其进展,总结对比了这些方法的优点和缺陷,并针对其不足之处提出了改进方向.
-
小波包变换分析帕金森病患者足底的压力信号
背景:帕金森病属中枢神经系统的退行性疾病,步态失调是帕金森病3大特征之一.因此对帕金森病患者足底压力的研究较为广泛.以往研究多集中于从力学方面揭示足底压力的分布,而对足底压力信号的研究较少.目的:观察比较帕金森病患者与正常人足底压力信号的差异.方法:采集93例帕金森病患者和72名正常对照的足底数据.被试者以其平时自然的步态在水平地面上行走约2 min,足底在垂直方向所受的反作用力(N)以时间序列记录下来.足底的16个传感器以采样100次/s的速度记录,数据中还包括了每只足底8个传感器的记录之和.采样速度为100 Hz,每个被试采样时间为121.171 5 s.利用小波包分解来分析帕金森病患者和对照组步态数据.结果与结论:通过分解和计算,得到了来自足底不同传感器的信号的熵.D1层分解结果的熵值显示,来自于传感器L1,R1,L2,R2,L6和R6信号的P值明显小于其他传感器的数值,且小于0.05;DD2层分解结果的熵值显示,来自于传感器L1,R1,L6和R6信号的尸值明显小于其他传感器的数值,且小于0.05.由统计结果可知,帕金森病患者与正常对照的足底压力信号熵值存在明显差异,通过分析足底压力信号可以辅助医师诊断和治疗帕金森病患者.
-
基于支持向量机多分类器的运动想象电位识别
提出一种基于支持向量机多分类器的运动想象电位识别方法.首先通过Neuroscan软件进行脑信号的脑地貌图分析,根据地貌图在不同任务下的脑区优势变化利用小波提取相应脑区的特定频率段信号.再通过小波包提取其能量特征,得到时域、频频域和空域相结合的特征序列.后利用支持向量机多分类器对想象左手、右手、脚或者想象左手、脚、舌头的脑信号进行识别,并取得了较好的结果.
-
基于小波特征分析的手指动作识别研究
目的:本文利用表面肌电(sEMG)信号来研究多种手指组合动作的识别问题.方法:在对采集的四个通道sEMG信号进行降噪预处理的基础上,采用移动加窗处理方法来提取关于手指运动状态的信号活动段,再分析各个信号活动段的小波系数统计特征,进而利用多类支持向量机(SVM)分类算法来实现手指组合动作的识别.结果:动作识别率高达到100％.结论:所采用方法能够有效地识别多种手势动作,并为后续基于肌电信号的实时人机接口系统的研究奠定了理论基础.
-
意识控制心率过程中头皮脑电活动和心率变异性分析
介绍了通过小波包能量和近似熵方法,研究了意识控制心率过程中头皮脑电活动和心率变异性的变化规律.实验结果表明,心率的减慢和加快可以通过意识活动对自主神经的主动调节进行控制,并且脑电活动的变化先于心率的变化.但是,这种控制与运动神经系统不同,因为不同的皮层位置分别与心率的减慢和加快相关联.中央前区与副交感神经活动相关,控制心率减慢,而中央后区与交感神经活动相关,控制心率加快.
-
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.
-
基于小波包与共空间模式的脑电信号特征提取与分类
脑电信号特征提取与分类是脑机接口研究中的关键环节.首先对脑电信号进行预处理,利用小波包分解提取相应频段系数均值与对应能量作为时域,频域特征,随后利用共空间模式算法提取信号的空域特征,后采过支持向量机设计分类器.通过试验可知被试者的平均分类识别率能达到90%以上.
-
基于功率谱信息熵的异常心音识别
目的:异常心音识别是心血管疾病检测的一种重要手段,为了探究异常心音频域的有用信息,提出了将不同频段的功率谱作为一个独立信源计算其信息熵,从而对房室瓣和动脉瓣异常信号进行判别的一种新方法.方法:实验先将心音信号进行小波包分解,然后利用改进的Welch方法计算信号的功率谱,进而求各频段的功率谱信息熵,再建立支持向量机预测模型来对两种异常心音进行识别.结果:选取二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣狭窄、主动脉瓣关闭不全共27例心音信号进行算法仿真,其中房室瓣异常能够全部检测出来,动脉异常有3例被误判,正确率达到77％;在原有27例信号的基础上,增加3例房室瓣异常和3例动脉异常信号进行算法验证,房室瓣异常信号仍然能够全部被检测出来,动脉异常信号2例被误判.结论:从仿真结果可以看出,该算法对房室瓣异常和动脉异常两种心音信号有较高的识别率,尤其对房室瓣杂音能够完全识别,也表明功率谱信息熵在异常心音的识别中具有重要意义.
-
基于ECG频带特征的身份识别
目的:心电图作为活体的生理信号,可以方便的从手指中提取,具备易采集、难复制的特点.因此,本文提出了基于单导联ECG频带特征的身份识别方法.方法:文中首先对单周期ECG进行小波包变换,提取各子带的波形与能量,并将子带能量、ECG波形、子带波形作为分类特征;然后,引入DTW算法确定待测数据与模板之间的ECG波形、子带波形的优匹配距离,同时提取待测数据与模板之间的子带能量比值与差值,为上述参数设置合适阈值并进行身份识别.结果:当测试数据与模板取自同一样本时,同频带的子带能量、ECG波形、子带波形差异较小,所以同一子带能量之比接近于1,同一子带的能量之差与波形的匹配距离接近于0.反之,上述参数差异较大,这为ECG提供了良好的分类特征.结论:将ECG用于身份识别,识别装置的硬件成本低,并且用于识别的信号难以窃取,是一种比较安全的身份识别手段.实验结果表明,相较传统算法,本文提出的方法具有较高识别率,这为ECG身份识别提供了一种新的方法.
-
基于小波包变换的癫痫心电信号特征提取
目的:针对癫痫病的检测,从脑电中获取癫痫特征是传统的方法,但是,心电与脑电相结合的诊断方式是未来医疗卫生事业的重要发展方向,所以利用心电信号表征癫痫信息是一个值得研究的课题.方法:小波包变换为心电信号提供了一种十分精细的分析方法,它实现了信号能量在等宽频带上的分解.首先对单周期样本心电信号进行多层小波包分解,重构各个结点的分解系数并提取结点的能量;然后运用小二乘法对结点能量值进行十次曲线拟合,并提取曲线中的能量极大值点.结果:在0Hz到0.65 Hz频带内,癫痫心电样本的能量极大值点的频率位置集中在四个特征频带内,而其它心电样本的能量极大值点大部分分布在这四个频带范围以外,这为癫痫病的检测提供了良好的分类特征,实验结果表明本文算法对癫痫病具有较高的识别率.结论:心电信号易于检测且硬件成本低,在医疗中的应用十分频繁,本文算法能够方便的从心电信号中获取癫痫信息,这为癫痫病的检测与诊断提供了一条十分实用的途径.
-
SVM和小波包变换在动作模式识别中的应用
支持向量机(SVM)是一种线性机器,广泛用于模式分类和非线性回归.对于很多低维非线性可分的模式,如果我们能够提取合适的高维特征向量,则模式往往在高维特征空间是线性可分的.本文利用小波包变换提取动作的特征向量,将各种动作信号映射到特征空间形成一定维数的特征向量,然后采用SVM进行动作识别.试验证明,当特征空间维数合适时,利用SVM进行动作识别效果良好.
-
基于Ⅰ导联ECG的心肌梗死特征提取
提出了基于ECG导联Ⅰ的单周期信号的心肌梗死特征提取算法,避免了利用多导联ECG检测心肌梗死带来的不便.首先对导联Ⅰ的ECG信号进行去噪处理；然后,引入小波包算法提取QRS波群、T波的主频带,重构QRS波群、T波的波形并确定ST段的始末位置；后,运用小波的多分辨分析对ST段进行分解并提取导联Ⅰ信号的心肌梗死的特征波形.实验结果表明,本文算法具有较高识别率,这为ECG导联Ⅰ信号用于心肌梗死的检测与诊断提供了依据.
-
基于小波包优基的心电图压缩
给出一种新的心电图压缩方法,该方法是在小波库中通过以信息熵作为代价函数寻找优基,实现心电图压缩.仿真结果显示,该方法压缩比大,信息损失小,能够较好的恢复原有的信号.
