首页 > 文献资料
-
血压测量的EEMD和ANN的方法研究
血压是衡量人体心血管系统功能的一个重要指标.该文针对电子血压计不能实现血压的无创连续测量等问题,提出一种基于EEMD和ANN算法的无创血压测量方法.实验分析了MIMIC数据库中的19500个脉搏波信号,通过EEMD对脉搏波进行分解,提取第4层分解信号的10个特征参数作为ANN的输入,脉搏波对应的血压作为ANN的输出进行血压模型的训练,并对模型进行误差分析.实验结果表明,模型的测试误差达到美国医疗器械促进协会(AAMI)制定的标准,通过该方法可实现血压的无创连续测量.
-
基于EEMD的脉率变异性时频域研究
该文基于集合经验模态分解(EEMD)具有非常适合分析非平稳、非线性信号的特点,将脉率变异性(PRV)信号通过EEMD分解成多个本征模态(IMF)分量.分别计算出每个IMF分量的能量,并根据各个IMF分量频谱的特点,重新对IMF分量的能量重构得到PRV的高频能量(EHF)、低频能量(ELF)、极低频能量(EVLF).并通过实验与AR功率谱估计方法进行了比较.结果表明两种方法得到的PRV各个对应的频域参数相关系数>0.96,说明该方法可以真实地反映交感神经和迷走神经活动.
-
基于白噪声分离的集合经验模态分解心电信号去噪方法研究
集合经验模态分解(EEMD)是一种处理心电等非平稳信号的有效方法,但其参数白噪声比值系数与平均次数依靠经验设置,导致处理结果准确度低且对未知信号自适应性差.针对上述问题,本研究提出了基于白噪声分离的EEMD心电信号去噪方法.该方法通过经验模态分解(EMD)将心电信号分解至不同频带,基于白噪声能量密度和对应的平均周期的乘积趋向于一个常数的特性,提取信号高频分量重构信号高频成分;依据避免模态混叠参数准则实现针对不同信号的分解参数自适应获取.经过对心电信号的验证,结果表明该方法去噪效果明显,自适应性强,是一种有效的去噪方法.
-
基于形态分量分析和集合经验模态分解的心电信号工频干扰消除法
针对心电信号(ECG)在采集和转换的过程中容易受到工频干扰(PLI)的问题,提出了一种基于形态分量分析(MCA)和集合经验模态分解(EEMD)的PLI消除新算法.首先根据ECG特征波形的形态差异性,利用MCA将其分解为突变成分、平滑成分和残余白噪声成分,然后对含PLI的平滑成分进行EEMD,再滤除PLI的本征模态函数(IMF),后重构ECG信号.文中采用噪声抑制率(NSR)和信号失真率(SDR)来评价算法的降噪效果.通过实验发现,该算法不仅能够有效地滤除工频干扰,而且SDR值较小,滤波效果优于改进的Levkov算法.
-
基于隐马尔可夫模型的枕下无扰式新型睡眠监测方案
睡眠状况是评价人体健康状态的重要指标.本文提出一种基于枕下式的无扰睡眠监测系统,通过无扰获取的心率信号测算心率变异性(HRV),并结合隐马尔可夫模型(HMM),在对用户无扰无接触的环境下求解睡眠分期.针对现有HMM睡眠分期存在的问题,提出采用集合经验模态分解(EEMD)消除HRV个体差异导致的分期误差,再求解相应的睡眠分期.试验选取广州医学院呼吸疾病研究所10例不同年龄及性别的无睡眠障碍的院内正常受试者,并与多导睡眠图(PSG)睡眠分期结果相比较.研究结果证明本文所提无扰式睡眠监测方案可实现S1～S4睡眠分期,正确率超过60％,且性能优于现有HMM睡眠分期方案.
