首页 > 文献资料
-
基于DCT的心电信号分类算法
目的 提高心电信号的分类准确率,降低算法复杂度.方法 首先以MIT-BIH心电数据作为学习模板,然后在心电信号的频域和时域上提取其离散余弦变换(discrete cosine transform,DCT)、R-R间期和QRS复合波的三种特征值进行分析,后采用小欧式距离分类器判断待测心电信号的类型.结果 该分类模型通过MIT-BIH和AHA国际标准心电数据库的验证,分别得到96.6％和94.1％的分类准确率.结论 本文的心电分类模型区别于其他分类算法的一个大特点就是算法复杂度低,这是异常心律能够被实时检测和预警的关键,而且建立的心电分类模型已经能够在普通的手机平台上实现.
-
基于清晰度的细胞显微图像分割和计数方法
目的：针对细胞显微图像分割和计数困难的问题，提出一种基于清晰度的细胞显微图像分割和计数方法。资料与方法首先对细胞显微图像进行预处理，然后对图像进行离散余弦变换，并截断高频信号部分，再与原图做差以区分清晰部分和模糊部分，结合细胞图像局部聚合度较高的特性，利用区域生长方法提取完整目标，后进行分析和计数。结果实验结果表明，针对细胞显微图像分割和计数不准确、速度慢的问题，利用该方法分割计数的准确率>90%，平均一幅图片的处理时间<100 ms。结论用清晰度的方法可以快速、准确地分割细胞显微图像并进行分析计数，对快速、准确地掌握细胞个数及密度有重要意义。
-
基于离散余弦变换的ECG数据模板压缩算法
目的探索心电图(ECG)数据进行高压缩比压缩和高质量重构的算法.方法先对心电图QRS波段进行插值,促使信号能量在离散余弦变换(DCT)域上更加集中,对周期和幅度的归一化使每帧(一心动周期)信号更加相似,将已处理信号中的一平均帧的DCT系数序列作为模板,由模板与当前帧信号的DCT系数序列相减,得到一差值序列,对这差值序列进行编码和传输,由于差值序列的幅值较低,需要传送的数值个数也较少,由此得到较高的压缩比.结果更好地消除数据冗余,实现高压缩比地压缩ECG数据.结论本方法较之单纯地利用DCT对ECG数据进行压缩,获得了更高的压缩比.
-
基于改进LBP特征的白细胞识别
采用先进的计算机图像处理与分析技术完成白细胞分类计数是辅助诊断血液疾病的重要方法.各种白细胞间的纹理差异较大,纹理是区分白细胞的重要特征之一.局部二进制模式(local binary pattern ,LBP)是一种有效的纹理描述算子.本研究提出了一种提取细胞的改进LBP特征用于白细胞分类识别的算法.首先,用小波变换对图像进行分解并重构,获得四幅不同频率的分量图,对其中的低频信号采用离散余弦变换.此后,用可变大小的子窗口对变换后的图像扫描,并根据不同区域赋以权值,获取改进的LBP特征,构成加权直方图.这种特征既能反映细胞局部特征又能反映整体特征.根据测试样本和模板的LBP特征直方图之间的马氏距离构建分类器.根据这种改进LBP特征有效地实现了白细胞的5种分类,得到了令人满意的分类正确率.实验结果表明:本研究提出的算法能有效地区分不同类的白细胞;与其他一些算法相比,提高了分类的精确度.
-
一种心电数据压缩算法的研究
利用心电信号的相关性,对ECG进行预处理,再进行差值运算,将得到的差值序列进行DCT变换,从而实现心电数据的压缩.
-
基于离散余弦变换的空间归一化方法
在分析功能磁共振成像(FMRI)试验数据时,为了在不同被试之间比较实验结果、增加实验数据的可靠性,需要对所有被试的脑解剖学影像在三维空间空间内归一到一个共同的标准模板影像,使得它们之间的解剖结构差异达到小.过去被广泛使用的基于体素的自动化归一化方法虽然很精确,但很耗时.本文章发展了可以在高速度下达到高精确度归一的基于体素的3D归一化方法.该方法采用了余弦离散变换(DCT),克服了原来方法需要较长计算时间的缺点,在现有普通微机上2分钟之内完成对128×128×30体素尺寸下的三维脑图像归一化,文章对方法和结果进行了讨论.
-
一种基于DCT与PCA的奇异值滤波的CT图像噪声抑制算法
医学CT图像成像过程中,由于成像机制的影响,不可避免的引入噪声.图像中的噪声会降低图像质量,影响临床诊断.本文提出了一种提高CT图像奇异值分解(SVD)滤波性能的新方法.基于SVD滤波可以有效地分析水平(垂直)方向的图像特性.根据CT图像特征,利用离散余弦变换(DCT)提取图像感兴趣区域,屏蔽不感兴趣区域从而实现图像的结构特征提取,再对DCT变换图像SVD,构造加权函数,自适应地加权重构图像.将本文算法应用于CT图像去噪,实验结果表明,该方法可以有效地提高SVD滤波的性能.
-
基于形态成分分析的癫痫脑电棘波检测
本义提出一种基于形态成分分析(MCA)的癫痫脑电棘波检测方法,选用离散余弦变换(WT)作为MCA的字典来提取脑电图(EEG)的背景信号,选用db4小波变换(WT)作为MCA的字典来提取棘波信号.结果表明这种方法能够方便而有效地对EEG信号中的棘波进行检测,检测率达89.09％,正确率达90.71％.作为一种特征提取/分离算法,基于稀疏表示的MCA可以用来提取癫痫脑电棘波.
