首页 > 文献资料
-
基于多参数模型结合的步态特征提取新方法
为弥补单一模型识别能力的不足,削弱因步速、衣着、光照等变化的影响,提出小波分解(WD)、不变矩(IM)并结合骨架理论(ST)提取步态特征参数的新方法.其技术流程为:先分割出人体目标轮廓,并将其规格化叠加处理,获取步态特征图;再将小波分解与不变矩结合,提取含人体整体模型信息的矩参数;同时将步态特征图骨架化,提取含人体简化模型信息的骨架特征参数;后将矩参数与骨架参数作为识别参量,输入支持向量机(SVM)进行步态识别.使用自建的天津大学红外步态数据库(TIGD)进行试验,其正确识别率为84%～92%.表明多参数模型相结合的方法有利于提取步态的本质结构特征.
-
经颅磁刺激诱发脑电位的小波分析
使用小波变换研究经颅磁刺激诱发的大脑皮层内电位的时频特性.结果表明,其诱发电位在时域内具有不同的波形、周期和潜伏期,具有兴奋性反应和抑制性反应.反应电位的连续小波变换谱由亮暗相间的"锥形"能量区组成,小波变换谱的高频区提供了能量的快速时变过程特性,低频区提供了能量的频率特性.本研究揭示了经颅磁场刺激诱发的在大脑皮层内的神经反应电位在时-频域的基本模式,对于脑科学的机理研究和临床应用均有重要意义.
-
基于小波分解和支持向量机的P300识别算法
针对支持向量机方法在P300识别中训练和识别速度相对较慢的不足,本研究提出了一种将小波分解与支持向量机相结合的P300识别方法.该方法通过小波分解实现脑电信号的特征提取,同时利用Span估计方法实现支持向量机优参数的快速选择;然后借助支持向量机良好的分类性能实现P300的识别.本研究在BCICompetition 2003的P300实验数据集上对该方法进行了验证,结果表明,与传统支持向量机算法相比,本算法具有更高的训练和识别速度,并且在5次重复实验时达到了100%的识别准确率.
-
急诊外科入院患者疾病谱及频率的时间序列变迁模式:一项基于23795例患者数据的真实世界临床研究
目的 急诊科面临的诸多挑战之一是在有限的人力资源和急救资源范围内以高效率和佳质量对病情复杂多变的患者进行及时处置.本研究尝试结合大数据和小波变换方程组,从急诊外科患者入院数据中解析出疾病谱及频率的多尺(multiple scales)度时间序列变迁模式,从而为优化急诊急救资源配置提供一种智能化解决方案.方法 利用数据管理工具(DataChief Avaintec,Helsinki,Finland)导入四川省人民医院2005-2014年所有急诊外科入院患者数据,进行整理、清洗和辅助定义后,以9h为单位对入院患者进行序列累加,形成连续波谱.采用计算数学软件平台(MATLAB)小波变换函数进行分解,分解层数5层,对每一层波谱高度及其分布进行分段计数统计,并利用K-mean算法找出分解尺度系数间关系.后利用aprori算法进行频繁模式挖掘(frequent patterns mining),挖出患者入院疾病谱及频率分布模式.结果 纳入23 795例患者,疾病种类分布以急腹症占比高,同时发现,急外患者入院变化是复杂的渐升波谱.小波分解后,信号波A反映了特定时间尺度下整个波动数据的趋势性变化.而噪声波D则反映了波动在特定时间尺度下的细节特征.如A1主波尺度代表以16 d为周期的波动.相应的D1,反映了16 d周期波动下的变化剧烈程度.以D1始,D1-D5代表波谱分解的噪音部分.以研究期间发生的5·12特大地震为例,在D3层出现了明显的噪声波,提示波动周期为4d,其临床解释为:4d内患者入院激增.结论 急诊外科的疾病发病受到多个时间尺度的影响,这种影响是一种典型的多尺度现象.利用小波分析可以方便的根据不同的时间尺度把急诊入院的病案信息的变化趋势分解出来,这种方法有助于合理分配急诊资源.
-
基于小波分解和过零点分析的睡眠期间心率变异性研究
目的 提出一种简便的心率变异性(heart rate variability,HRV)分析方法,并将其用于研究睡眠期间的HRV特征.方法 利用小波分解提取RR序列的低频(low frequency,LF)和高频(high frequency,HF)成分后,采用过零点分析法分别计算睡眠各阶段RR序列及其LF,HF分量的过零点特征(过零点间隔均值和归一化过零点间隔标准差),同时计算RR序列的频谱特征(LFn,HFn,LF/HF)和样本熵.分析各特征在不同睡眠阶段的差异性,以及过零点特征与其它特征的相关性.结果 RR过零点特征在觉醒、快速眼动(rapid eye movement,REM)和非快速眼动(non-REM,NREM)睡眠期间具有显著差异;三个过零点特征与频谱特征和样本熵具有较强相关性.结论 本文提出的HRV分析方法计算简单,能同时反映频谱和复杂性特征,为研究睡眠期间自主神经活动和发展基于心电图的睡眠监测技术提供了新指标.
-
基于能量变换与小波分解的QRS波群检测算法
目的 使用能量变换与小波分解的联合算法检测心电信号QRS波群的特征点,为心电信号的自动分析提供新的手段.方法 能量变换是基于信号的局部特征的,可以有效地突出信号的峰点或谷点;小波分解对信号做多分辨率分解,可以突出信号的特征信息;两种方法的结合更利于QRS波群的检测.结果 使用30例样本检测算法性能,证明联合算法能够提高信噪比,对特征点的定位准确可靠.经MIT/BIH心电数据库的检测验证,其R波定位的正确率高达99.79%.使用心率趋势图分析计算结果,不仅可以完全纠正误检和漏检,而且能够定位异常的心搏.结论 本算法能够准确、实时地识别被噪声严重干扰的心电信号的QRS波群,因而在心电信号的自动分析中有很好的应用前景.
-
小波分解结合自适应神经模糊推理系统的呼吸预测研究
目的:研究一种方法精确预测胸腹部肿瘤放射治疗中的非规则呼吸运动.方法:提出基于小波分解和自适应神经模糊推理系统的呼吸运动预测方法(WANFIS),利用小波分解将呼吸信号分成基线、低频和高频三部分,并分别采用线性拟合、自适应神经模糊推理系统(ANFIS)、简单移动平均进行预测,然后综合三部分预测值作为呼吸运动预测结果.基于30例临床数据回顾性分析,将WANFIS算法与神经网络(NN)、CyberKnife放射外科系统的Synchrony呼吸同步追踪系统、ANFIS这三种典型预测算法进行对照比较.结果:本文提出的WANFIS算法的归一化均方根误差(nRMSE)平均值为0.09,小于NN的0.17、Synchrony的0.11以及ANFIS的0.11.结论:WANFIS能更好地预测非规则呼吸信号,更有效地补偿放疗系统时间延迟.
-
基于小波分解的多尺度医学图像融合技术
给出了一种基于小波分解的多尺度图像融合新方法.其基本思想是,先对源图像进行小波多尺度分解;其次,采用了基于区域特性量测选择的加权算子的融合规则进行小波系数融合;后通过小波逆变换重构融合图像.实验结果表明,该融合方法十分有效,融合图像完好地显示了源图像各自的信息.
关键词： 图像融合 小波分解 Mallat快速算法 -
小波变换结合快速傅里叶变换从PPG中提取呼吸率
从光电容积脉搏波描记法(PPG)信号中提取呼吸率是一种简便、高效、成本低的呼吸检测方法.本文用多道生理记录仪同时采集由温度传感器和透射式光电脉搏传感器获得的人体呼吸波和PPG信号,应用小波变换对PPG信号进行9层分解,将第9层细节信号和第8层细节信号分解得到的近似信号重建后相加得到呼吸波,然后用改进的快速傅里叶变换频率估计方法从该呼吸波信号中提取呼吸率.用该法从30个PPG样本中提取呼吸率,并将所提取的呼吸率与温度传感器获得的呼吸率用Bland-Altman法进行对比,得到了两者具有良好一致性的结论.
关键词： 呼吸波 光电容积脉搏波描记法 小波分解 快速傅里叶变换 -
基于小波分解的颈动脉波特征提取算法
目的:利用小波变换的时频局域化性质,检测出存在于颈动脉波信号(CAP)中的奇异点和奇异角,并且精确检测奇异角出现的位置.方法:小波变换具有多分辨率等特点,能够通过放大信号的任意细节部分进行时域分析.采用离散小波变换法结合dbl小波能够检出脉搏信号中的奇异U角.利用计算CAP时域特征点的小波变换极大值坐标来精确定位脉搏时域特征点,通过检测脉搏的特征参数以及脉搏的突变特征参数,可以客观判定人体脉搏变化规律.结果:CAP信号WT分解很好地抑制了各种病理性、基线漂移等干扰,为进一步进行特征提取创造了条件,基于第一细节信号dl的特征点定位几乎不受各种病理性、基线漂移等于扰的影响,定位比其他传统处理技术更为准确.结论:本文提出了基于小波分解的颈动脉波特征点提取算法,取得高达100％的检测率.在含有大量噪声和伪差的脉搏信号中,仍具有较高正确检出率和良好的抗噪性.根据计算得到CAP信号时域特征点的小波变换极大值的坐标,再利用极大值表征准确测定脉象时域特征点的坐标,能够克服脉搏时域特征点定位不准的问题.
-
用于控制短消息发送的实时脑机接口系统
目的:设计一种基于视觉诱发电位的实时脑机接口,用于控制短消息发送.方法:实时脑机接口系统由视觉刺激器、脑电采集电路、FPGA开发板、通讯模块组成.脑机接口界面包括短消息发送的目标选项和内容选项界面,受试者每次实验注视刺激界面中的一个模块,通过检测视觉诱发脑电来确定受试者做出的选择.利用基于FPGA的VGA视觉刺激器为受试者提供视觉刺激,采集脑电信号并在FPGA平台上对其进行在线的实时分析处理.选用小波分解提取视觉诱发电位特征向量,输入BP神经网络进行模式识别,产生脑机接口控制信号,其中,小波分解和BP神经网络两部分由NIOSⅡ实现.脑机接口控制命令用于控制TC35无线模块发送短消息.结果:通过对五名受试者做实验,识别准确率高可以达到100％,脑机接口系统能有效控制短消息的发送.采用小波滤波、BP神经网络识别的算法优于时域波形匹配识别法.结论:实验表明本文提出的实现脑机接口短消息发送系统的方法具有可行性.
-
数字滤波和小波变换提取脑电节律的比较
提取脑电节律往往是临床脑电图(EEG)诊断的关键一环.根据小波多分辨滤波器组的特点,从理论和数值实验两方面来讨论小波分解对信号频段的二进划分的特点,把一段采样频率为2 kHz的EEG信号用4阶Daubechies小波(db4)作8层分解,重构各个分量,得到它的δ、θ、α、β、γ节律.由于小波多分辨率滤波器组具有品质因数恒定的特性,使得该方法能从宽的频谱范围中提取出低频段的脑电节律.和用6阶椭圆无限长冲激响应(IIR)数字滤波器滤波的效果相比,有其显著的优越性.
-
基于多分辨分析量子跃迁神经网络的心电图智能检测研究
为了提高心电信号的正确检测效率,本文在BP神经网络模型基础上,引入多量子能级传递函数,使产生的量子跃迁神经网络具有更有效的学习和泛化能力,克服了经典BP网络在心电图模糊分类方面的局限性,使网络输出"跃变"跳出特征空间不确定区域而"坍缩"到确定区域,提高了心电信号正确检测效率.并且本文为了进一步优化网络,利用具有多分辨特性的小波变换对心电信号进行预处理,减少了网络神经元选取个数,优化网络,提高了收敛速度,实验结果验证了理论的可行性.
-
基于多尺度模糊熵的动作表面肌电信号模式识别
动作表面肌电(SEMG)信号是一种从皮肤表面采集的复杂电信号,它的模式识别在人体假肢和人—计算机交互系统等实际应用中非常重要.为了提高识别率,提出一种将模糊熵(FuzzyEn)和多尺度分析相结合的方法.该方法从动作SEMG信号非线性和非平稳特性的角度出发,引入了多尺度模糊熵(MSFuzzyEn)特征,并应用到人体前臂六类动作SEMG信号的模式识别中.首先利用小波分解对原始信号进行多尺度分解.然后计算MSFuzzyEn并将其作为特征向量输入支持向量机(SVM)进行识别,平均识别率达到97％,比利用原始信号的FuzzyEn进行识别时提高3％.结果表明,利用MSFuzzyEn对动作SEMG信号进行模式识别效果良好.
