可穿戴式心电信号采集电极的研究

针对传统心电采集设备的不可移动性以及传统粘性电极的致敏性,应用可穿戴计算的方法提出了使用镀银织物电极制作可穿戴式心电采集设备.为了提高可穿戴式心电采集信号的质量,制作了插入式织物电极.实验表明使用插入式织物电极的可穿戴式心电采集设备具有较好的舒适性,信号波形的质量达到传统电极的采集质量.     

基于织物电极的心电监测系统

为解决传统动态心电监测存在的一些问题,例如粘性心电电极刺激皮肤、信噪比随使用时间延长而下降、动态心电图仪缺乏实时分析能力等,研制了一种可穿戴心电异常检测系统
。制作了有导电织物材料心电电极的穿戴衣,设计了心电信号采集装置,提出了基于分析R-R间期和QRS波群波形的异常心电波形检测算法,在PDA(Personal Digital Assistant)平台上实现了基于该算法的异常心电信号识别软件。通过实际测试,验证了本系统的有效性和可靠性。     

心电向量图自动分析诊断系统

本文介绍了一个用于心脏疾病诊断心电向量图自动分析诊断系统。系统通过计算机对立体心电向量分解成的平面心电信号的分析，可以绘制出各环各面的心电向量图，并根据向量图可计算得出３８项指标和９９项常规参量，随即给出诊断报告．文章还阐述了数字滤波、基线漂移、波形识别和图形处理的实现方法。     

计算机分析脑电波信号的算法研究及实现方法

本文描述了一种EEG自动分析中排除伪差的基于知识的系统,对脑电图伪差及癫痫病棘波的识别方法进行了探讨：运用时城分析法并全面地利用16个通道上可得到的前后信息识别伪差;用波形分析法来识别癫痫病棘波。初步实验结果表明,本方案预处理方法简便,波形特征易于提取,识别算法灵活,功能齐全,能识别各种通常在EEG中出现的伪差,在适当的抽样速率下并能准确检测棘波。     

XYZ型心电向量数据处理系统

心电向量图(VCG)可以与心电图(ECG)互相补充,对某些心脏病的诊断具有独特的意义,因此,实现VCG自动分析已经受到人们的重视。本文是VCG自动诊断系统的子系统,其目的是完成心电及向量数据的预处理和特征提取,并给出数据处理报告。为此我们提出一系列实时图形数据处理的算法,如快速线性拟合算法,波形识别的结构方法,向量环分割、识别和参数计算方法等。本系统已在TRS—80微型机上实现。其处理算法对其它形状分析问题也具有应用价值。     

几种疑难心电波形的自动识别方法探讨

本文提出几种疑难心电波形的识别方法,该方法的特点在于将医生读图的经验引入识别过程,设定可能性识别判据,从而显著提高了自动诊断系统对于预激综合症、完全性左、右束支传导阻滞和心肌梗塞等病种的诊断准确性。     

融合粒子群与双边长短窗能量差的心电P波检测

心电P波蕴含了人体丰富的生理、病理信息，但P波幅值较小、形态多变，检测十分困难.本文提出一种双边长短窗能量差法来检测多形态P波边界，并使用粒子群算法优化其参数.从LUE数据库和QT数据库中分别选取4363个和1936个心电节拍，其中70%作为训练集，30%作为测试集，并与基于动态规划的参数混合高斯拟合法和无相位平稳小波变换法对比，正向与负向P波的结果误差明显小于上述两种方法，该算法可检测出双向P波，同时还具有一定抗噪能力.     

基于穿戴式输入系统的手指敲击识别算法

随着穿戴式接收设备的发展,与其配套的输入设备也要求更加便携和小型化.基于此,设计了一款穿戴式输入系统,系统包括十个指环,指环上集成有MEMS传感器、微处理器、蓝牙通信模块、电池.操作者佩戴该指环键盘通过惯性传感器检测手指的敲击动作,并根据设定的输入法实现文本的输入.另外,针对该系统操作的特点,还提出一种手指敲击识别算法,以实现对敲击动作的识别,通过验证,该算法可实现96％以上的敲击识别率.     

基于HMM的手势识别研究

利用可穿戴式加速度传感器采集手势动作信息,研究了基于隐马尔可夫模型的手势识别技术.首先采集手势加速度数据,采用改进的SWAB算法进行自动端点检测,通过提取相应的手势特征,利用HMM对手势指令建模,并采用K-means算法矢量量化手势特征序列,以提高手势识别性能.实验表明,本文采用的方法能够有效识别手势动作.     

基于LMS改进算法的自适应滤波器在胎儿心电监测中的应用

从母体心电与胎儿心电的特点出发，提出了LMS算法的一种改进方法，设计了自适应滤波器消除母体心电对胎儿心电干扰的一种新型实现方法，分析了系统结构，并且在QRS渡变化较快时采用LSL方法以解决LMS算法收敛速度较慢在QRS波不适合采用LMS算法的问题，使自适应滤波器在消除母亲心电对胎儿心电干扰方面得到最佳效果，并进行计算机结果仿真对比     

基于改进块贝叶斯学习的多通道心电信号重构

为提高可穿戴心电监护系统的重构精度,本文提出了一种结合多测向量模型的块稀疏贝叶斯学习心电信号重构算法,并在算法的求解过程中使用快速边缘似然最大化算法。对MIT-BIH心律失常数据库、MIT-BIH噪声测试数据库和PTB诊断数据库中心电信号的实验表明,相比于其它传统的压缩感知重构算法,该算法具有重构精度高、运行时间短的优势;相比于基于单测向量模型的块稀疏贝叶斯算法,该算法的重构精度提高了35%,重构速度提高至原来的8倍;在重构含噪声心电信号的情况下,该算法获得比其他重构算法更好的重构效果。因此,本算法在可穿戴心电监护系统中具有良好的应用前景。     

基于小波的ECG信号噪声消除

人体心电信号在采集过程中掺杂着各种噪声信号。因而提出利用一种非线性的消噪方法，根据心电信号与噪声奇异点在小波变换下不同性质进行滤波。给出了具体的算法和试验结果。理论分析和实验表明，这种方法在改善信噪比同时又能保持相当主的时间分辨率，而且特别适合时变信号和突变信号的消噪。     

神经网络自适应共振理论应用于心电图QT间期自动检测的研究

介绍一种利用改进的ART(自适应共振理论 )人工神经网络检测心电图QT间期的方法 .用经过训练的ART网络对心电波形进行分类和识别 ,较准确的测出T波终点位置 ,从而提高QT间期检测的正确率 .该算法在一定程度上模拟了心电专家手工测量QT间期的过程 ,用于检测包括MIT心律失常数据库 (MIT/BIHArrhythmiaDatabase)在内的共近千个心跳波形 ,并以两位心电手工测量结果作为标准数据进行对比 .对比结果显示 ,我们的算法对单路心电波形自动检测的准确度与通常手工测量具有可比性 ,充分体现了人工神经网络的优越性 ,在要求自动检测大量数据的场合具有显著的应用价值 .     

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失,伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过四层小波分解得到五个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。     

一种检测与分析心电波形的算法

介绍了心电图波形自动识别的软件设计,着重讨论了用特征识别法对心电图波形进行检测,并提出了自学习算法,最后给出了１０种常见的心律失常的判别准则．所有软件均用８０９８汇编语言编制完成．实验表明,本软件对提高ＱＲＳ波检测率及一些基本心律失常的诊断具有良好的效果,适用于心电自动监护系统．     

由心电信号提取呼吸信息的算法及其仿真实现

为了使单纯的心电监护设备实现对多种生理信号的检测,减小设备的复杂性,根据心跳频率和呼吸频率处在不同的频段．提出2种由心电信号提取呼吸信息（ECG—derivedrespiratorysignal,EDR）的算法：离散傅里叶变换EDR算法和离散小渡变换EDR算法．利用MATLAB软件在时域和频域分别对这2种算法进行验证,并进行了相关分析比较．经过筛选比较．离散小波变换EDR算法选用coifN小波作为母小波．仿真结果表明,文中所提出的2种算法均能有效地从心电信号中提取出呼吸信息,但离散小波变换EDR算法的准确性与母小波的选取有很大关系．当选取coif3小波时．离散小波变换EDR算法比离散傅立叶变换EDR算法更为有效．     

基于小波变换与模极大值法的高速铁路牵引网故障行波波头自动识别算法

为解决准确自动识别入射波和反射波的波头这一难题,提出了一种基于小波变换与模极大值法的行波波头自动识别方法。在分析小波变换及突变点检测原理的基础上,利用牵引变电所采集到的电压行波信号,进行多尺度一维离散小波变换。选用Daubechies小波族的db6为基本小波,并采用搜索模极大值的方法和约束函数判定,在模极大值点间进行自动识别起始波和反射波的波头位置。理论分析和现场数据验证结果表明,该算法切实有效,并能结合初始波与反射波间数据采样点数,得出故障初始行波脉冲与故障点反射回来的行波脉冲之间的时间差。     

基于多导联心电信号和多变量回归模型的心律失常的分类

心电信号(ECG)智能分析非常有利于严重心脏病人的自动诊断。本文介绍了多变量回归模型(MAR)建模法,利用MAR模型从双导联ECG中提取特征对ECG信号进行分类。在分类时,利用MAR模型系数及其K—L变换(K—LMAR系数)作为信号特征,并采用了树状决策过程和二次判别函数(QDF)分类器。利用文中方法对MIT—BIH标准数据库中的正常窦性心律(NSR)、期收缩(APC)、心室早期收缩(PVC)、心室性心动过速(VT)和心室纤维性颤动(VF)各300个样本信号进行了建模和测试。结果表明,为了达到分类目的,MAR模型阶数取4是足够的,基于MAR系数的分类取得了比基于K—L MAR系数的分类稍好的结果。基于MAR系数的分类获得了97．3％～98．6％的分类精度。     

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程, 利用多导睡眠仪(polysomnography, PSG)和体动记录仪, 分别记录被试的ECG信号和体动信号, 再对 ECG信号提取心率变异性(heart rate variability, HRV)的特征值, 并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合, 将实验数据分为训练集和测试集, 设计一个用遗传算法改进的BP神经网络模型, 对样本进行训练和预测。研究结果表明, 改进的BP神经网络能有效地识别测试样本, 综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合, 能够用于家庭睡眠监测, 也可作为睡眠疾病的初筛方法。