基于径向基函数神经网络的胎儿心电提取

针对胎儿心电难以提取问题,提出一种从母体腹壁混合信号中提取胎儿心电的方法.利用径向基函数(radial basis function,RBF)神经网络估计母体心电信号传导至腹壁的非线性变换,将非线性变换后的母体心电信号从腹壁混合信号中减去,再通过小波包去噪技术抑制胎儿心电的基线漂移和噪声,得到清晰的胎儿心电.应用临床心电数据完成实验,在胎儿心电和母体心电QRS波完全重叠情况下,提取出清晰的胎儿心电.实验结果验证了方法的有效性.     

基于小波分析和神经网络的胎儿心电提取

通过小波分析方法和自适应线性神经网络相结合,对围产期母体腹壁混合心电信号进行处理,采用两种方案进行仿真并分析对比。分别采用小波变换和小波包分解技术对心电信号消噪处理,探索一种提取出胎儿清晰心电信号的方法,为下一步胎儿心电信号特征提取和健康状况的诊断奠定基础。实验结果表明,先提取胎儿心电信号,再进行消噪处理效果较好。     

一种从母体腹部电极心电信号中检测胎心R波的算法

母体腹部电极心电法通过放置在孕妇腹部的电极片无创检测胎儿心电信号.但腹部无创检测采集的是包含胎儿心电、母体心电及噪声的混合信号,且母体心电信号的幅值远大于胎心信号.基于此问题,提出从母体腹部心电信号中检测胎儿R波的高效算法.该算法避免对腹部信号建立复杂的模型,通过最小化误差函数,自适应地滤除母亲心电信号的波形,以获得较清晰的胎儿心电波形.再经过基于聚类的胎儿R波尖峰检测以及精筛选的步骤,获得正确的胎儿R波尖峰.该算法使用PhysioNet Challenge 2013的腹部心电数据集Set-a进行测试.测试结果中,胎儿R波尖峰提取的平均灵敏度为88%,平均阳性检测率为88%.由于不涉及复杂的计算,该算法运行时间短,效率高,处理持续时长为60s的腹部信号平均用时2.64s,很适合用于可穿戴设备中心电信号的实时检测.     

非侵入式胎儿心电信号的R波检测方法

采用非侵入式方法从母体腹部采集的胎儿心电信号(FECG),由于信号微弱并受到母体心电信号和噪声的干扰,要准确识别出FECG的R波非常困难.本文通过对从母体腹部表面采集的信号进行二进小波变换,并用模极大值法确定信号奇异值点的位置,根据母体与胎儿心电在模极大值上的差异,识别出胎儿心电信号的R波.此方法在MIT Physio Net/Cin C 2013挑战竞赛公布的标准数据进行了实验,并参加了SET-B数据集的挑战,根据MIT竞赛平台公布的结果,此方法从母体腹部采集的单通道信号中识别胎儿心电信号R波的准确率达到93.8%.     

单通道母体腹壁胎儿心率鲁棒估计研究

随着高危妊娠病例近年来的快速增加,家庭在线式胎儿监护成为围产期母婴监护领域研究的重大课题.通过母体腹部体表间接探测的胎儿心电图,完全无创、操作简便,特别适用于胎儿的远程家庭监护.但是母体腹壁胎儿心电图信噪比极低,分离提取胎儿心电信号算法十分复杂.本文从随机系统动态建模与估计理论出发,分析研究腹壁胎儿心电信号的基本特征,充分利用其动态演化规律,建立腹壁胎儿心电信号动态空间模型,提出一种新的低复杂度单通道胎心率鲁棒估计算法.算法对电极配置要求的简便性以及算法本身的递归性,使得在客户端本地实现胎儿心率实时估计成为可能,适用于胎儿心率的家庭动态监护环境.     

一种基于体震信号的快速ICA胎儿心搏信号提取方法

常规胎儿心搏检测方法为胎儿心电信号检测,针对其需要在母体体表粘附多个电极,对检测环境和受试者的状态要求较高等问题,提出一种应用快速独立分量分析算法提取胎儿心搏信号的方法.该方法利用体震信号无需在体表安装电极的非接触检测优势,通过对母体体震信号主成分的分析,获取胎儿心搏成分分量,更适用于日常家庭无感监测的要求.通过采集45组母体体震信号及同步胎儿心电信号,验证算法的准确率为91.3%.     

人类生物信息的提取

临床上通常通过记录怀孕和分娩时母亲腹部心电图来探测胎儿心率和三个月以上胎儿数量,然而这种腹部心电图常常被肌肉活动和胎儿运动所引起的背景噪声所污染,胎儿心跳的探测更被强与其两倍的母体心跳所淹没。以下将介绍自适应滤波器原理及如何使用自适应滤波器来从母亲腹部心电信号中提取胎儿心电信号,并对参数选取对于滤波结果的影响做出分析。     

基于聚类分析和模糊数学的胎儿心电检测

为提高在母体腹壁信号中胎儿心电信号微弱、基线漂移和噪声干扰较大的情况下匹配滤波法进行胎儿心电检测的能力,提出了基于聚类分析和模糊数学的胎儿心电检测方法：首先采取聚类分析的方法进行胎儿心电模板的提取,以提高胎儿心电模板和初始胎儿心电标准周期的准确度;而后用模糊模式识别的方法检测胎儿心电。提高了检测成功率和准确率,并使早搏的检测成为可能。     

基于心电信号提取呼吸信号的算法

为了通过心电监护完成对多种生理信号的检测, 降低监护设备的复杂性, 根据呼吸运动对心电信号的影响, 提出一种由心电信号提取呼吸信息(EDR: ECG-Derived Respiratory Signal) 的算法。首先, 根据Pan&Tompkins 算法从心电信号中提取R 波; 然后使用自然三次样条插值算法对心电信号的基线进行估计, 去除基线漂移, 得到干净的心电信号; 最后获取干净的心电信号R 波, 利用自然样条插值算法得到R 波幅值调制信号, 提取出呼吸信息。通过Matlab 软件对该算法进行验证, 并进行相关的分析比较。仿真结果表明, 该算法能从心电信号里提取呼吸信息。通过与数据库中同时记录的呼吸数据进行比对, 证实了算法的有效性。     

具有时间结构的胎儿心电信号盲提取新算法

非侵入式胎儿心电信号提取是生物医学信号处理与分析中的一个非常重要的课题,相关算法很多,但均存在一定缺陷.结合信号的非高斯性和自相关性建立了优化问题的目标函数,并利用近似牛顿法推导出了一个新算法.与已有的梯度算法相比,由于不涉及迭代步长,非常容易实现信号的盲提取.仿真实验表明该算法能有效地提取清晰的胎儿心电信号,并且对于时间延迟的估计误差具有较高的鲁棒性.     

基于小波变换的心电信号去噪

针对心电信号采集过程中常会混入工频干扰的情况,利用小波分析良好的时频局部化特性,提出了一种改进的基于小波变换的阈值去噪方法.该方法对传统的阈值选取方法进行了改进,提出了尺度相关的阈值选取方法.仿真结果表明,改进后的算法可以有效地去除ECG信号中的噪声信号.     

基于短时心电信号的疲劳驾驶检测算法

心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.     

同步12导联ECG的多重分形分布

同步12导联ECG各个导联之间存在着多重分形奇异谱分布．人的ECG多重分形奇异谱面积12导均值由人体神经自律控制，反映的是人体的神经控制强弱，而不是心脏本身的病变程度；心脏本身的生理病理活动对ECG多重分形奇异谱面积12导均值起着一种调制作用．导联的多重分形奇异谱面积分布参量指标可以用来指征冠心病．     

冠心病人心电图信号的非线性动力学特性

采用非线性动力学方法对冠心病人的同步十二导联常规心电信号（Electrocardiogram:ECG)进行了研究,计算了每一导联心电图信号的关联维数D2,并与正常对照组进行对比,发现不论冠心病人（CHD）还是健康人,心电图信号均表现出强烈的混沌动力学特征,从不同导联得出的D2值不同,同一导联相比较,除Ⅰ,Ⅱ,Ⅲ导联外,冠心病人的D2显著低于正常人的D2值,显示在心肌缺血的情况下,心脏ECG吸引子的复杂程度降低了。结果表明,D2可以区别正常人与冠心病人,也可以为确定病变部位提供有价值的诊断信息。     

气压与心电相关数据采集系统的设计

设计了一种气压与心电同步数据采集系统.利用该系统对气压和心电信号进行长时间同步采集,揭示了气压变化与心电信号之间的对应关系.为满足系统低功耗的需要,通过对MSP430F149以及外围电路的分析,分别给出软硬件解决方法;另一方面,为方便地进行存储容量的扩展,系统采用了读写速度快、功耗低的低电压外部数据存储器SD/MMC卡存储信号,对信号不做任何的压缩处理,可保证信号的保真度.     

基于小波变换的心电信号处理研究

在简述小波变换理论发展的基础上,介绍了心电信号的主要特点和研究内容,从两大方面概括小波变换应用于心电信号处理的国内外研究现状:一是去噪,着重介绍了小波阈值消噪的研究成果,概括了在母婴心电信号分离、去除肌电噪声、保留特征波形方面的研究现状;二是波形检测和特征提取,着重介绍了QRS波群检测、ST段检测和R波峰值提取的研究现状,以及小波与其他理论结合用于心电信号处理的研究成果。最后,展望了利用小波变换进行心电信号处理的前景。     

一种滤除心电信号中噪声的形态滤波方法

心电信号在检测过程中，常常会引入噪声和发生基线漂移，这严重影响了对心电信号的进一步分析和处理，采用数学形态学中的形态滤波方法，通过采5有不同尺寸结构元素的开－闭的闭－开运算平均组合，来滤除心电信号中的噪声和校正基线漂移，仿真结果验证该方法的有效性。     

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。     

一种基于心电信号的pRRx序列分析心律失常的方法研究

提出一种从ECG数据中提取pRRx序列, 进而分析心律失常的方法。选取20例正常窦性心律和20例心律失常患者的ECG数据, 计算相应的pRRx序列(x从1~100 ms取值), 两组pRRx序列的分布呈现明显的差异。对pRRx序列进行线性和非线性分析, 结果表明: 1) 线性指标中, AVRR, rMSSD和SDSD在两组序列中表现出显著性差异(P<0.001); 2) 非线性指标中, pRRx序列直方分布信息熵(S_dh)、功率谱直方分布信息熵(S_ph)功率谱全频段信息熵(S_pf)和pRRx的分形维数(D_sf, D_cf, D_vm和D_rms)在两组序列中表现出显著的统计学差异(P<0.001)。因此, 基于pRRx序列的分析在一定程度上能够反映心脏系统的线性和非线性性质, 可以作为一种新颖且有效的心律失常分析方法。     

基于小波变换和支持向量机的心电信号ST段分类

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。