短时心率变异符号序列的熵分析方法

使用复杂性和非线性方法研究心率变异(heart rate variability, HRV)信号时序和结构中的规律, 对揭示心血管调节的潜在规律和生理本质具有重要的研究价值, 而研究适用于短时HRV信号的方法更具有重要的临床应用价值. 根据HRV信号方向信息的特点, 提出了符号序列的熵分析(sign series entropy analysis, SSEA)方法, 并将其应用于实际HRV信号的分析. 结果显示, SSEA方法能从短时HRV信号中敏感地检测出生理和病理状态的变化, 并且受信号噪声和非平稳性的影响较小, 为临床HRV信号或其他复杂生理信号分析提供了一个有效的方法.     

心跳间隔增量序列的多尺度分析及临床应用

通过对心跳间隔序列、心跳间隔增量序列的多尺度熵和多尺度标准差分析, 发现心跳间隔序列的多尺度熵主要反映年龄对心脏活动水平的影响, 不足以作为区分充盈性心衰的诊断依据. 然而, 心跳间隔增量序列的多尺度熵分析却显示充盈性心衰和房颤患者心率变异性的复杂性较健康人有显著降低, 揭示两种疾病的心率变异性有着共同的潜在动力学性质. 提出了以心跳间隔增量序列在尺度4下的样本熵作为充盈性心衰和房颤的诊断依据并给出了参考值. 通过分析不同心功能分级对结果的影响, 发现即使是轻度心衰也能显著区别于健康人, 意味着该参数可以用于心衰的早期诊断.     

基于斜率阈值主分量分析的心率变异性相空间分布维数

心率变异性是指逐次心跳间期之间的时间差异,即使正常人在安静状态下,这种差异也普遍存在.心率变异性信号蕴含着自主神经系统对心血管调节的大量信息,富含复杂的非线性成分.本文从心率变异性数据在延迟嵌入相空间中的几何分布入手,提出分布维数的概念,并提出在主分量分析方法中以高斯信号的特征值谱斜率为阈值区分信号方向和噪声方向,以此研究在相同嵌入维下健康年轻人、健康老年人和充盈性心力衰竭病人的心率变异性数据在延迟重构相空间中的分布维数,发现健康年轻人的分布维数最高,健康老年人和充盈性心力衰竭病人的分布维数都大大降低.该方法需要的数据量小,计算简单,具有很好的抗噪声能力,为心率变异性的临床诊断提供了一种快速高效的途径.     

基于类拐点特征向量的多层次指纹分类新方法

自动指纹识别技术是利用人类指纹的唯一性,通过对指纹图像的采集、细节特征提取并与样本库数据相比较的过程来实现指纹识别的技术.首次定义并成功提取了一种反映指纹方向场变化特点和规律的新特征向量,即类拐点特征向量.利用这一新的特征向量和从类拐点中抽取出来的指纹核心点为分类特征,以多层次树结构为分类策略,使不同类型的指纹在不同层次、不同特征空间都线性可分,从而分别获得最大的类间距离而最小的类内方差.在高维数比率样本测试条件下,分类的准确率达到99%以上,并且对低质量指纹图像具有良好的鲁棒性,从而真正实现了准确一致而又精细的指纹实时分类,具有很强的实用性和一定的推广价值.     

改进的重标度极差法用于人体步态信号的动力学探测

作为人体输出生理信号之一的步态信号通常呈现一定的分形结构,具有明显的非线性特征,如何准确地探测到人体运动控制这一复杂生理系统的动力学特征具有重要的现实意义.本文通过一种改进的重标度极差法准确地捕捉到了不同自由行走速度下人体步态信号的动力学分形特征,而将原始步态时间间隔序列随机打乱顺序,获得的新序列则呈现出明显的随机性;通过与按节拍器产生的三种对应行走速率下的步态信号进行分析和比较后发现:正常健康人体输出的步态信号呈现出长程正相关性,而按节拍器节律获得的步态信号则长程正相关性减弱甚至消失,证明了人体运动控制系统调控输出步态信号的重要性.步态信号的动力学分形特性是健康人体的固有特征,具有很强的鲁棒性.缩短步态时间间隔序列长度后分析,该方法依然能够有效地探测到正常健康人体步态信号的动力学特征,并且算法简单可靠、运算快速、参数敏感、抗干扰能力强,研究结果对于人体运动控制系统的建模以及量化步态信号动力学的生理状态具有一定的应用价值.     

脑电信号零点穿越间期序列的多重分形分析

微弱的脑电信号易受其他生理信号或采集设备的影响而产生较大的幅度偏移,影响分形分析结果的可靠性.因此,引入脑电信号的零点穿越间期序列作为分析对象,提出了一种脑电信号非线性动力学研究的新方法——零点穿越间期序列的多重分形分析.采用新的方法对取自PhysioBank“TheSleep-EDF Database“的24 h睡眠脑电记录进行了研究.作为比较,文中使用多重分形奇异谱和去趋势波动分析两种方法,分别对脑电信号的零点穿越间期序列和幅度时间序列进行了分析和比较.分析结果显示,零点穿越间期和幅度时间序列的奇异强度区间均随着睡眠的加深而增大,表明脑电信号在深度睡眠状态下的标度特性更加分散.对实验结果的单因素方差分析与多重比较检验显示零点穿越间期序列的多重分形分析方法在睡眠分期方面具有一定的优势.     

QYJ—1型取样积分器(Boxcar)

QYJ—1型取样积分器是一种可以将湮没在噪声中的重复性信号波形或重复脉冲大小提取出来的仪器。它有两个工作模式,即“扫描”和“定点”,前者用于恢复波形,后者用于脉冲测量。取样积分器利用很窄的并与信号同步的取样脉冲,对湮没在噪声中的输入信号进行取样。再利用噪声与信号的非相关性,通过RC积分电路对取出的样品进行同步积累,来达到抑制噪声以提取信号的日的。本文讨论QYJ—1型取样积分器的基本原理、电路设计、参数选择、误差分析和一些实验結果。 QYJ—1型取样积分器不仅适用于科学研究而且也适用于高等院校教学实验。     

自动指纹识别系统预处理技术及细节特征提取算法的研究

指纹图像预处理是自动指纹识别系统(AFIS)的关键步骤,它的好坏直接影响到整个系统的速度和准确率.详细介绍了预处理过程中指纹图像与背景分离、方向信息提取、纹线提取、二值化、细化,以及细节特征提取等关键技术.在这些模块中,提出了一些改进算法和新的思想.根据人指纹本身是一个曲面结构的特点,采用一种自适应的局部阈值分离方法,解决处于不同深浅区域的指纹图像均能有效地同背景分离;提出了一种改进的、基于非彻底细化图像的细节特征提取算法,在不对纹线进行任何处理的情况下,直接从细化指纹图像上提取原始细节特征点集合,并针对各种噪声产生的伪特征点进行修复;另外,还介绍了一种基于灰度纹线跟踪直接提取指纹图像细节特征的新方法,并与传统算法进行了比较.这种方法不经过二值化、细化等过程,能显著减少预处理带来的累计误差,加快处理速度,在一定程度上提高了准确率.实验证明,以上算法行之有效,在实际应用和严格测验中取得了较好的效果.     

不同思维模式下的脑电奇异谱分析

人脑是极为复杂的系统,脑电(EEG)是脑内大量神经元电活动合作与竞争的综合反映,由局部和非局部频率分量构成,这些局部分量与特殊的内在神经网络状态紧密相关,在宏观上反映了脑的机能状态.脑电信号的非线性分析是近年出现的一种脑电分析方法,它反映了大脑处理信息活动的有序程度,为研究大脑高级认知活动提供了新的思路.越来越多的研究表明,传统的非线性动力学方法采用单一的参数不能充份描述脑电信号的复杂行为,多重分形用一个谱函数从不同层次描述了分形体的整体生长特征,采用多重分形方法描述系统的非线性动力学行为能够得到更多的信息.本文对不同思维模式下脑电的多重分形特性进行分析,发现EEG的奇异谱在不同的思维状态下具有差异.进一步对这种差异进行统计分析表明大脑思维的EEG多重分形特性受到人脑的思维方式的影响,EEG多重分形奇异谱强度分布反映了大脑思维模式的差异.