一种自适应R波检测算法实现

提出了一种检测心电信号中R波的方法.该方法首先采用多通道滤波器和小波变换对ECG信号去除噪声,然后使用自适应的差分阈值法检测ECG信号中的R波.该方法对传统差分阈值算法中存在漏检和多检情况具有自检功能.提供了相关实验结果,实验证明该方法准确率高 ,能实时处理ECG信号.     

一种基于ECG的改进型差分算法设计

提出一种基于差分阈值自适应的ECG波形检测算法.算法对ECG信号进行数字滤波预处理,利用自学习算法求出相应的初始阈值,采用双阈值自适应更新法实现对差分阈值的自动更新和对R波以及Q、S波的检测,通过对检测窗口宽度的自适应更新法实现对P波和T波的检测.算法检测精度高,适合实际应用.     

面向网络边缘侧的心电信号处理技术

随着边缘计算的兴起与边缘设备计算能力的提升,网络边缘侧开始拥有足够的计算能力和决策能力来提供实时性更强、反馈速度更快、可靠性更高的智能服务.以网络边缘侧作为应用背景进行心电信号(electrocardiosignal,ECG)处理技术的研究,结合形态学滤波与平滑滤波对心电信号进行去噪;以差分阈值法为基础进行R波检测算法的设计,通过引入一阶差分平方作为补充、使用RR间期对波峰进行筛选、阈值自适应更新等方法,减小噪声对R波检测算法的影响,提高R波检测的准确率.结果表明:本文算法具有较高的可靠性和实时性.     

基于差分阈值与模板匹配的心电R波提取算法

心电信号(electrocardiogram,ECG)是人体最重要的体征信号之一,R波是心电信号中最明显的特征参数.R波的正确提取是计算心率、分析心率变异性等其他参数的基础.以一阶差分为基础,结合模板匹配算法,在匹配的过程中采用阈值比较和匹配系数的心电R波检测方法,提高了R波检测的准确率.实验表明,该算法能够快速准确地检测心电信号数据中R波特征值.     

基于四帧帧差和混合高斯模型的运动目标检测

鉴于传统的帧差法检测准确率不高,容易造成检测错误等问题,提出了一种改进的视频序列运动目标检测算法.该算法将混合高斯模型与改进的四帧差分算法相结合:首先,改进的四帧差分是取连续的四帧——第1帧与第3帧、第2帧与第4帧分别进行差分二值运算,采用动态阈值以适应光线变化,将差分的结果轮廓填充,进行"与"运算;然后,将混合高斯建模后得到的运动目标与改进的四帧差分算法得到的运动目标,进行逻辑"与"运算;最后,通过形态学处理检测出运动目标.实验结果证明,改进的算法既能适应光照的变化,又能有效克服空洞的现象,与同类算法相比,具有更高的鲁棒性和准确率.     

一种改进的QRS波检测方法

对QRS波群的检测算法进行研究,针对基于经验模式分解的传统QRS波检测方法存在的一些问题加以改进,提出新的检测方法.该方法利用心电信号经过经验模式分解后,QRS波能量主要分布在第1个固有模态函数IMF1的特性,通过对IMF1进行阈值收缩去噪、线性高通滤波以及非线性低通滤波等预处理突出QRS波的特征信息,最后利用自适应阈值法检测QRS波.研究结果表明:利用心率失常库MIT-BIH中的记录对该检测方法进行检验,正确检出率超过99.8%;该方法简单有效,准确率高,适于实际应用.     

基于改进的差分相乘运动目标检测

针对传统帧间差分在目标检测中的不足,提出了基于改进的差分相乘的运动目标检测方法.该算法通过四帧差分分别和混合高斯建模得到的背景图像差分之后再相与,然后通过阈值技术得到运动目标,背景自适应的更新减少了噪声和光照变化对检测的影响,从而解决传统帧差法可能出现的无法检测完整目标的现象.实验表明,改进算法改善了传统帧差法中存在的较多伪目标点与空洞现象,提高了运动目标检测的效率和准确性.     

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.     

基于背景差分的运动目标检测方法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.通过对一组连续视频进行处理,从中得到不含运动目标的背景图像.再利用背景差分的方法提取出运动目标.在确定比较阈值的过程中,一改以往通过实验不断调整的做法,提出了动态阈值的概念,从而增强了检测效果,提高了算法的可实施性.融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测.实验结果表明,通过背景差分与高斯模型相结合的方法,在有诸多不确定性因素的序列视频中构建背景有较好的自适应性,能迅速响应实际场景的变化,为准确地检测出运动目标提供了必要的基础.     

自适应双阈值心电信号检测算法研究

目的:设计并实现一个执行效率高、特征提取有效、疾病诊断准确的QRS波群检出算法,该算法可以防止R波的漏检、多检,同时在移动心电监护系统上实现心率失常性的自诊断分析.方法:在现有的自适应差分阈值法和双重阈值法上进行改进,结合两者之间的优点,对R波进行检测,计算出相应的RR间期和QRS波群宽度,并与一般临床心律失常特征进行比对,得出心电自诊断结果.结果:用美国麻省理工学院的MIT-BIH数据库进行验证,R波与QRS波群的检出率高达99.5%并能对相关心律失常疾病作出判断.结论:该算法具有实现性强、准确率高、方便快捷等特点,可以结合移动心电监测系统实现快速准确识别R波特征值,并作出相应的心率失常自诊断的功能.     

融合改进帧差和边缘提取算法的运动目标检测

针对帧差算法检测运动目标存在的目标边缘缺失和空洞的问题,提出一种将改进帧差和基于改进Canny算子的运动目标边缘提取方法相融合的运动目标检测算法。首先,使用帧差法快速检测变化区域,并通过面积阈值判断是否进行当前帧的检测以提高算法实时性;其次,在运动目标边缘提取中,提出一种基于改进Canny算子的运动目标边缘提取方法提取当前帧运动目标边缘,以解决检测目标边缘缺失的问题;最后,将改进的三帧差分法提取运动目标像素点填充目标边缘图像,以解决检测目标内部空洞的问题。对比实验结果表明,该融合算法对视频中的运动目标能以较高的准确度和完整度实现运动目标的高效检测。     

面向运动目标检测的ViBe算法改进

背景差分法是静态背景下运动目标检测的常用方法,ViBe算法是它的主要建模方法之一.针对ViBe算法对鬼影消除缓慢的问题,提出了结合帧间差分技术的ViBe改进算法,使用帧间差分技术通过记录相关像素值的时域变化来判断鬼影像素,提高消除鬼影的速度.针对ViBe算法的固定阈值不能反映每个像素具体情况的问题,提出了一种自适应阈值的方法,可根据像素值的变化为每个像素设定阈值,提高前景检测的准确度.实验结果表明,结合帧间差分技术的ViBe算法能够较快地消除检测结果中的鬼影,应用自适应阈值的ViBe算法能够更准确地进行前景检测.     

运用双向长短期记忆模型的心拍分类算法

为提高心拍的分类效果,研究基于双向长短期记忆(BiLSTM)模型的深度学习算法.首先,采用“双斜率”法对心电信号进行预处理;然后,设计自适应阈值对预处理后的心电信号进行QRS波定位,并依据R波波峰分割截取心拍;最后,采用BiLSTM模型的深度学习算法对获取的心拍形态进行分类.使用MIT-BIH心率失常数据库验证算法有效性,实验结果表明:文中算法对正常或束支传导阻滞(N)、室上性异常(S)、心室异常(V)、融合(F)类型的敏感性分别为98.56%,97.10%,93.33%,79.52%,特异性分别为98.38%,98.08%,98.54%,99.65%;与传统的支持向量机等方法相比,文中算法能够进一步提高心拍分类的正确率.     

基于自适应阈值的循环增长地面点云分割算法

在坡度、路面起伏不平的场景中,针对单一阈值敏感性不足,多阈值简单组合存在冗余计算,且影响分割精度和鲁棒性的问题,提出了一种基于阈值自适应选取的点云分割方法。该方法在栅格分割中引入循环增长判断,以兼顾局部特征与全局特征,设计了一种触发式双特征判断机制,并通过拟合地面波动幅度自适应确定分割的高度阈值提高算法的分割效率和分割精度。最后基于开源数据集进行了仿真测试,验证了所提算法在地面点云分割中的精确性和时效性。     

一种改进的集群系统的任务调度算法

任务调度算法是提高集群系统负载均衡能力的有效手段。为了提高系统利用效率,除了每个任务分配优先级外,还提出基于动态分配任务抢占阈值的LSF（Least Slack First最小空闲时间优先算法）改进算法,并将该设计方法应用到渲染集群系统中,从而有效地减少了因任务抢占引起的系统开销和提高了渲染集群系统资源利用率。     

自适应阈值AdaBoost.RT算法及其在轴承剩余寿命预测中的应用

针对自适应增强回归阈值(adaptive boosting regression threshold, AdaBoost.RT)算法用于判断训练样本好坏的阈值为常数,不能自适应地对每个测试样本动态调整判断标准的问题,提出了一种动态自适应调整阈值的改进AdaBoost.RT算法。通过引入训练结果的均值与标准差构造奇异系数作为判断相对误差的阈值,实现算法训练计算过程中阈值的自适应调整,在提高预测精度的同时,可以减少选择算法参数带来的繁重工作量。采用4组经典测试函数构造不同规模的训练样本数据进行算法检验,实验结果表明,提出的自适应调整阈值算法可以有效利用测试样本之间的差异性,克服了大噪声数据带来的干扰,改进后的集成算法可以改善回归模型的预测效果,提高模型的泛化性能。利用IEEE PHM 2012数据集验证所提方法的有效性,并与极限学习机(extreme learning machine, ELM)和原始AdaBoost.RT算法进行对比分析。结果表明：采用所提方法获得的轴承寿命预测均方根误差降低了5.18%,决定系数提高了3.11%。     

基于蚁群算法的最佳熵图像分割阈值方法

最佳熵阈值是最常用的图像分割算法之一,但是需要大量的运算时间,限制了其实际的应用范围.蚁群算法是一种新兴的仿生进化算法,已成功的应用于大批组合优化问题的处理.将最大熵算法视为组合优化问题并引用蚁群算法加以处理,实验结果表明蚁群算法不仅可以实现最优阈值的确定,而且可以提高图像分割效率.