心音信号的时-频分析

与心脏有关的各种疾病的信息常常反映在心音中.心音的改变和心脏杂音的出现,往往是器质性心脏病的最早体征.心音信号是非平稳信号,为全面了解心音信号的特性,文中探讨了短时傅立叶变换和小波分析两种时频分析方法;并利用它们对正常和非正常心音信号进行了分析,通过对比分析结果,比较了各自的优劣.     

基于小波变换的心音信号去噪方法

心音信号在采集的时候常常会受到噪声的干扰,因此对心音信号的去噪声处理成为众多研究者关心的一个问题。本文分析了基于小波变换的心音信号去噪方法的性能,以及小波基函数和分层系数的选择问题。实验表明采用Daubechies小波并进行6层分解,心音信号的去噪效果最优,在保持原始心音信号的成分后还能有效的滤除噪声。     

蝙蝠回声定位叫声的连续小波时频分析

连续小波变换用于分析蝙蝠回声定位叫声,通过对小波尺度的适当选取,解决了传统语谱分析的分辨率固定、计算量大、信息冗余量大的缺点.MATLAB仿真证明,小波变换分析结果并未丢失原有信息,是分析蝙蝠回声定位叫声的一种有效新途径.     

基于Hilbert-Huang变换的第一心音信号时频分析

根据瓣膜原理,第一心音(S1)是在心脏收缩期由二尖瓣和三尖瓣关闭时引起的振动产生的,含有多个频率分量.对第一心音信号的分析研究,在临床上对心脏疾病的诊断有重要意义.本文用一种全新的时频分析方法:Hilbert-Huang变换(HHT),对30例心音数据进行心音分析实验.实验结果表明:HHT方法可以有效的分析心音信号;S1含有二尖瓣M1及三尖瓣T1两个主要成份;异常S1的M1和T1的频率比正常S1有升高.     

基于小波熵的心音信号去噪算法研究

心音信号在采集过程中,易受到干扰混入噪声,常采用小波变换进行心音信号的去噪处理.传统的小波阈值去噪,未根据心音和噪声的特性选择阈值,导致去噪效果不甚理想.针对小波阈值选择问题,提出基于小波熵的自适应阈值选择方法.基于小波熵阈值、极大极小阈值和固定阈值,分别对正常心音、第二心音分裂和含S4的心音信号去噪仿真分析.结果表明...     

基于小波分析的心音诊断方法研究

由于传统的心音听诊就是凭医生的经验用听觉分析心音信号,不能满足医学上所要求的高精确度性能而且听诊技能要花多年时间才能掌握,针对这些弊端本文提出了一种新的心音诊断方法。它对电子听诊器录制的心音文件,用离散小波变换从样本中提取特征值再将选取的特征值输入到前馈型神经网络进行训练和识别。     

基于短时傅立叶变换和连续小波变换的先天性心脏病心音比较分析研究

介绍了将短时傅立叶变换(STFT)和连续小波变换(CWT)用于先天性心脏病(房间隔缺损、室间隔缺损、动静导管未闭)心音信号进行时频分析、特征提取的研究.两种方法都能较好的识别先天性心脏病人,总有效率为85%.论文对两种方法的优缺点进行了比较.小波变换比短时傅里叶变换能更有效的识别正常人与病人的心音信号的特征,可分性更好.但是短时傅里叶变换能量范围更集中,动态范围变化也更小一些.     

心音信号的时频分析

首先对几种典型信号的计算结果进行了分析，并比较研究了短时傅里叶变换和连续小波变换在心音信号时频分析方面的性能差异．指出了应用这２种方法应该注意的问题，并对一例正常和一例非正常的心音信号的时频分析进行了讨论     

三种时频分析方法在心音信号分析中的应用

文章介绍了一种新的时频分析方法—— Hilbert谱分析 ,并将其应用到心音信号的时频分析中 ,分析对比了短时 Fourier变换 ,小波分析和 Hilbert谱分析这三种方法在处理心音信号时的性能差异 .传统的基于 Fourier的方法不能有效的分析非平稳信号 .文章分析证明了这种新方法在分析像心音信号这种非平稳信号的有效性 ,它能对信号的时频分布做出比短时 Fourier变换和小波分析更为精确的描述 .用这种方法 ,我们能提取心音信号中频率变化的信息 .     

利用小波变换分析心音信号

心音信号可以用于诊断一些心脏瓣膜和心肌的疾病，心音信号是一种非平稳信号，而小波变换中数字信号处理技术适合于分析非平稳信号。文章阐述了一种利用小波变换分析心音信号的方法。通过对计算机模拟的心音信号的分析实验，分析利用小波变换可以有效地分析心音信号，从而为利用心音信号诊断心脏疾病提供了一种新的方法。     

应用连续墨西哥帽小波变换对弱信号提取分析研究

应用连续小波变换分析含有噪声的模拟弱信号,对比mexh、db4、coif4、haar、meyr、morl 6种小波函数,结果显示,小波函数不同所得结果也不一样.通过小波变换系数求和,可将原信号放大,mexh能有效显示所要研究的信号,峰位值不变,并且使不易进行定量分析的信号也具有良好的线性关系.     

采用小波变换对自发耳声发射信号的检测研究

自发耳声发射信号的检测方法通常采用周期图法 ,为了推动自发耳声发射在临床生理和病理上的应用 ,需要有较高频率分辨率和准确率的稳健算法推向临床。论文在研究自发耳声发射信号的检测方法时 ,通过对连续小波变换的两种快速算法的比较 ,发现调频 Z变换方法比 Mellin变换方法在提高自发耳声发射信号的频率分辨率方面具有更大的优越性 ,提高了自发耳声发射信号谱峰识别的准确性和简易性。调频 Z变换方法对推动自发耳声发射在临床生理和病理上的应用有更大的潜力。     

应用连续小波变换提取对流云团

准确地从卫星云图背景中划分出对流云团的边界十分困难。提出了一种应用连续小波变换从红外卫星云图中提取对流云团的处理方法。将正弦波经过Gauss函数调制后，得到一组满足允许条件的连续小波基函数，利用这组小波基实现了对流云团小波提取算法，得到了强对流云团边界的分割。与提取对流云团的常规处理手段相比，这种方法具有物理意义明确、分割结果准确的优点，是提取卫星云图中对流云团的有效方法。     

基于转角模态小波变换的连续梁损伤识别研究

针对采用基本振型进行小波变换识别连续梁支座附近损伤的困难,提出了运用转角模态小波变换识别损伤的方法.该方法在对连续梁转角模态进行有限元分析的基础上,用墨西哥帽小波做连续小波变换,并由多尺度小波分析确定损伤位置,由低尺度上的小波系数模极大值识别相对损伤程度,由小波系数线特征确.定损伤类型.通过对一具有离散裂缝、裂缝群和局部刚度下降三类损伤的连续梁做数值计算分析,验证了方法的有效性.该方法对连续梁损伤识别的工程应用具有参考价值.     

基于综合滤波算法的心音信号去噪

针对小波分解重构滤波算法及形态滤波算法的缺点,提出将这两种数字滤波方法结合起来,利用形态滤波器滤除低频干扰信号,然后再由小波分解重构滤波器滤除高频干扰的算法,采用均方根误差比较三种算法,结果显示综合滤波去噪效果较好。     

基于小波包变换的一种降噪算法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小 ,而信号的方差和幅值与小波变换的尺度变化无关。因此 ,文章提出一种以小波包能量为基础 ,以降低原始信号与降噪后信号之间的均方误差 (MSE)为目标的基于小波包的降噪算法 ,并与传统的 Donoho的硬阈值降噪算法作了比较。仿真结果表明 ,该算法可以有效去除白噪声干扰 ,并且明显优于传统的 Donoho的硬阈值降噪算法。     

一种基于小波变换的图像去噪方法

利用小波系数在相邻尺度上的相关性关系，针对小波系数估计中硬阈值方法和软阈值方法的缺点，通过对双重量收缩函数得到的阈值乘以一个合适系数进行修定的折衷方法，提出了一种新的小波域局部自适应去噪算法。实验结果表明，该方法既可以去除噪声，又可以较好地保留图像的高频细节特征。     

基于离散小波变换与小波包分解的语音增强算法

提出了一种基于离散小波变换（DWT）和小波包分解（WPD）的语音增强算法.该算法首先将带噪语音进行离散小波变换,并分别对离散逼近信号和离散细节信号采用不同的基小波进行小波包分解,再按照不同的规则选取阈值进行去噪,最后对去噪后的语音信号完成重构.计算机仿真表明,在计算量相当的情况下,该算法优于离散小波变换法去噪和小波包分解法去噪.