心电信号数字滤波器的设计与实现

心电信号是心脏疾病的重要医学诊断依据.为获取具有实用价值的诊断信息,介绍在心电信号处理中滤波算法的实现,探讨针对心电信号的工频干扰和肌电干扰的数字滤波方法,选取有效的滤波算法用于消除和抑制工频干扰、肌电干扰.通过对采集到的离散心电数据和理想心电信号相比较,设计出对工频干扰和肌电干扰进行处理的数字滤波器方案,利用Matlab仿真技术进行比较和分析,从而得到较为理想的心电信号.实验表明,选取的心电数字滤波方法能达到预定设计要求,具有实时性、有效性等优点.     

基于降噪源分离的脑电信号消噪方法

为了解决采集的脑电信号中常含有工频、心电、肌电和眼电等多源干扰问题,提出一种基于降噪源分离的脑电信号消噪方法.首先,该方法经过小波分解重构,消除高斯噪声完成预处理;然后,根据脑电信号的非高斯性,用正切函数进行降噪源分离,将含干扰的脑电信号逐次迭代提取得到分离信号作为消噪结果;最后,引入相关系数检测消噪效果.实验结果表明:经过降噪源分离提取得到的分离信号之间呈现弱相关性,而目标分离信号与源信号具有强相关性,可有效去除脑电信号中的心电和眼电伪迹.     

心电信号中去除肌电干扰信号的研究

心电信号是一种极易受环境影响的微弱信号,其中夹杂的各种干扰噪声增加了心电信号的分析和诊断难度.针对心电信号中的肌电干扰信号,设计改进型分布式FIR低通滤波器.以MIT-BIH心电信号数据库为样本信号,对该滤波器进行数值仿真和电路测试,研究表明该滤波器能有效滤除肌电干扰信号,能提升信噪比、降低均方差,提高心电信号检测的准确率.因此,该设计对去除肌电干扰信号是有效和可靠的.     

脑电信号中肌电伪差的实时去除方法研究

为了在线去除脑电信号中的肌电伪差,使用典型相关分析方法,分析了大量被肌电干扰和未被干扰的脑电(EEG)信号,得出了一个合理的自相关阈值.在时域上,肌电伪差和一般的噪声信号比较类似,有比较小的自相关值,在去除肌电伪差时,凡自相关值低于此值的分解成分被识别为肌电伪差.该方法很好地利用了这个特点,将肌电伪差分量与潜在大脑信号分离,然后依据剩下的分解成分重建"干净"的EEG信号.实验结果表明,典型相关分析法在去除肌电伪差时优于独立成分分析法,结合提出的自相关阈值在有效去除肌电伪差的同时,又能较好地保持潜在的大脑信号不变.     

采用集合经验模态分解和改进阈值函数的心电自适应去噪方法

针对心电信号中存在基线漂移、工频和肌电干扰等噪声对后续的分析和诊断带来干扰的问题,提出了集合经验模态分解(EEMD)改进阈值函数的心电自适应去噪方法。运用EEMD将含噪心电信号分解得到一组由高频到低频分布的固有模态函数(IMF)。采用过零率自适应判断各IMF的噪声类别:若IMF包含高频噪声,采用结合软硬阈值优缺点所提出的改进阈值函数以去除IMF分量中的高频噪声;若IMF包含低频的基线漂移,则采用中值滤波器抑制基线漂移。最后将处理后的IMF分量叠加,即可重构去噪后的心电信号。实验结果表明,与已有的小波阈值法去噪后的信噪比(SNR)和均方根误差(RSME)对比,所提方法对心电信号去噪效果更加显著,而且能完整地保留波形特征。     

基于小波变换自适应滤波方法的ECG信号消噪

为了减少在用小波变换方法进行心电信号消噪时所产生的心电信息损失,本文在对心电信号进行离散正交小波变换的基础上,进行自适应滤波处理,即以具有最大QRS波能量的尺度上的高频细节信号作为自适应滤波器的参考输入,以噪声干扰对应的分解尺度上的“细节”分量及最大分解尺度上的近似分量所重构的信号作为原始输入.实验证明这种改进的滤波方法可以在有效抑制心电信号中噪声干扰的同时,较好保持心电信号的波形特征及有用的心电信息,达到较好的滤波效果.     

应用独立分量分析的胎儿心电信号提取

针对独立分量分析(independent component analysis,ICA)的基本生成模型,在采用负熵的快速定点ICA算法的基础上,应用渐近正交化的FastlCA算法,对3导从孕妇腹部测得的含有孕妇及其胎儿心电分量的观测信号进行了有效的分离,提取出胎儿心电分量;通过调用Matlab小波消噪程序,对分离所得的胎儿心电分量用db2小波对其做8层分解,获取默认软闽值,消噪处理.结果表明,渐近正交化的FastICA算法收敛速度快,只经过7、3、2次的迭代,便将3个源分量分离出来;结合小波阈值消噪,将分离后胎儿心电中的干扰进一步去除.     

低成本高精度单导联心电信号采集电路设计

为解决心电信号采集过程易受噪声干扰、 电路复杂等问题, 设计了低成本高精度心电采集电路, 采用芯片 AD8232 采集并放大心电信号, 引入 100 Hz 低通滤波器、 0. 05 Hz 高通滤波器及 50 Hz 陷波电路。 实验表明,高频干扰衰减 60 dB(10 倍频), 50 Hz 噪声衰减了 41. 08 dB。 该电路有效地滤除了单导联心电信号中掺杂的共模干扰、 肌电干扰、 基线漂移和工频干扰等, 提高了单导联心电采集精度, 可应用于家用医疗监护、 便携式可穿戴式心电监测设备。     

基于小波的心电信号噪声处理

介绍了小波分析的基本理论,并根据coiflet小波在各个尺度上的不同的带通滤波特性,利用小波变换多分辨率的特点对心电信号进行滤波.文中利用不同的阈值函数及自适应阈值对MIT/BIH国际标准数据库中的ECG信号进行了仿真与验证.通过实验证明,该算法能较好的抑制信号中的基线漂移、工频干扰和肌电干扰.     

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%.     

基于AR模型和神经网络的膝骨性关节炎诊断

本文旨在采用表面肌电信号无创性方法诊断和评判膝骨性关节炎,以在早期能够预防和治疗膝骨性关节炎,改善生活质量。在研究中,采集了对照组和膝骨性关节炎患者水平行走时下肢的股外侧肌,股内侧肌,股二头肌和半腱肌的表面肌电信号。利用表面肌电信号建立自回归(AR)模型,提取AR模型参数为特征向量训练BP神经网络,并通过神经网络诊断膝骨性关节炎。实验表明,基于BP神经网络分类器可以得到较好的结果,正确率可达到88%以上。     

一种基于sEMG信号多重分形的肌肉疲劳特征分析方法

针对由表面肌电信号(sEMG)非平稳、非线性、自相似性等复杂特性导致的肌肉疲劳估计不准的问题,提出一种基于sEMG信号多重分形降趋移动平均法(MFDMA)的肌肉疲劳特征分析方法。首先,利用MFDMA方法对采集的sEMG信号、洗牌信号和高斯白噪声信号进行非线性动力学分析;其次,利用MFDMA方法计算sEMG信号的多重分形谱宽度、Hurst指数变化差值、概率测度值和峰值奇异指数4种多重分形特征;最后,利用t-检验法分析肌肉疲劳与非疲劳状态下的多重分形特征的显著差异性。结果表明,MFDMA方法能够描述sEMG信号的多重分形行为,谱宽等多重分形特征在肌肉疲劳与非疲劳状态下具有显著性差异。所提方法能够可靠表征运动性肌肉疲劳,可为肌肉疲劳识别模型建构、康复医学研究提供特征参考。     

人体腿部表面肌电信号特征提取方法

表面肌电信号(sEMG,surface electromyography)作为人体运动检测的主要信息源之一,已被广泛应用于康复训练福祉机器人领域。针对人体下肢动作识别的问题,提出了一种针对表面肌电信号进行小波变换的特征提取方法。在肌电信号的频域分布中,该方法选取小波子空间中活动段的平均功率组成特征向量。为验证所提出方法的有效性,设计实现了一种微型便携式多通道sEMG信号采集系统,并利用支持向量机(SVM,support vector machine)构建分类器对腿部动作进行识别。实验结果表明:该方法能有效识别腿部常见的4种动作,同一个体动作识别率能达到95%以上,不同个体识别率平均能达到85%,能够较好地应用于下肢运动障碍患者的日常康复训练。     

支持向量机在表面肌电信号模式分类中的应用

采用小波变换的方法对实验采集的原始四通道表面肌电信号(sEMG)进行了分析,并提取小波分解系数的奇异值构建特征矢量,利用“一对一”分类策略和二叉树设计的多类支持向量机(SVM)分类器,很好地实现了对前臂8种运动表面肌电信号的模式分类,8种运动模式的平均识别率为98.75%.研究表明SVM分类准确率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且识别精度高,鲁棒性好,对肌电信号及其他非平稳生理电信号的模式识别,提供了一种具有良好应用前景的新方法.     

基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方 法,利用患者前臂的表面肌电信号,通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法,对8 通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图,再用此特征图训练卷积神经网络,对5 种不同手势进行分类,分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作,表明 了该方法的可行性,为深入研究康复手套运动控制奠定了基础。     

基于表面肌电的肘关节运动角度预测

表面肌电信号(sEMG)由于能够反映用户的动作意图而被广泛应用在上肢康复治疗系统中.针对目前上肢康复机器人的手臂关节运动控制不灵活的问题,提出一种基于sEMG的肘关节运动角度预测方法.为解决单一的时域特征提取方法存在的时间效率高而稳定性不足的问题,从时域和频域分别提取特征值,采用BP人工神经网络建立表面肌电信号与肘关节角度的映射模型,实现肘关节角度的预测.实验结果表明,该模型的预测结果与真实角度值有高度的一致性,有助于提高上肢康复机械臂的灵活性.     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。     

基于表面肌电信号的绝缘手套法带电作业人员上肢肌肉疲劳分析

绝缘手套法是配网带电作业的主要作业方式,为获取穿戴绝缘手套的带电作业人员上肢肌肉的疲劳特性及其诱发的肌肉骨骼系统疾患(work-related musculoskeletal disorders,WMSDs)的风险,开展了基于表面肌电信号(surface electromyogra-phy,sEMG)的绝缘手套法带电作业人员上肢肌肉疲劳评估研究.针对配网绝缘手套法的典型作业工况,搭建了绝缘手套法带电作业上肢的sEMG试验平台,采集受试者上肢(右手)各目标肌肉在是否穿戴绝缘手套下的sEMG信号;基于时域特征参数积分肌电值(integrated electromyography,IEMG)、均方根值(root mean square,RMS)及频域特征参数平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MDF)对绝缘手套的上肢肌肉疲劳特征进行评估;基于支持向量机(support vector machine,SVM)构建了带电作业人员上肢肱桡肌疲劳状态识别模型.结果表明:穿戴绝缘手套作业时各目标肌肉更容易进入疲劳状态;穿戴绝缘手套作业时,作业人员上肢部位的肱桡肌、肱二头肌、肱三头肌、三角肌的疲劳程度依次递减,与仿真计算的分析结果一致;sEMG时域特征参数IEMG、RMS对作业人员上肢肌肉疲劳的表征效果要优于频域特征参数MPF和MDF;带电作业人员上肢肱桡肌疲劳状态识别模型总体平均准确率为86.56％,能有效识别上肢肱桡肌肌肉疲劳状态.     

新生儿智能监护仪设计与ECG信号中QRS波的识别算法

介绍了一种可以对新生儿的心电信号 (ECG)和呼吸信号 (RESP)同时进行监测的仪表的设计 .当新生儿的呼吸停止 2 0s和心跳小于 10 0次 /min两种情况同时发生时 ,监护仪可发出报警的声光信号以便医护人员进行急救处理 .在ECG信号采集过程中 ,主要研究了QRS波的识别算法 ,并且对心电信号的滤波技术进行了深入的探讨 ,设计出性能优越 ,高速节时的滤波器和QRS波检测技术 ,相应地滤除了心电图 (ECG)信号中的肌电、基线漂移和 5 0Hz工频等干扰 .采用MIT/BIH数据库对算法进行检验 ,达到了理想的效果 .液晶显示模块LCD用于ECG和RESP信号的实时现场图形显示、预测、预报和主要心电和呼吸参数的数字显示     

基于辅助变量盲辨识方法的肌电信号识别分类

表面肌电信号(sEMG)是神经肌肉活动发放的生物电信号。本文从信号产生的根源出发,建立FIR模型,该模型的输入为信号源是不可测的,为了克服该不足本文提出采用盲辨识的方法辨识模型系数,以该系数作为表面肌电信号的特征,对6种手势动作识别分类,实验表明,该方法运算量小,分类能力较好。