基于小波的ECG信号噪声消除

人体心电信号在采集过程中掺杂着各种噪声信号。因而提出利用一种非线性的消噪方法，根据心电信号与噪声奇异点在小波变换下不同性质进行滤波。给出了具体的算法和试验结果。理论分析和实验表明，这种方法在改善信噪比同时又能保持相当主的时间分辨率，而且特别适合时变信号和突变信号的消噪。     

基于样本熵的睡眠脑电分期

运用样本熵从波士顿Beth Israel睡眠脑电实验数据中提取睡眠特征值,对睡眠分期进行研究.针对脑电属于微弱非平稳随机信号、难于提取特征的特点,利用小波变换先有效地消除脑电信号中的噪声,再计算其样本熵用以表征睡眠各分期.计算结果表明,由清醒期到非快速眼动的Ⅳ期过程中,其样本熵值呈规律性逐渐变小,与该库中专家评定的结果相符.这说明经过小波消噪和样本熵处理的脑电信号能准确地反映睡眠各期的变化特征,比用近似熵表征睡眠分期更准确、运算速度更快,完全适用于非平稳随机信号的处理.     

基于Multisim设计的心电采集放大电路

心血管疾病是人类死亡的主要疾病之一,许多患者心脏病发作后由于未能及时发现和抢救极易发生死亡.由于心律失常的出现常是偶发的,使用通常的心电图机等短程分析方法不易发现,现在较为有效的方法就是采用记录24 h以至更长时间的心电图并加以分析以期捕捉到心律失常波形.本论述研究设计了一种低功耗、结构简单、性价比高的心电放大器,在此基础上可研制出便携式动态心电记录仪.该仪器的最大优点是电路简单、实用、低功耗且成本低廉,对各中小型医院的危重病人的抢救和家庭监护有较好的实用价值.     

基于多特征信息的双层睡眠分期模型

针对睡眠相关疾病的诊断和治疗过程中睡眠分期的问题,使用ADASYN算法对睡眠样本进行类平衡,有效利用复合多尺度排列熵、样本熵和不同频段的能量值等一系列能够反映不同睡眠阶段信息的特征进行训练．为了提高分类中易混淆睡眠阶段的分类识别性能,构建了一种双层分类模型,使睡眠分期的五分类问题转化为两个三分类问题．将所提出的方法在Sleep-EDF数据集上进行验证,结果表明：所提出的模型对健康受试者的准确率可达到88.3%,较以往模型提高1%～3%,其中N1阶段的分类准确率可达69.5%,较以往模型提高约10%,证明本双层分类模型优于传统的睡眠分类模型．     

基于CNN-BiLSTM的自动睡眠分期方法

针对目前睡眠分期存在的依赖人工特征提取、无法识别长时关联数据中的时序模式、模型对EEG时序数据分期不准确等问题,提出一种基于CNN-BiLSTM的自动睡眠分期方法.将原始数据通过改进MSMOTE算法进行过采样形成类平衡数据,再通过CNN表达其高级特征,并馈送至BiLSTM中挖掘各睡眠阶段间的依赖关系,实现睡眠数据分期特征的自动学习和睡眠周期判定.在Sleep-EDF公开数据集上的实验结果表明,CNN-BiLSTM模型的分类准确率为92.21%.同时引入改进的MSMOTE过采样技术缓解因数据不平衡所导致的少数类睡眠期判定不准确问题.在原始数据集类不平衡的情况下,实现了睡眠数据自动分期,有效提高了睡眠分期模型的准确率,具有一定的实用价值.     

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。     

同步脉搏心电信号的混沌特性分析

对同步脉搏信号和心电信号进行处理,获取脉搏信号和心电信号的间期序列PR及RR,采用替代数据法和Lyapunov指数判断HRV和PRV的混沌特性.结果表明,具有混沌特性的同步脉搏信号和心电信号的零假设检验显著性水平大于1.96,Lyapunov指数大于0,混沌特性一致.在心电信号不可得或不方便得到时,可利用PR代替RR对...     

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...     

非均匀噪声分布心电信号的奇异值小波消噪法

针对一般消噪法对噪声非均匀分布心电信号消噪存在的不足,提出基于奇异值分解和小波阈值消噪相结合的消噪方法.该方法利用矩阵的奇异值分解将噪声非均匀分布的心电信号正交分解为噪声分布相对均匀的分量,在正交子空间中对每个分量进行小波阈值消噪,重构消噪后分量,得到消噪后的心电信号.研究结果表明:本方法有效地克服了因噪声分布不均匀而造成的小波阈值选择矛盾的缺点,有效地消除了大噪声区域的噪声,又完好保存小噪声区域的心电特征信息,且消噪后的信号与无噪信号之间的欧氏距离最小.     

采用小波变换和双向长短期记忆网络的脑电睡眠分期模型

针对睡眠生理信号采集难度大、睡眠分期精度低的问题,提出一种采用小波变换和双向长短期记忆网络的脑电睡眠分期模型。首先使用连续小波变换提取睡眠脑电的时频图;然后使用卷积神经网络从脑电信号的时频图中提取睡眠相关的脑电特征,作为单个睡眠片段的分期依据,再使用双向长短期记忆网络进一步提取睡眠片段之间的状态转换规则;最后利用深度学习方法建立特征、规则与睡眠阶段的映射,使用数据扩充和两步训练法训练模型,削弱数据不均衡的影响,完成连续片段的睡眠分期。采用SHHS公开数据库的5 793名被试者的睡眠脑电数据对该模型进行验证,实验结果表明,睡眠分期准确率达到85.82%,整体F1达到78.39,Kappa系数达到0.799,和现有方法相比性能明显提升。     

心电信号的降噪处理及其评价研究

为抑制心电信号中存在的噪声干扰,以利于准确提取反映心电信号的特征信息,文章提出应用一维离散小波变换实现对心电信号的降噪处理方法.通过对MIT/BIH心电数据库中的心电信号进行仿真,研究结果表明,该方法能够有效地去除心电信号中的噪声,对实现心电信号特征信息的提取具有一定的实用价值.     

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.     

浙江常见几种蝙蝠的心电图研究

本文报导浙江常见七种蝙蝠的心电图,均由p波、QRS波群及T波组成。有关心电图的参数存在着种间、性别和气温不同而出现的差异。     

基于体动射频信号的睡眠分期

为了减轻传统接触式睡眠生理监测系统对人体造成的负担,设计了一种基于微波技术的非接触式睡眠生理信号采集与分析系统,提出一种基于体动射频信号的睡眠分期识别算法.通过小波变换对射频运动传感器(RFMS)采集的体动信号进行预处理,再计算出体动信号的能量值,最后通过判别式处理和阈值法实现了睡眠分期:醒觉期、浅睡期、中睡期、深睡期.实验采集分析了8个实验者为期46天的睡眠生理信号,同时同步采集视频信息、TANITA水床睡眠信息、接触式呼吸脉搏信号.与视频结果比较发现醒觉期正确率达到90%;与TANITA水床睡眠结果相比,本系统的结果与其吻合程度达到70%;与不同睡眠状态下呼吸率、心率的变化相比,本系统的结果吻合度达到80%.     

基于形态学和提升小波的心电信号去噪方法研究

心电信号是一种典型的微弱信号,含有大量噪声,还具有强烈的非线性和非平稳性.针对传统小波计算量大,很难同时将心电信号中高频和低频噪声去除的问题,提出一种结合形态学与提升小波阈值去噪的算法,通过形态学滤波器去除信号的低频噪声,提升小波阈值去噪法去除信号中的高频噪声.经过对MIT-BIH心律失常数据库中的心电信号进行仿真,结果表明,结合形态学算法与提升小波去噪算法的去噪方法,能同时有效去除信号中的低频和高频噪声,提高了心电信号的质量.     

Distribution of correlation dimensions of synchronous 12-lead ECG signals

Correlation dimensionsD ₂ of the synchronous 12-lead ECG signals have been investigated for the first time by distributed multi-sensor (multi-electrode) technique. The results show that correlation dimension of heart has the distributed characteristics.D ₂ calculated from different lead ECG signals is not a constant regardless of a healthy person or a coronary heart disease (CHD) patient with sinus rhythm. But with the same lead signal,D ₂ of CHD patients is evidently smaller than that of a healthy person except I, II, III leads. A healthy person and CHD patient can be identified byD ₂ statistically andD ₂ shows the potential application in the diagnosis of the CHD patients.     

心电信号基线漂移去除方法研究

心电信号(ECG)是临床诊断各种疾病的重要依据,但由于基线漂移等噪声的存在影响了其诊断的准确性.根据基线信号的特点和固有模态函数(IMF)的性质,提出一种基于经验模态分解(EMD)结合形态滤波的自适应滤波方法.该方法先对信号进行经验模态分解,然后对所选择的IMF分量进行形态滤波处理,将滤波后的结果作为自适应滤波器的参考输入信号,最后得到的输出误差信号即为去除基线漂移后的心电信号.通过与普通的EMD方法、基于EMD的自适应滤波方法对比,并采用MIT-BIH数据库中的心电数据进行了检验,实验结果表明该方法对于去除心电基线有较好的效果.     

基于EMD的心电信号压缩算法

针对生物医学信号特别是心电信号(ECG)的特点和数据压缩需求,提出一种基于经验模态分解(EMD)方法的ECG信号压缩算法.所提算法计算简单,无需预先或后处理.以MIT-BIH标准数据库的心律失常数据作为实验数据,通过压缩比(CR)、均方根百分差异(PRD)、归一化均方根百分差异(PRDN)、均方根(RMS)、信噪比(SNR)、质量评分(QS)6个评价参数分析所提算法性能,并与基于小波分解的压缩算法进行比较.实验结果表明,所提算法具有较好的压缩比与保真度,证明了该算法的有效性.