首页 | 官方网站   微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 523 毫秒
1.
睡眠呼吸暂停(sleep apnea,SA)是一种睡眠障碍疾病,严重影响睡眠质量和身体健康。为降低睡眠呼吸障碍检测的复杂度并提高准确率,提出了一种粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)方法,通过心电信号实现对SA的准确检测。首先,将心电信号分段,并从中提取心率变异性;其次,实现特征提取与选择,包含心电信号RR间期的均值、标准差、均值标准差、差值均方的平方、心率变异性的信号总功率、低频段功率、高频段功率、瞬时中位频率、边际谱熵和能量谱熵等;最后通过PSO-SVM分类算法进行睡眠呼吸暂停检测。结果表明,本方法筛选10个特征对SA检测,利用Apnea-ECG数据库通过PSO-SVM检测准确率为94.0%,提升了现有方法的检测性能。  相似文献   

2.
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.  相似文献   

3.
基于语音信号与心电信号的多模态情感识别   总被引:1,自引:0,他引:1  
通过采集与分析语音信号和心电信号,研究了相应的情感特征与融合算法.首先,通过噪声刺激和观看影视片段的方式分别诱发烦躁情感和喜悦情感,并采集了相应情感状态下的语音信号和心电信号.然后,提取韵律、音质特征和心率变异性特征分别作为语音信号和心电信号的情感特征.最后,利用加权融合和特征空间变换的方法分别对判决层和特征层进行融合,并比较了这2种融合算法在语音信号与心电信号融合情感识别中的性能.实验结果表明:在相同测试条件下,基于心电信号和基于语音信号的单模态情感分类器获得的平均识别率分别为71%和80%;通过特征层融合,多模态分类器的识别率则达到90%以上;特征层融合算法的平均识别率高于判决层融合算法.因此,依据语音信号、心电信号等不同来源的情感特征可以构建出可靠的情感识别系统.  相似文献   

4.
提出了一种基于模糊神经网络(FNN)对心率失常信号进行判别的新方法.首先,根据心电信号特点构建Sugeno型模糊神经网络,然后使用Cam Delta算法对其进行训练,这样可以得到模糊隶属函数,此隶属函数将R-R间期波及QRS波的长度模糊化.随后,用几何法通过计算隶属度实现对心率失常的判别.经MIT-BIH心电数据库和实测数据检验,此方法可有效的对心率失常进行判别.  相似文献   

5.
为解决传统动态心电监测存在的一些问题,例如粘性心电电极刺激皮肤、信噪比随使用时间延长而下降、动态心电图仪缺乏实时分析能力等,研制了一种可穿戴心电异常检测系统
。制作了有导电织物材料心电电极的穿戴衣,设计了心电信号采集装置,提出了基于分析R-R间期和QRS波群波形的异常心电波形检测算法,在PDA(Personal Digital Assistant)平台上实现了基于该算法的异常心电信号识别软件。通过实际测试,验证了本系统的有效性和可靠性。  相似文献   

6.
对健康和心律异常的心电信号进行分析,经小波分解之后的心电信号实现R波的准确定位,提取心率变异性这一特征参数的5项指标.根据心率正常和异常体现在特征参数上的差异,用模糊C均值聚类算法得到心率变异的病症模式,并与正常心电数据进行比较.结果表明,心率变异特性具有明显的可分性,基于模糊C均值聚类算法可以得到较好的结果.  相似文献   

7.
为了有效检测驾驶人疲劳驾驶状态,利用模拟驾驶器开展疲劳驾驶实验,建立2类(疲劳、正常)样本数据库;采用均值分析法提取特征参数;最终基于BP和GA_BP神经网络建立分类算法进行疲劳驾驶检测。结果显示,基于GA_BP的分类算法的识别准确率、达到设定目标的次数、均方误差和迭代步长均比基于BP的算法好;两种算法的运行时间均呈二次函数增长;但基于GA_BP的分类算法增长速度更快。这表明基于BP和GA_BP建立分类算法进行疲劳驾驶检测具有可行性,且基于GA_BP的算法识别效果更好,虽然其运行时间较长,但满足实时检测的要求。  相似文献   

8.
阵发性房颤是一种最为常见的心律失常,发作时心电图主要表现为RR间期绝对不规则以及P波缺失。已有阵发性房颤的自动检测方法仅依赖于心电信号的时域信息,从而使得检测准确率不高。鉴于小波相干分析可以同时展现信号的时域和频域信息,文中提出了一种基于小波相干分析的阵发性房颤自动检测方法。首先,对所有的心电信号预处理;其次,对模板与待测心电信号分别进行小波相干分析得到其小波相干图;进而,计算小波相干值均值、比率和交叉小波相位角方差构成房颤心电特征;最后,将上述特征结合超限学习机完成阵发性房颤的自动检测。文中通过MIT-BIH房颤数据集验证所提算法的有效性与可行性,数值实验结果达到准确率97. 81%,敏感性98. 54%,特异性98. 61%。  相似文献   

9.
动态近似熵快速算法在心率变异研究中的应用   总被引:1,自引:0,他引:1  
提出了一种动态近似熵的快速算法,只要较短数据就能表现信号的非线性特征,并大大缩短了计算时间.对心率变异性分析中静卧-行走实验采集的R-R间期信号进行了动态近似熵分析,描述了心率调节作用的动态变化,反映了受试者生理状态的改变与心率变异的无序性.  相似文献   

10.
为了定量分析在驾车过程中驾驶员使用手机进行通话时对其造成的生理负担,设计仿真实验研究一般性电话通话、微信语音通话和干扰性电话通话三种不同形式通话时对驾驶员心率变异性的影响。基于Logitech仿真驾驶器,设计了实验内容与流程,分一般性电话通话、微信语音通话和干扰性电话通话三种使用手机通话方式下,在城市仿真道路上进行模拟驾驶。通过MINDWARE系统采集驾驶员在整个驾驶过程中的心率变异性各指标。分析得到三种使用手机通话方式下驾驶员的心电波形图、心搏间期序列、心动间期时间序列的频谱等;根据心率变异性各指标变化得出使用手机对驾驶员生理的影响。结果发现:无论在哪种通话方式下,驾驶过程中使用手机前后心率发生明显变化,呼吸功率谱中峰值频率、平均呼吸振幅、心率平均值和呼吸速率增大,心搏间期值降低;心电波形图的心跳频率增大,心搏间期序列的峰值降低、心搏间期变短,心动周期时间序列的峰值升高、周期变短。从心率变异率的各指标的变化值来看:微信语音通话对驾驶人心率变异性指标的影响最大,干扰性电话通话次之,一般性电话通话影响最小。  相似文献   

11.
介绍一种利用改进的ART(自适应共振理论 )人工神经网络检测心电图QT间期的方法 .用经过训练的ART网络对心电波形进行分类和识别 ,较准确的测出T波终点位置 ,从而提高QT间期检测的正确率 .该算法在一定程度上模拟了心电专家手工测量QT间期的过程 ,用于检测包括MIT心律失常数据库 (MIT/BIHArrhythmiaDatabase)在内的共近千个心跳波形 ,并以两位心电手工测量结果作为标准数据进行对比 .对比结果显示 ,我们的算法对单路心电波形自动检测的准确度与通常手工测量具有可比性 ,充分体现了人工神经网络的优越性 ,在要求自动检测大量数据的场合具有显著的应用价值 .  相似文献   

12.
模糊神经网络在驾驶员疲劳检测中的应用   总被引:2,自引:0,他引:2  
针对驾驶员疲劳检测算法中数据量大、高速传输、复杂运算的实际需要,以DSP器件TMS320DM642为核心处理器,开发了嵌入式的驾驶员疲劳驾驶状况实时监测系统;为解决因疲劳/瞌睡驾驶而造成的交通事故,针对国内各种疲劳检测方法大都采用单一的疲劳特征进行疲劳识别的现状,运用模糊神经网络方法,将多个疲劳特征参数:眼睛闭合时间占某特定时间的百分率(PERCLOS)、眼皮的平均闭合速度(AECS)、点头频率(NodFreq)、哈欠频率(YawnFreq)结合起来对驾驶员疲劳状况进行识别,准确率达88.7%.试验结果表明,算法对疲劳检测问题有较好的效果,系统的开发对降低因驾驶疲劳引发交通事故发生率的研究具有重要意义.  相似文献   

13.
近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ECG信号进行预处理,从时域、频域和小波域提取了信号的三域特征,这些特征从各个方面充分表征了ECG信号的性质.再利用基于网格搜索的SVM结合归一化特征可将ECG信号划分为常见的4类.该方法的总体精度达到98.01%,f_1分值为0.9800,对ECG信号的检测性能良好,相对目前绝大多数ECG信号分类器具有更强的泛化能力.  相似文献   

14.
针对目前心电信号检测中准确度不高以及适应性不强的问题,提出了一种基于二次B样条小波,结合二分搜索算法和圆弧逼近曲线算法的QRS波群检测算法。首先对心电信号用二次B样条小波经Mallat算法分解,在二分搜索法调整阈值和模极大值检测R波的基础上,再用基于最小二乘圆弧逼近曲线算法检测T波与P波。最后用MIT-BIH数据库的数据验证了该改进算法增强了R波检测的适应能力,提高了T波与P波的检测准确度。仿真实验表明该改进算法可以有效地提高心电信号自动检测能力。  相似文献   

15.
疲劳驾驶是造成交通事故的一个重要因素。基于脑电波传感器采集到的脑电(EEG)信号,提出了一种基于特征节律波样本空间距离的实时驾驶疲劳监测算法。该算法通过提取脑电特征信号并建立相应的特征样本空间,然后通过将实时采集的脑电信号与样本空间之间的距离来判别驾驶员是否处于疲劳状态;并结合多次实验结果,使用ROC曲线分析方法获得确定疲劳判别的阈值,由此实现对驾驶者疲劳状态的实时监测。实验结果显示,该算法能有效地、实时地对疲劳进行监测,且具有较好的鲁棒性和准确性。  相似文献   

16.
为了提高基于心冲击(ballistocardiogram,BCG)信号心率提取的准确率,提出了一种新算法.首先通过趋势项消除和小波变换对原始BCG信号进行预处理操作;然后通过单极性信号的频谱分析得出先验心率,据此确定局部心动周期的分段间隔;最后通过阈值处理、分段处理、提取局部极值点等操作得出心率.实验中采集了30例BCG信号,由此得到心率值;与同步采集的单通道ECG信号得到的心率值进行对比分析,结果表明,二者的相对误差最大不超过1.78%,这进一步验证了该算法的可行性和准确性.  相似文献   

17.
为了通过心电监护完成对多种生理信号的检测, 降低监护设备的复杂性, 根据呼吸运动对心电信号的影响, 提出一种由心电信号提取呼吸信息(EDR: ECG-Derived Respiratory Signal) 的算法。首先, 根据Pan&Tompkins 算法从心电信号中提取R 波; 然后使用自然三次样条插值算法对心电信号的基线进行估计, 去除基线漂移, 得到干净的心电信号; 最后获取干净的心电信号R 波, 利用自然样条插值算法得到R 波幅值调制信号, 提取出呼吸信息。通过Matlab 软件对该算法进行验证, 并进行相关的分析比较。仿真结果表明, 该算法能从心电信号里提取呼吸信息。通过与数据库中同时记录的呼吸数据进行比对, 证实了算法的有效性。  相似文献   

18.
The fault detection and diagnosis of diesel engine valve clearance can effectively improve the availability and safety of diesel engine and have extremely important value and significance.Diesel engines generally operate in various stable operating conditions,which have important influence on the fault diagnosis.However,many fault diagnosis methods have been put forward under specific stable operating condition based on vibration signal.As the result of great impact caused by operating conditions,corresponding diagnosis models cannot deal with the fault diagnosis under different operating conditions with required accuracy.In this paper,a fault diagnosis of diesel engine valve clearance under variable operating condition based on soft interval support vector machine(SVM) is proposed.Firstly,the fault features with weak condition sensitivity have been extracted according to the influence analysis of fault on vibration signal.Moreover,soft interval constraint has been applied to SVM algorithm to reduce the random influence of vibration signal on fault features.In addition,different machine learning algorithms based on different feature sets are adopted to conduct the fault diagnosis under different operating conditions for comparison.Experimental results show that the proposed method is applicable for fault diagnosis under variable operating condition with good accuracy.  相似文献   

19.
This paper presents a method for detecting weak fault signals in chaotic systems based on the chaotic dynamics reconstruction technique and the fuzzy neural system (FNS). The Grassberger-Procaccia algorithm and least squares regression were used to calculate the correlation dimension for the model order estimate. Based on the model order, an appropriately structured FNS model was designed to predict system faults. Through reasonable analysis of predicted errors, the disturbed signal can be extracted efficiently and correctly from the chaotic background. Satisfactory results were obtained by using several kinds of simulative faults which were extracted from the practical chaotic fault systems. Experimental results demonstrate that the proposed approach has good prediction accuracy and can deal with data having a -40 dB signal to noise ratio (SNR). The low SNR requirement makes the approach a powerful tool for early fault detection.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司    京ICP备09084417号-23

京公网安备 11010802026262号