冠心病心电信号ST段的波形形态分类

ECG波形形态改变是心脏病诊断的重要依据。一个非正常的ST段改变对心肌缺血诊断来说尤其重要。因此ECG的长时段记录是必要的,而ST段形态的改变是短暂的。心脏病专家从大量的数据中找出短暂的ST段改变,工作量巨大而困难。根据波形的特征提出多项式拟合和波形模板匹配分类算法。算法包括三个部分ST特征点检测、ST段波形改变的Lipschitz指数判断、ST段分类。算法通过ECG信号欧洲ST段数据库进行验证,从分析结果中可以知道ST段波形改变的时间和改变的类型。     

心电信号中R波的小波包检测算法研究

心电信号(ECG)特征参数的提取和检测是心电图分析和诊断的基础,而在ECG分析中,快速准确地检测出QRS波群非常重要,它是计算相关参数和诊断的前提。本文针对心电信号QRS波群中R波的检测算法进行了研究与分析,对传统的小波R波检测算法中存在的检测准确率较低和实时性较差的问题加以改进,并提出了具有更加优良分析效果的小波包R波检测方法。并利用美国麻省理工学院的MIT/BIH心电数据库对上述方法进行仿真验证,同时与传统的小波R波检测算法进行实验对比,结果表明,该方法简单有效、准确率高,适于实际应用。     

基于分形特征的水声目标信号分类识别

在水声信号的研究中,应提高准确性.由于水声信号不具有严格的线性区域,过去直接对近似线性区域进行最小二乘拟合求得分形维数误差较大,不利于信号的识别.为解决上述问题,在分形布朗运动的基础上,提出采用水声目标信号近似线性区域进行了分段处理,运用最小二乘拟合求得各段的分形维数,并将各段的分形维数作为目标信号的特征矢量,进而以BP神经网络作为分类器进行目标的分类识别.实测目标的分类结果表明,上述方法提高了分形维数的稳定性,为水声目标信号的检测和识别提供良好的理论依据,并给出了具体的算法的步骤.     

基于边界的最小二乘椭圆拟合改进算法

由于变电站巡检机器人停靠位置和云台转动的偏差,拍摄所获得的图像中仪表位置会有较大不同。为解决图像中仪表的定位问题,文中提出了一种快速地利用边界提取椭圆形目标的方法,可有效地解决图像中圆形目标的提取。原有最小二乘椭圆拟合算法对图像边界上所有样本点都参与运算,所以会对椭圆拟合的最后结果产生偏差且耗时较长。针对这种情况,采取边界的最小二乘拟合算法,依次取图像边缘提取后的边界,逐段拟合椭圆,并对拟合出的椭圆进行评估,选取适合待检测目标的椭圆区域,具有快速高效、定位准确等特点。最后,通过合成图像和实际图像的应用验证了算法能够拟合出具有高精度的椭圆,能够有效地处理仪表表盘的提取。     

基于DNA的BP网络在心电图ST段形态识别中的应用

心电图ST段的状态在心脏疾病诊断中有着重要参考价值。本文采用DNA优化的BP网络进行了ST段识别的研究,首先采用小波变换的方法将ST段从心电周期中分离出来,然后建立神经网络并采用DNA算法来优化神经网络,最后采用MIT/BIH数据库的数据对本文的算法进行测试。结果发现,本文的算法识别准确率优于GA-BP和BP,且具有更快的收敛速度。     

实时心电信号监控中ST段改变检测方法

提出一种实时心电监控中的ST段检测方法,利用拟合法提取等电位线,采用小波变换监测QRS波群,结合J＋X法及T波起点检测方法达到准确检测ST段电位的目的,在实时监控中设计实现一种ST段报警记录信息。长时间的心电数据库验证及临床检验证明该方法具有较好的准确性及实用性。     

一种改进的CHRIS/PROBA垂直条带去除方法

多角度高光谱高空间分辨率的CHRIS数据是新一代小卫星PROBA平台上的CHRIS传感器获取的又一卓越的遥感数据源,虽然其数据有诸多优势,但也有一个缺陷:在图像上垂直条带噪声污染严重。本文在San-dra Mannheim提出的去除此类噪声的方法基础上,对该方法进行了另一种途径的探索,基于图像分割的原理,将图像分成灰度相近的几个片段,逐片断应用最小二乘法的多项式拟合,然后将去过条带的片段整合成一幅完整的图像。通过试验证明,用该途径实现的这种方法在地物复杂图像灰度变化剧烈的影像上取得了优越于其他方法的效果,并且证实,对于具有同类条带噪声的OMIS(Airborne Operational Modular Imaging Spectrometer),该方法也取得了比较好的效果,因而值得推广。     

基于非线性最小二乘原理的原木端面识别算法

为了更好地进行原木端面识别,研究了一种基于非线性最小二乘原理的椭圆拟合算法。椭圆拟合的精度在很大程度上受初始值的影响,该方法通过对目标图像的边界点进行距离计算,得到了适当的初始值;之后运用最小二乘原理,计算边界点到拟合椭圆之间欧式距离的最小值,确定最优拟合椭圆的长短轴参数。实验结果表明,提出的算法在原木端面的识别中,具有良好的拟合精度和适用性。     

基于BP神经网络的心电图ST段的模式识别

心电图ST段对心脏疾病的诊断具有重要意义。在正确读取采集于郑州大学一附院的运动心电图数据基础上,利用小波变换更准确地确定其ST段的起始和终止位置,初步探讨了BP神经网络用于心电图ST段识别的方法,并用此方法识别出心电图ST段的三种类型—正常、水平压低和抬高。实验结果较好。     

基于区域生长的鱼眼图像轮廓提取算法

以图像二值化为前提,使用基于区域生长的改进算法,获取图像轮廓,实现鱼眼图像校正,克服鱼眼图像轮廓区域内出现大量黑色像素使面积统计算法失效的缺点。仿真实验表明,该算法精度高、效率高,能够获得满意的校正结果。     

基于小波变换的虚拟心电信号分析仪

针对心电信号自动分析和处理的需要,采用小波变换的方法对心电信号进行消噪、特征提取、压缩等分析与处理,并且结合虚拟仪器LabVIEW设计实现了多功能虚拟心电信号分析仪。实验结果表明,它对于心电信号的自动检测、优化分析和处理有重要意义。     

心电信号自动识别技术现状与展望

心电信号自动识别技术是信号处理及模式识别领域的热点研究课题,是在现代医学健康领域中进一步应用心电诊断技术的基础。文章围绕心电信号自动识别技术的发展历史、研究现状、关键技术及存在问题展开了讨论,并对以后的研究趋势做出展望。     

改进小波阈值算法在心电信号去噪中的应用

心电信号（ECG）在采集的过程中总是参杂着各种噪声,可利用小波变换基本原理和方法进行去噪处理。对小波多分辨率理论进行研究后,在分析Donoho的软、硬阈值去噪法的基础上,提出一种改进阈值函数量化方法,改进阈值函数能克服软、硬阈值存在的缺陷,运用MIT-BIH心电数据库进行验证,并对ECG 信号用不同方法去噪后的结果进行了分析比较。实验表明,改进阈值方法可以有效地去除不同噪声干扰,在信噪比指标上也明显优于常用的软、硬阈值去噪方法。     

基于SVM的ECG传感器信号身份识别方法

通过心电图（ECG）传感器采集的信号在身份识别中得到了越来越广泛的应用.但小波滤噪结果往往通过主观判断,没有量化指标,滤波效果不理想;同时,对于ECG特征的提取没有考虑心率变化的影响,鲁棒性不佳.针对这2个问题,提出了一种通过信噪比和相关系数衡量预处理结果的办法,并且在特征的提取上只采用QRS波形,避开了易受心率影响的间期特征.最后使用了多种分类识别方法进行测试,得到了小样本下支持向量机（SVM）最适用于ECG识别的结论.     

低功耗无线心电图检测系统与QRS复波检测算法研究

以低功耗设计为目标,给出了一种新型的无线三导联心电图检测系统的设计方法。分别对所设计的模拟放大处理电路、基于STM32F103数据采集处理模块,基于nRF24L01无线通信模块进行了介绍。提出应用差分方法设计了一种复杂度低且正确率高的QRS复波检测算法,并通过仿真验证了该算法的有效性。该心电图检测系统不仅可用于医院病人监护,也可用于个人家庭监护。     

基于特征的江面轮船识别算法*

本文提出了一种江面轮船目标的特征识别方法。首先对江面轮船图像进行预处理,然后通过二维小波变换,提取出边缘轮廓,将目标物体与背景分离开来。结合本文提出的FE（Feature Extract）算法提取出轮船图像的四个特征,根据这些特征建造一个知识库,通过选取适当的知识,采用产生式规则对目标物体进行判别,排除干扰目标,从而识别出轮船目标。最后本文从图片库中抽取几张图片进行实验,相比于之前的单特征方法和Adboost方法可以看出,该方法在识别率上要高于单特征方法,在识别速度上要快于Adboost方法。     

基于心电P-QRS-T波的特征提取及情感识别

在基于心电的情感识别中,体现不同情感状态的特征是提高情感识别率的基础。采用最优小波去噪心电信号,进行P波、QRS波、T波检测和能量计算,然后提取特征进行情感分类,并分析了P-QRS-T波能量在不同情感状态下的变化趋势和对情感状态的敏感性。实验结果表明,P-QRS-T波能量变化能体现情感状态的变化,对高兴敏感,识别率可达96%;同时最优小波去噪能有效地提高情感状态识别率。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。