基于LabVIEW的多生理信号采集与存储系统的设计

生物医学传感器与检测技术是生物医学工程专业的一门重要专业基础课,其在实验环节中需要采集多种人体信号进行研究。现在实验中所用到的生理信号采集设备大多价格昂贵,且学生不易理解设备原理。针对实验教学中的这一问题,利用LabVIEW软件、NI USB6008数据采集卡、传感器和简单电子元器件,设计了一套生理信号采集与存储系统。系统结构简单,能完成多种生理信号的采集与分析,有利于学生掌握课程基本理论和知识点,提高学生的动手能力。     

生物医学信号处理研究综述

生物医学信号处理在生命科学研究、保健、疾病的预防、治疗 以及医疗仪器产业中具有重要的意义。由于生物医学信号来自于人体,受生理、心理的影响 ,信号具有多样性和复杂性的突出特点,加之其特殊的应用目的,因此生物医学信号处理需 要多学科的理论。本文较为全面地讨论了生物医学信号处理的主要内容,即生物医学信号的 种类、特点和对其处理的主要环节,生物医学信号处理所涉及的理论内容,并以心电和脑电 为例介绍了生物医学信号处理的应用。然后介绍了生物医学信号 处理的新进展,简要回顾了现代信号处理近十年来的热点内容,即Hilbert Huang变换、 压缩感知及信号的稀疏表达。最后对生物医学信号处理研究方向进行了展望。     

脉位调制用于磁带记录生物医学信号

生物医学信号的频谱在低频、超低频段。为了无失真地长时间记录和保存生物医学信号,可采用脉冲调制方式将其录制在磁带上。回放时,可通过解调电路重现所需信号以供分析研究或传送给计算机处理。脉冲调制有许多种方法,本文仅讨论脉冲位置调制的原理及其实用电路设计、噪声分析、使用效果等。从而说明脉冲位置调制在磁带记录生物医学信号中的重要性。     

基于非线性动力学理论的生理信号分析

非线性动力学理论是在系统动力学、确定论和随机概率论等多学科交叉基础上发展而来的新兴学科,它在生物医学工程中已经得到了广泛的应用.生理信号已经被证明是混沌信号,它具有广泛的非线性动力学特征.因此可以应用非线性动力学理论对生理信号进行分析,获得胜利信号的非线性动力学特征参数,如最大Lyapunov指数、近似熵等,将这些参数指标运用在临床应用上,以实现对疾病的早期诊断、治疗以及预后评估与检测.     

MATLAB环境中生物医学信号采集与处理的应用

考虑到大多数生物医学信号变化缓慢、频率范围低、易受到干扰或噪声的影响,甚至淹没在其中,经常需要采用特殊的处理方法,选择了语法简单、图形显示功能丰富、工具箱扩展能力强的MATLAB,作为编程分析和处理语言,并用"人体呼出CO2浓度采集"和"消化道生理信号处理"两个实例,分别从生物医学信号采集和图形用户界面处理两个不同方面,介绍了它在生物医学工程学中的应用.MATLAB表现出来的独特的优越性,无疑将对人体所表现出来的生物医学信号的研究和有用信息的提取产生积极而广泛的影响.     

DNA芯片制作及其应用

阐述了DNA芯片的制作原理、杂交信号的检测方法及其在生物医学中的应用。DNA芯片的制造工艺主要分为两大类。DNA芯片主要通过杂交信号进行检测。DAN芯片在生物医学领域已经取得了一定成功并显示出巨大的应用前景     

第四届全国信号与信息处理联合学术会议征文通知

主办单位:中国图象图形学学会　　　　　　　　　承办单位:陕西省图象图形学学会协办单位:中国体视学学会图像分析分会中国航空学会信号与信息处理专业委员会中国体视学会仿真与虚拟现实分会陕西省信号处理学会陕西省生物医学工程学会本届全国信号与信息处理联合学术会议,将于 2005年 7月 23日 ～7月 26日在湖南省张家界召开 。会议的主题是“信号与信息处理的理论与应用研究 ”。这是一次团结广大信号与信息处理相关学科科技工作者,促进信号与信息处理技术研究及其广泛应用发展 ,促进信号与信息处理学科同兄弟学科和技术领域相互交流的学术…     

脑-机接口研究进展

作为当前神经工程领域中最活跃的研究方向之一,脑-机接口在生物医学、神经康复和智能机器人等领域具有重要的研究意义和巨大的应用潜力.近10年来,脑-机接口技术得到了长足的进步和飞速的发展,应用领域也在逐渐扩大.在已有相关工作的基础上,介绍脑-机接口系统的主要组成部分,对各组成部分常涉及到的相关基本理论和技术作了总结和介绍,主要包括脑信号获取、脑信号预处理、特征提取、变换算法等相关技术和理论,最后对脑-机接口未来的研究方向进行了展望.     

BIOMSP生物医学系统软件包

BIOMSP 软件包是以处理生物医学系统的信息为主要目标研制的。在研制时针对生物医学系统信息处理的特点及使用对象的要求,在软件设计上力求功能齐全,尽多地包括这个领域常用的算法,并力图作到使用的方便与应用的灵活。它将生物医学系统中信号分析与数据处理的重要算法,编制成有统一命令形式、统     

盲源分离技术及其发展

盲源信号分离是一种功能强大的信号处理方法,在生物医学信号处理、阵列信号处理、语音识别、图像处理及移动通信等领域得到了广泛的应用.简要介绍了盲源分离的数学模型、可实现性、可解的假设条件及算法,综述了盲源分离的发展及研究现状,提出了其未来的发展方向.     

独立分量分析及其应用

独立分量分析是信号处理领域的一个研究热点,它能从混合信号中分离出既具有统计独立性又具有非高斯性的源信号。介绍了独立分量分析的数学模型及其假设条件、求解方法,在此基础上分析了其在语音信号处理、特征提取、生物医学信号处理等领域的应用,最后指出了其发展趋势与进一步的研究方向。     

六通道数据采集及处理系统的研制

单片计算机应用系统在生物医学信号的采集及处理方面具有广阔的应用前景。作者根据实际需要研制了一款六通道数据采集及处理单片计算机应用系统,该系统在医学生生理实验中试用,取得了很好的效果。     

TMS 320—a step forward in digital signal processing

Despite the numerous advantages of digital signal processing (DSP), and the existence of a wealth of sophisticated algorithms, the widespread application of DSP has been hindered by a shortage of cost-effective digital hardware for volume use. Now, with the availability of low-cost high-speed VLSI circuits, such as the Texas Instruments TMS320, the virtues and power of DSP are ready for realtime signal processing applications.Development of the single-chip TMS320 DSP computer began in the late 1970s. The architecture, key novel features, instruction set and capabilities of this device are examined. Support software and hardware development tools for the TMS320 are also included with some of its applications. Typical areas of application of the TMS320 include speech signal processing, telecommunications, robotics, radar signal and sonar signal processing, seismology, image processing, audio recording and reproduction, biomedical instrumentation, acoustic noise measurements and automatic test equipment.     

基于屏蔽驱动的工频干扰抑制技术研究

采集心电、肌电和脑电等生理电信号时,总是存在工频干扰等环境噪声,且噪声的幅度通常远大于生理电信号本身的幅度,给信号的分析和处理带来了很大的困难。目前常用的方法是利用软件算法对采集到的信号进行滤波处理,这种方法虽然能在一定程度上降低工频干扰的影响,但同时会造成目标信号的衰减和畸变。针对此问题,文章设计了一种独特的硬件屏蔽驱动技术,实现在模拟前端最大限度地抑制原始信号中的工频干扰噪声。实验结果表明,生理电极引入屏蔽层驱动后,心电和肌电采集过程中的工频干扰可以得到明显的抑制;通过对屏蔽层接入不同的驱动信号的比较发现,利用各电极自身的信号对输入端进行屏蔽的效果最好,对工频干扰的抑制幅度高达35 dB。文章提出的屏蔽驱动硬件电路设计技术,可广泛用于各种生理电信号的采集,实现在源头上抑制工频干扰的影响,从而在根本上提高生理电信号的信噪比。     

Automated Deep Learning Based Cardiovascular Disease Diagnosis Using ECG Signals

Automated biomedical signal processing becomes an essential process to determine the indicators of diseased states. At the same time, latest developments of artificial intelligence (AI) techniques have the ability to manage and analyzing massive amounts of biomedical datasets results in clinical decisions and real time applications. They can be employed for medical imaging; however, the 1D biomedical signal recognition process is still needing to be improved. Electrocardiogram (ECG) is one of the widely used 1-dimensional biomedical signals, which is used to diagnose cardiovascular diseases. Computer assisted diagnostic models find it difficult to automatically classify the 1D ECG signals owing to time-varying dynamics and diverse profiles of ECG signals. To resolve these issues, this study designs automated deep learning based 1D biomedical ECG signal recognition for cardiovascular disease diagnosis (DLECG-CVD) model. The DLECG-CVD model involves different stages of operations such as pre-processing, feature extraction, hyperparameter tuning, and classification. At the initial stage, data pre-processing takes place to convert the ECG report to valuable data and transform it into a compatible format for further processing. In addition, deep belief network (DBN) model is applied to derive a set of feature vectors. Besides, improved swallow swarm optimization (ISSO) algorithm is used for the hyperparameter tuning of the DBN model. Lastly, extreme gradient boosting (XGBoost) classifier is employed to allocate proper class labels to the test ECG signals. In order to verify the improved diagnostic performance of the DLECG-CVD model, a set of simulations is carried out on the benchmark PTB-XL dataset. A detailed comparative study highlighted the betterment of the DLECG-CVD model interms of accuracy, sensitivity, specificity, kappa, Mathew correlation coefficient, and Hamming loss.     

独立成分分析方法综述

对ICA方法的原理和应用进行了综述.首先,概要叙述ICA的产生背景和发展前景, 简要介绍和评述了lCA的定义、分类以及算法.然后,对ICA在语音信号分离、生物医学信号处 理、金融数据分析、图像噪声消除以及人脸识别等方面的实际应用进行了讨论.     

小波阈值去噪技术在ECG信号处理中的应用

本文采用小波阈值去噪方法,利用了小波变换多分辨率的特点,它对信号具有自适应性,可以降低消噪算法的复杂程度,又可保证心电信息特征不被丢失。试验表明,该方法能较好地实现心电信号的消噪,同时也适合于信噪比较低的生物信号的处理中。     

小波变换在医学图像处理上的应用

小波变换是对傅立叶变换的继承和发展,近年来发展迅速,已广泛应用于图像处理、生物医学信号提取、语音合成、地震信号处理等众多领域.小波变换特别适用于提取微弱、背景噪声较强的随机信号,处理医学图像信号这一类非平稳信源.简要介绍了小波变换的原理和特点,综述了小波变换在医学图像压缩、去噪、增强、边缘提取、图像融合等方面的应用.     

Combined neural network model to compute wavelet coefficients

Abstract: In recent years a novel model based on artificial neural networks technology has been introduced in the signal processing community for modelling the signals under study. The wavelet coefficients characterize the behaviour of the signal and computation of the wavelet coefficients is particularly important for recognition and diagnostic purposes. Therefore, we dealt with wavelet decomposition of time-varying biomedical signals. In the present study, we propose a new approach that takes advantage of combined neural network (CNN) models to compute the wavelet coefficients. The computation was provided and expressed by applying the CNNs to ophthalmic arterial and internal carotid arterial Doppler signals. The results were consistent with theoretical analysis and showed good promise for discrete wavelet transform of the time-varying biomedical signals. Since the proposed CNNs have high performance and require no complicated mathematical functions of the discrete wavelet transform, they were found to be effective for the computation of wavelet coefficients.