基于自适应RLS算法的非接触式生命参数检测中呼吸和心跳信号的分离

目的：从生物雷达非接触式检测所得生命参数信号中提取心跳信号,实现呼吸和心跳信号的有效分离。方法：首先用生物雷达采集系统采集由呼吸引起的携带有心跳等信号的体表微动信号,其次对采集的信号进行预处理．滤除高频噪声,并放大信号,然后运用自适应递归最小二乘（RLS）算法进行处理。结果：自适应RLS算法能够有效地抑制生命参数信号中的呼吸成分,提取出心跳信号。结论：自适应RLS算法可以自动调整自身参数以逐步实现最优处理结果,这对于处理随机性强的生物医学信号十分有效;此外,算法收敛速度快,便于信号实时处理,对临床监护十分有用。     

小波变换模极大值算法用于胎儿心电信号提取的研究

目的：研究采用小波变换模极大值算法如何从母体腹部信号中提取出胎儿心电信号。方法：根据母体腹部信号中母体心电和胎儿心电在小波变换下具有的不同特性,首先对母体腹部信号进行小波分解及模极大值检测,对检测结果进行处理,抑制某些与胎儿心电相关的极大值点而去除相应的信号奇异性,然后采用Mallat交替投影法使用处理后模极大值重构小波系数,进而重构信号,识别出母体腹部信号中的母体心电信号和胎儿心电信号。结果：使用临床数据对该方法进行测试,结果表明,基于单通道信号的小波变换模极大值算法能够识别母体腹部信号中的胎儿心电信号。结论：同时与传统的基于多通道信号的提取方法相比,不存在多通道信号相关性对提取结果的影响,但是该方法也存在一些不足之处,有待于进一步研究。     

一种消除脉搏波信号中呼吸基线漂移的方法

该文提出一种在经验模式分解的过程中结合小波变换的方法，来消除呼吸基线漂移的影响。首先通过经验模态分解将脉搏波信号分解为若干内在模式分量，并判断出含有呼吸基线漂移信息的分量，再利用小波变换将这些分量分解，将代表呼吸基线漂移的小波细节置零，信号重构后就达到了消除呼吸基线的目的。利用自行研制的测量装置采集的脉搏波信号进行实验验证，并采用信号交直流比进行效果评价。结果表明该方法有效地消除了呼吸基线漂移，这将有利于血氧饱和度等人体生理参数无创检测精度的提高。     

生物雷达检测中呼吸和心跳实时分离技术的研究

目的：从生物雷达检测到的体动信号中分离出心跳信号。方法：采用自适应噪声抵消模型,基于递归最小二乘算法（recursive-leastsquare,RLS）调整模型的输出,并将分离出的心跳信号与心电信号进行比较。结果：该方法可以从体动信号中分离出心跳信号,而且从心跳信号中提取的心率值与从心电信号提取的心率值具有很强的相关性。结论：基于自适应噪声抵消技术,可以实现生物雷达检测中呼吸和心跳的分离。     

小波变换在事件诱发脑磁图分析中的应用

目的:验证基于Morlet小波变换的时频分析方法在事件诱发脑磁图中的应用效果。方法:根据Morlet小波变换的数学原理及特点,对脑磁图数据进行时频分解,采用时频能量分布图和锁相因子分布图表示脑磁图信号。结果:从脑磁图数据中有效提取了锁相和非锁相的能量变化信息。结论:Morlet小波变换的时频分析方法能够适应脑磁图信号是时变非平稳信号的特点,从中提取出感兴趣的信息。     

基于小波包变换的睡眠监护仪的研制

小波包变换已成为一种重要的信号处理方法。本文为实现小波包的快速分解和重构，采用单片机和DSP处理器相结合的双CPU结构，从而解决了实时监测的难点。文章还详细介绍了从心电信号中检测睡眠呼吸暂停的方法，给出了系统电路的设计原理和相应的软件流程。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和BP神经网络对视觉诱发脑电信号（VEP）进行分类而产生脑机接口控制信号。利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号，获取特征向量输入BP神经网络进行事件相关电位模式识别。实验表明，小波变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取，BP神经网络能比较准确地从VEP中识别出事件相关电位，进行10次测试的平均识别正确率为99．375％，有利于产生脑机接口控制信号。     

基于小波分析与自适应滤波的胎儿心电提取

目的:利用小波分析与自适应滤波算法相结合从母体腹部信号中提取胎儿心电。方法:首先对母体腹部信号和胸部信号做5层平稳小波分解,然后在每层小波系数引入最小均方误差(LMS)算法对应滤波,最后将小波系数重构获得胎儿心电。结果:使用临床数据进行验证,结果表明,基于小波分析与自适应滤波的算法能够识别母体腹部信号中的胎儿心电信号。结论:该方法与LMS算法相比提取效果更好,尤其对母体心电波形与胎儿心电波形重合部分改善明显。另外,该算法计算简单,易于实现,保持了较高的实时性。     

基于小波变换的QRS波检测方法研究

目的：针对没有预先处理的心电图信号中QRS复合波的检测,提出一种基于小波变换的检测方法。方法：采用3种不同性质的小波为母小波对来自国际上广泛承认的心电数据库MIT—BIH Arrhythmia Database中的记录进行小波变换．选取了灵敏度更高的高斯函数一阶小波作为小波函数,并采用时频域相结合的分析方法,检测出QRS突变点。结果：在完全没有预处理的情况下,采用该方法对MIT—BIH Arrhythmia Database中的11幅30min的心电图信号进行验证,结果表明能较为准确、快速的检测出QRS波。结论：该QRS波检测方法能很好地满足实时心电检测系统的需要．具有较好的应用前景。     

HHT在生物雷达回波信号噪声抑制中的应用

目的:利用Hilbert-Huang Transform(HHT)的频率区分特性,对生物雷达回波信号进行处理,去除高频噪声成分,提高生物雷达对生命信息的识别能力。方法:首先对经过预处理的雷达回波信号进行经验模态分解获取其固有模态函数,并根据能量分析方法将固有模态函数区分为有用信号占主导模态与噪声占主导模态2个部分,然后用小波软阈值的方法提取噪声占主导模态部分中的有用成分,与有用信号占主导模态部分的固有模态函数叠加,获取雷达回波信号中的生命信息,实现时目标的识别。结果:HHT有效地去除了生物雷达回波信号中的高频噪声成分,提取出了人体呼吸信号。结论:与传统傅里叶去噪方法相比,HHT分辨率更高,能保留信号中的细节特征,为生命体目标的识别提供了更多的信息。     

基于小波分析的胃电信号处理

目的：体表胃电图（EGG）是研究胃动力学特性和功能性胃疾病诊断的重要依据,而从人体直接采集的胃电信号都含有干扰成分,不能直接应用于临床诊断。将小波分析运用到胃电信号的处理中,对信号进行去噪、重构等实验,用此方法对胃电信号进行处理。方法：以矩阵实验室（MATLAB）为工具,利用小波变换的多分辨率特性,将含有噪声的胃电信号进行多尺度分解,得到不同频带的子带信号,对含有干扰频率的子带信号进行去除,选择与胃电信号频率最为相关的子带进行重构。结果：此方法取得了较理想的胃电图。结论：小波分析是一种简单有效的信号处理方法,使EGG在临床诊断中更具有实际意义。     

提高电子血压计个体适应性检测能力的研究

本文首先分析了基于示波法的电子血压计存在的局限性．在脉搏信号特点分析的基础上提出了利用小波变换对信号特征点进行识别的方法．并且根据心率调整重采样率,提高了固定尺度下特征点识别的能力。经样机试验证明,该方法使电子血压计测量具有较好的个体适应性和稳定性。     

Specific features of electrocardiographic information analysis based on wavelet transform

Wavelet transform is a new tool for analysis of electrocardiographic information. In this work, we consider the procedure for selection of the mother wavelet on the basis of special criteria and substantiate an improved method for ECG analysis based on wavelet transform. An algorithm for selection of mother wavelet and synthesized wavelet providing optimal wavelet transform of ECG signal is developed. It is shown that 3D wavelet spectrograms should be constructed to increase the efficiency of assessment of the state of cardiovascular system.     

小波变换在微弱生命信号处理中的应用

小波变换是时间和频率的局部变换,它在多领域的研究都取得了有科学意义和应用价值的成果。本文对小波变换作了简要介绍,对小波变换在微弱生命信号中的应用进行了初步探讨。     

小波变换在消除超声成像噪声中的应用

小波分析是目前国际上公认的性能优良的信号时—频分析工具,其多分辨率分析具有良好的空间域和频率域局部化特性,因此很适合于对二维图像信号进行处理。本文针对肝脏超声成像中因相位不同的散射回波相互干涉而产生的斑点噪声,利用小波变换对其进行消噪处理。处理结果显示此方法能达到较好的消噪效果。     

The application of wavelet and feature vectors to ECG signals

The Electrocardiogram (ECG) is one of the most commonly known biological signals. Traditionally ECG recordings are analysed in the time-domain by skilled physicians. However, pathological conditions may not always be obvious in the original time-domain signal. Fourier analysis provides frequency information but has the disadvantage that time characteristics will be lost. Wavelet analysis, which provides both time and frequency information, can overcome this limitation. Here a new method, the combination of wavelet analysis and feature vectors, is applied with the intent to investigate its suitability as a diagnostic tool. ECG signals with normal and abnormal beats were examined. There were two stages in analysing ECG signals: feature extraction and feature classification. To extract features from ECG signals, wavelet decomposition was first applied and feature vectors of normalised energy and entropy were constructed. These feature vectors were used to classify signals. The results showed that normal beats and abnormal beats composed different clusters in most cases. In conclusion, the combination of wavelet transform and feature vectors has shown potential in detecting abnormalities in an ECG recording. It was also found that normalised energy and entropy are features, which are suitable for classification of ECG signals.     

Optimal selection of mother wavelet for accurate infant cry classification

Wavelet theory is emerging as one of the prevalent tool in signal and image processing applications. However, the most suitable mother wavelet for these applications is still a relative question mark amongst researchers. Selection of best mother wavelet through parameterization leads to better findings for the analysis in comparison to random selection. The objective of this article is to compare the performance of the existing members of mother wavelets and to select the most suitable mother wavelet for accurate infant cry classification. Optimal wavelet is found using three different criteria namely the degree of similarity of mother wavelets, regularity of mother wavelets and accuracy of correct recognition during classification processes. Recorded normal and pathological infant cry signals are decomposed into five levels using wavelet packet transform. Energy and entropy features are extracted at different sub bands of cry signals and their effectiveness are tested with four supervised neural network architectures. Findings of this study expound that, the Finite impulse response based approximation of Meyer is the best wavelet candidate for accurate infant cry classification analysis.     

中潜伏期听觉诱发电位的提取与识别研究

目的：通过小波变换模极大值和人工神经网络对中潜伏期听觉诱发电位进行提取与识别,判断患者处于的麻醉深度。方法：利用信号和噪声在分解尺度上的不同特性来滤除中潜伏期听觉诱发电位中的强噪声成分。经过模极大值处理后,小波系数在每个尺度上只剩下有限个模极大值点。通过Mallat交替投影算法,根据这些模极大值点重构出中潜伏期听觉诱发电位。在此基础上,根据中潜伏期听觉诱发电位与麻醉深度之间的对应关系,建立适用于麻醉深度监测的BP（back propagation）神经网络模型。结果：通过小波变换模极大值提取后,中潜伏期听觉诱发电位的信噪比由-15.43~0 dB提升到10.05~20.18 dB,基本恢复了原始信号;麻醉深度监测的BP神经网络模型测试集精确度分别为90%和100%。约登指数和Kappa值均为0.900 0,大于0.75。该模型对中潜伏期听觉诱发电位具有良好的识别能力。结论：小波变换模极大值提取可以有效地去除信号中的强噪成分,还原信号;麻醉深度监测的BP神经网络模型对中潜伏期听觉诱发电位与麻醉深度之间的关系具有良好的识别性。     

应用小波变换增强肝癌CT图像

应用小波变换多分辨率特性，对肝癌患者CT图像进行增强处理。文中选取具有紧支性、正交性和近似对称性的小波函数sym4对图像进行2层多尺度二维小波分解，分别选取阈值为[550，350，250]对分解后的小波系数进行处理，突出低频部分，消弱高频部分。通过小波函数sym4对图像进行重构，从而得到增强的图像，使肿瘤影像更加突出，便于诊断。该方法进一步证实了小波变换在医学图像增强中的作用。     

基于小波变换的心电信号去噪法

目的：运用小波阈值变换对心电图进行去噪。方法：采用软、硬阈值折衷的阈值函数及自适应的阈值策略对心电信号中的不同噪声进行滤除。结果：仿真结果证明此方法去噪效果较好。结论：小波阈值变换能够较好的处理心电信号等非平稳信号。