基于稀疏分解和模糊理论的心电信号波形检测及识别

心电图是现代医学的一个重要诊断依据. 用计算机检测识别心电信号波形,能缓解越来越庞大的心电数据给医务人员带来的工作压力,减少因疲劳、疏忽以及主观偏差产生的误差.利用改进的Gabor字典和粒子群优化算法,对心电信号做稀疏分解,并根据所得系数及对应的原子特性,建立模糊规则检测QRS波群.再在QRS波群前后,通过稀疏分解找到最有可能对应着P波、T波的原子,然后用模糊系统完成P波、T波的检测识别.实验表明,算法QRS波群检测正确率高,P波、T波波形识别符合专家的主观判断,算法切实可行.     

基于句法模式识别的雷达识别方法研究

针对参数相近的复杂体制雷达难以识别的问题,提出了一种基于句法模式识的雷达信号识别方法。该方法首先对已知雷达脉冲数据进行结构分析,用雷达脉冲序列参数作为句法识别中的基元进行描述,然后通过训练已知样本得出正则文法扩展生成式并构造一种多位有限态自动机作为识别器,最后选取雷达样本数据进行识别实验。理论分析和实验结果论证了该句法方法的可靠性和有效性。     

基于形态滤波的心电信号基线矫正算法

基线矫正是心电(ECG)信号预处理中的一个重要步骤.本文提出了一个基于形态滤波的ECG信号基线矫正算法.首先,对原始输入ECG信号进行基于相同结构元素的形态开闭-闭开滤波,抑制其中的QRS波群;然后,采用两个不同宽度的结构元素,对去除QRS波群后的ECG信号进行广义形态开-闭滤波,分离出基线漂移信号;最后,用原始ECG信号减去估计出的基漂信号,得到经过基线矫正的ECG信号.仿真实验与实际应用结果表明,本文方法不仅可以有效去除ECG信号中的基漂干扰,而且较好地保持了ECG信号的原有特征形态,处理效果明显优于以往算法.     

基于位置估计与识别后处理的心电信号P波检测

心电图中的P波是临床诊断中分析心律失常,判断心房病变的重要参考依据.但在心电信号的自动分析中,P波常由于特征不明显,形态、位置多变等原因,难以直接被准确检测.针对上述问题,本文提出了一种基于位置估计与识别后处理的P波检测算法.该算法根据ECG信号中QRS波群位置及RR间期信息,对P波位置进行估计,自适应确定P波检测区域;然后,对检测区域内心电信号进行移动窗口积分,通过搜索积分信号极值,检测出候选P波;最后,采用局部距离变换法提取出每一候选P波的边界点,并据此对该候选P波的幅值和时间宽度进行分析,识别出真实的P波,从而完成P波检测.经QT数据库和MIT-BIH心律失常数据库中真实心电数据验证,本算法适用于各种情况下可见P波的检测,且检测正确率高于98%.     

基于WLS估计双导联提取QRS波群时间-电压面积

 提出一种提取QRS波群时间-电压面积的新方法,以QRS波群内的一点为基点,向前和向后逐段求出线段参数的WLS估计和线性度,根据线段参数的WLS估计和线性度确定基线,在基线上利用假设检验的方法得出该导联上的QRS波群的起点和终点,在另一导联上用同样的方法求出该QRS波群的起点和终点并最终确定该QRS波群的起点和终点.从而提取了QRS波群时间—电压面积这一特征参数.该方法成功应用于MIT-BIH数据库的QT数据库的所有105个数据文件,在第一组专家标记的3623个QRS波群上获得97.5%的精确度;在第二组专家标记的404个QRS波群上获得98.0%的精确度.为解决非人工交互的实时的心电图计算机自动诊断打下了基础.     

心电图ST段形态分析方法研究

临床心电图诊断中,常需用到ST段的偏移和形态变化.但由于ST段精确定位比较困难,使得其形态分析很难直接进行.本文提出了一种基于曲线特征的心电图ST段形态分析方法.首先,对输入心电信号进行预处理,消除噪声干扰,检测波形关键点.然后,测量ST段电平,判断ST段偏移方向,并据此确定待分析的ST段的大致区域.接着,对ST段大致区域内的波形曲线进行分析,将其判断为直线型或曲线型两种曲线类型中的一种.对于直线型ST段曲线,计算其斜率作为形态特征,并依此判断ST段的斜率方向;对于曲线型ST段曲线,则计算其凹凸度参数作为形态特征,并依此判断ST段的凹凸方向.最后,将上述步骤中已得出的ST段偏移方向、曲线类型以及斜率方向或凹凸方向结合起来,即可得到ST段形态识别结果.经MIT-BIH心律失常数据库和欧洲ST-T数据库验证,本方法均能取得良好的识别结果.     

基于小波变换的QRS波检测算法

针对基于小渡变换的心电信号QRS波的检测算法的计算量较大,硬件不易实现的问题,提出一种FPGA的实现方案.首先分析了利用小波变换检测QRS波群的算法,给出硬件实现方案,该算法由小波变换模块和检测模块两个模块实现.然后选取高端FPGA作为硬件处理平台,给出小波变换模块及波形检测模块具体实现结构.最后在Quartus Ⅱ下进行编译和仿真,完成心电信号检测算法的硬件实现.从综合后的资源占有率上可以看出系统充分利用了FPGA内部丰富的资源,从仿真的结果看出在FPGA系统上准确的检测出了QRS波.     

基于小波变换的QRS波群检测

提出了一种基于小波多分辨分析的算法,对心电信号进行特征提取和识别。通过小波变换对常规心电图信号进行分解去噪和特征提取,并利用动态自适应阈值和删除多检点,补偿漏检点对QRS波检测进行优化。实验结果表明该方法在QRS波形不失真的情况下,提高了一部分MIT-BIH数据库信号中QRS波识别的准确率,并且对于较低准确率的心电信号的原因进行了分析。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

基于稀疏分解和神经网络的心电信号波形检测及识别

心电图是现代医学的一个重要诊断依据.用计算机检测识别心电信号波形,能缓解越来越庞大的心电数据给医务人员带来的工作压力,减少因疲劳、疏忽以及主观偏差产生的误差.利用改进的Gabor字典和粒子群优化算法,对心电信号做稀疏分解.稀疏分解得到一个和原信号相比非常稀疏的解向量,与解向量中每个非零值相对应的是从字典中选出的和原信号结构特点最为接近的字典中的一组原子.根据解向量中非零值的大小以及对应原子的波形,确定此原子代表的波的波幅、波宽、波形、位置等信息.然后利用心电信号的先验知识,确定原子代表的波属于那种特征波(P波、QRS波群或T波),进而建立神经网络的训练样本.经过训练,神经网络将能实现对稀疏分解后的心电信号波形的自动检测识别.实验证明,此算法能同时实现几种特征波的检测及识别.