心电信号的aTrous小波变换综合检测方法

心电信号反映了心脏有节律的活动。R波、P波和T波是去、复极时产生的突变信号,是典型的峰值奇异信号。信号的突变点检测是小波变换应用的一个重要方面。确定QRS波群的具体形态和起止点,检测P波、T波特征点是心电图分析的难点。研究了信号的二进样条小波按aTrous（多孔）算法进行的变换,构建了系列检测方法,来检测和识别QRS波群、P波、T波的具体的形态和位置。实验结果表明,所提出的综合算法具有较好的适应性,能很好地抑制基线漂移,消除高频干扰,克服了大T波、大S波、高U波波形自身病态因素对综合检测产生的影响。     

基于卷积神经网络的T波形态分类

T波形态分类有助于诊断心肌缺血、急性心包炎和心脏猝死等疾病,是心电图远程监控中一个重要的研究课题.传统的T波分类算法依赖于T波检测,在准确定位T波的关键点之后再提取T波特征,完成分类.但是由于T波位置可能发生一定程度偏移,T波的形态多变且受到多种噪声的干扰,T波检测是一个难题.为了解决上述问题,本文提出基于卷积神经网络的T波分类算法:首先根据QRS波群位置及医学统计规律确定一个T波候选段,然后采用卷积神经网络直接完成T波分类.由于卷积神经网络有稀疏连接、权值共享的特性,能够通过训练自动获取T波特征,并且其特征对微小平移具备不变性且对噪声不敏感,从而能够有效解决T波形态分类问题.最后在MIT-BIH QT心电数据库上对本文方法进行测试,实验结果表明,本文方法可以在T波起始点未确定的情况下,能够识别单峰直立、单峰倒置、低平、负正双向、正负双向五类T 波形态,正确率达到了99.1%.     

基于多孔算法的心电图QRS波检测

关于心电图检测,由于受到噪声干扰影响,检测不准确.针对目前对QRS波群的起止点和R波峰值点检测定位不精确问题,提出一种多孔算法的特征点定位检测法.通过利用三次B样条小波的高阶平滑特性最大限度的去除噪声干扰,提取准确波形;利用多孔算法对不规则离散信号的无抽取平移不变性保证采样信号的完整性,在小波变换的过程中精确定位QRS波群的起止点和R波峰值点,实验结果表明,准确率达到99.80％.算法增强了对复杂突变心电信号的检测结果,对QRS波群的起止点和R波峰值点检测定位的准确性.     

基于小波变换的心电信号综合检测算法研究

目前小波分析已经用于心电信号（ECG）的R波峰点检测,但是对QRS波群的具体形态和起止点位置的检测研究较少,P波和T波的分析也是心电图计算机自动分析的难点.为解决心电信号各波形成分的综合检测问题,基于小波变换技术构建一系列检测方法、检测准则和阈值参数,检测和识别QRS波群、P波、T波的具体形态和位置.实验结果表明,所提出的综合检测算法具有较好的鲁棒性,能够较好地抑止或消除基线漂移、高频干扰等外部因素,以及大T波、大S波、高U波、波形融合等自身病态因素对波形综合检测产生的影响.     

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。     

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。     

应用于三维点云数据去噪的改进C均值算法

针对三维激光扫描仪采集到的点云数据中离群点不易区分和去噪难度大的问题,提出了一种改进的C均值算法。通过分析三维点云数据特征,在传统C均值算法中引入模糊聚类权重因子,降低类内距离和拉大类间距离,有效增强了离群点特征以降低识别难度。进而将识别出的噪声分类别处理,利用改进的C均值算法去除大尺度噪声,构造双边滤波算法去除小尺度噪声数据。与密度聚类算法、正交整体最小二乘平面拟合和基于特征选择的双边滤波点云去噪等算法相比,去噪准确度分别提升了7.3%、6.5%和6.0%,实验结果表明该算法可以有效去除大尺度噪声并能较好地保留有效数据。     

心电图中PonT现象的P波提取算法研究

在有P波骑T波现象(PonT现象)发生的心电图中,医生难以识别落在T渡上的P波形态.本文针对这一问题提出了一种基于小波变换的P波提取算法.实验表明,该算法具有较强的抗干扰能力,提取出的P渡形态完整,并且不会引起QRS波群的衰减.     

基于改进稀疏分解的心电信号波形特征点检测及识别

心电信号波形特征点的检测及识别是实际中开展心电监护与评价的基础。本文提出了一种基于稀疏分解及其改进的心电数据分析算法,将检测与识别一体化,具有可靠性较高、易于操作的优点。该算法中原子集由离散化的心电信号典型特征波段经拉伸、平移变换形成,并采用匹配追踪投影寻优。经PhysioNet心电数据库检验,该算法的QRS波群检测灵敏度率达到98.5%,T波和P波的波检测灵敏度也达到93.2%和83.8%。     

一种改进差分算法及其在QRS波检测中的应用研究

文章使用一种改进的差分阈值算法来实现心电图QRS波的检测。实验证明,该算法的检测误差率在1%以下,同时还具有计算量小、实时性强等特点。区别于传统自适应算法,该算法能够在干扰较强的情况下实现QRS波的精确定位。算法实现如下:首先,通过一阶差分与二阶差分相结合的方法确定QRS波群;其次,通过自适应阈值确定Q,R,S峰的位置;最后,基于以上参数,采用窗体法确定出P波和T波的位置。     

基于香农能量与自适应阈值的心电QRS复合波检测算法

针对现有心电QRS复合波检测算法对于一些信号异常的情况检测效果仍然不理想的问题,提出了一种基于香农能量与自适应阈值相结合的心电QRS复合波检测算法,以解决QRS复合波检测的低准确率问题。首先,从预处理后的信号提取香农能量包络;然后,结合改进的自适应阈值方法对QRS复合波进行检测;最后,根据QRS复合波增强后的信号定位所检测的QRS复合波的位置。使用MIT-BIH心律失常数据库的数据对所提算法进行性能评估,结果表明,所提算法即使在信号中存在高大的P波、T波、不规则心律以及严重的噪声干扰时依然能准确检测QRS复合波的位置,总体数据检测的敏感性、阳性检测度和准确率分别达到了99.88%、99.85%和99.73%,且该算法能够在保证准确率的情况下快速地完成QRS复合波的检测任务。     

高斯拟合亚像素边缘检测算法

针对传统边缘检测算法的定位精度低、对噪声敏感等缺点,提出基于函数曲线拟合的亚像素边缘检测算法——梯度方向高斯曲线拟合亚像素定位算法。该方法首先在边缘附近选取一系列点,求得这些点的灰度值,进而求得这些点的梯度值,然后运用高斯曲线来对这些点的梯度值进行拟合,最后通过拟合曲线求得高斯曲线的对称轴位置即为亚像素位置。实验表明该算法能够很好地实现亚像素定位,通过与其他两种亚像素定位算法的比较,得出该算法运行时间较短,效率较高。     

基于小波变换和希尔伯特包络分析的QRS波检测算法

提出一种基于双正交小波变换和Hilbert变换的QRS波检测算法。首先，通过双正交小波变换分解与重构，消除高频噪声，同时突出R峰位置，构造出有利于QRS波检测的检测层。然后，对信号求差分和希尔波特变换，进一步抑制P波、T波以及基线漂移等噪声。最后，在计算得到的包络信号上根据自适应阈值及决策规则进行R峰检测。根据MIT-BIH心率失常数据库有标注的临床数据进行验证，QRS波检测结果准确率达到99.01%，同时算法具有不错的鲁棒性和实时性。     

基于改进的Hough变换和K-mean聚类的RANSAC车道线检测方法

针对车道线检测中特征点匹配方法存在实时性不高和精度低的问题,本文首先提出了基于消失点改进的Hough变换提取特征线,剔除了干扰线,提高的计算量;然后对特征数据集采用 K-means 聚类和RANSAC拟合算法,首先利用 K-means 聚类对改进的Hough变换提取的特征点进行预处理,剔除了孤立的特征点,接着匹配Catmull-Rom 样条曲线进行RANSAC拟合,相当于二次优化,实现了车道线的快速和精确配准。通过实验表明,该算法不仅提高了车道线识别的精确度,而且具有很好的鲁棒性。     

一种基于切线的曲线直线拟合的矢量化算法

提出一种在位图矢量化系统中用直线拟合曲线的新算法.算法利用曲线的一系列切线寻找曲线上与切线距离为门限距离的点作为直线拟合的特征点.算法包括两个步骤:尖点提取和直线逼近.第一步将曲线中具有局部曲率极大值的尖点提取出来,并利用尖点将曲线分割为多个曲线片断;第二步利用曲线片断的切线系找出特征点,再分别用直线依次将邻近两特征点相连,即完成拟合过程.经实验表明,算法既能准确提取边界形状的特征关键点,又能有效地实现对曲线的直线拟合.     

基于实例分割的车道线检测及自适应拟合算法

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征,工作量大,在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高,因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点,提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型,首先利用实例分割模型对道路图像进行分割,提高车道特征信息的检测能力;然后使用聚类模型提取离散的车道线特征信息点;最后提出一种自适应拟合的方法,结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合,生成最优车道线参数方程。实验结果表明,该方法提高了检测速度,在不同场景下都具有较好的检测精度,能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。     

一种改进的Harris角点检测算法

图像拼接中,提高角点检测的精确度可以提高配准的精度。在Harris算法的基础上,提出了一种改进的角点检测算法,算法首先分别对图像中每行、每列上所有像素点的Rharris进行X、Y方向的曲线拟合,然后对拟合后的曲线进行分析,若某个像素点的Rharris值在两个方向上都处于“波峰”位置,则将该像素点检测为角点。实验结果表明该算法可以避免阈值的选择,有效地克服了阈值选择不当造成的角点冗余或丢失,提高了角点检测的精度。     

一种改进的心电图QRS波群检测算法

在利用小波变换检测QRS波群时,最关键的部分就是模极值配对,提出一种区域极值配对算法来检测R波。首先利用二次样条小波基函数和多孔(ATrous)算法对心电(ECG)信号进行小波变换求取模极值,用正极大值来确定搜索区域,以这个正极大值为起点,以这个确定区域为搜索范围,向左搜索负极大值点,将这两个极值配对,他们之间的过零点就是R波的对应点,然后在检测到R波的基础上检测出Q波与S波,再结合距离最大值法检测出QRS波群的起止点。并采用医学相关理论对检测结果进行优化,进一步去除错检点,补偿漏检点。最后利用MIT-BIH心率失常数据库中记录的数据对该算法进行验证,实验结果表明所提算法能准确检测QRS波群,平均检出率达到了99.97%。     

基于自适应四元数奇异值分解的图像拼接检测

图像拼接将来源不同的图像合并成一幅图,由此引起图像中光照方向、噪声等特性出现不一致的情况。目前多数方法根据拼接图像中噪声的不一致性来检测伪造区域,但是普遍对不同大小图像块的噪声估计准确性不高,导致真阳性率较低,且当噪声差异较小时会检测失败。针对该问题,提出一种基于自适应四元数奇异值分解（QSVD）的噪声估计方法。对图像进行超像素分割,利用自适应QSVD估计超像素的噪声,结合图像亮度并利用多项式拟合建立图像噪声-亮度函数,得到各超像素到该函数曲线的最小距离测度。为提高检测精确率,利用色温估计算法提取超像素的色温特征,将距离测度与色温特征相融合作为最终的特征向量,利用FCM模糊聚类定位拼接区域。在Columbia IPDED拼接图像数据集上进行实验,结果表明,该方法在未经后处理图像集上的检测TPR值较对比方法至少提升8.21个百分点,且对高斯模糊、JPEG压缩和伽马校正表现出较好的鲁棒性。