一种基于相关方法的改进小波图像去噪算法

传统小波阈值法去噪方法在阈值选取上存在不确定性,为解决这一问题,提出采用小波相关方法,对图像噪声进行处理。在进行小波变换时,首先基于小波多方向框架理论进行图像分割,通过对多方向组合进行小波变换,最后对小波重构结果取中值得到去噪图像。该方法在处理具有方向特征的图像时,可以很好地消除Gibbs效应,与传统方法相比去噪结果具有明显改善。     

改进的相控阵雷达信号检测方法

针对传统雷达信号检测方法对相控阵雷达信号检测概率较低的问题,提出了一种结合小波降噪和极值序列法的信号检测方法。该方法采用小波阈值降噪法对雷达信号进行预处理,以提高侦收信号的信噪比,利用极值序列法在高信噪比下检测精度较高的优势,完成对信号的准确检测和参数的精确估计。仿真结果表明,与传统检测方法相比,该方法在低信噪比下对相控阵雷达信号的检测概率平均提高21.8%。     

基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法

提出了一种基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法。将消噪后的零序电流绝对值的最大值进行归一化处理后得到故障信息矩阵,并将该矩阵作为RBF神经网络的输入;计算RBF神经网络输入层的活跃值,当活跃值在设定范围内时,RBF神经网络的隐含层与输出层自动断开,隐含层神经元分裂,待网络中权值、方差、中心值等参数自动调整后,RBF神经网络的隐含层与输出层重新连接,输出训练结果;将测试集输入到训练好的RBF神经网络,得出故障选线结果。算例分析结果表明,该选线方法不受故障相位角、接地电阻的影响,故障选线准确、可靠。     

人体血压呼吸信号软件发生器的设计与实现

当今社会中计算机技术、数字信号处理技术、电子技术等行业不断地发展促进了医学技术的发展。人体生理信号发生器也在不断地发展。它是一种人体生理信号发生设备,其功能是对多参数监护仪是否可以正常工作进行检测。通过设置参数能够模拟出心电、呼吸、血压等信号的波形与数据情况。利用MATLAB软件主要完成了人体心电信号、呼吸信号、血压信号波形的软件仿真设计,且仿真效果较好。     

深度稀疏自编码器在ECG特征提取中的应用

针对心电（ECG）信号智能分析模型中,复杂波形的特征提取困难,人工设计特征造成源信号特征丢失,标签样本不足等问题,提出了一种基于深度稀疏自编码器（Deep Sparse Auto-Encoders,DSAEs）的ECG特征提取方法。该方法在DSAEs进行贪婪逐层训练时,采用适应性矩阵估计（Adaptive moment estimation,Adam）对网络权重进行寻优,以此获得最优参数组合,同时提取出高层隐含层的输出,并作为ECG高度抽象的低维特征。最后利用支持向量机（Support Vector Machines,SVM）构建分类模型,完成对ECG的特征分类。使用MIT-BIH心律失常数据库的ECG数据进行仿真实验,结果表明,提出的ECG特征提取方法能有效地分层抽取特征,提高分类识别准确率。     

基于空域追踪算法的基线漂移信号噪声修正

为了消除基线漂移信号噪声对信号的干扰影响,提出一种基于空域追踪的修正算法.通过非线性滤波器从原始信号中粗提出基线信号,利用多步迭代微分算子从基线漂移信号中分解出更加精准的基线信号,再从原始信号中移除基线漂移信号,完成基线漂移信号噪声修正.选取多种类型测试数据(包括心电信号与噪声数据)来验证算法的有效性,结果表明,同传统的四种基线漂移信号修正算法相比,所提出的算法可以高效去除基线漂移信号的干扰.     

基于HHT的心电信号滤波算法的研究

针对心电信号具有非线性、非平稳弱信号的特点,借鉴小波滤波算法的思想,基于HHT变换,提出一种去除噪声对应尺度细节分量和阈值相结合的HHT心电滤波算法.并借助MATLAB仿真平台,采用同一阈值函数,对含噪心电信号分别运用小波滤波算法和基于HHT设计心电滤波算法进行滤波仿真比较.最后以MIT-BIH心律失常数据库中的提供的含噪心电信号作为数据源,进行仿真滤波实验,验证了HHT滤波算法对心电信号的基线漂移、工频噪声、肌电干扰去除的有效性.     

基于FFNN和1D-CNN的实时心律失常诊断系统与算法

为了解决心律失常实时诊断的问题,设计并实现了实时心律失常诊断系统,并提出了一种基于前向反馈神经网络(FFNN)和一维卷积神经网络(1D-CNN)的实时心律失常诊断算法。系统利用可穿戴的心电图(ECG)采集设备采集心电信号并实时无线传输到客户端软件进行心律失常诊断,然后将诊断结果自动上传至服务器。心律失常诊断算法以原始胸导联ECG并采用200 ms时间窗的片段作为输入,首先使用一个基于FFNN模型的分类器实时检测R波的位置,然后提取出每3个R波之间的心电序列并重采样为长度360点作为ECG_RRR特征,最后使用一个基于1D-CNN模型的分类器进行实时心律失常分类。利用MIT-BIH心律失常数据库中MLII导联ECG数据训练算法模型并对系统进行测试。结果表明,提出的实时心律失常诊断系统与算法具有正确率高、实时性强且易部署的特点,对于跨病人的R波位置检测查全率为98.0%,查准率为99.5%以及整体正确率为97.6%,对于5分类的心律失常检测正确率为91.5%。     

基于块稀疏贝叶斯学习的体域网心电压缩采样

为有效提高体域网的实时性和降低体域网的功耗,提出一种基于块稀疏贝叶斯学习的体域网心电压缩采样方法。该方法在体域网框架下,利用压缩采样理论,在体域网的传感节点利用二进制随机观测矩阵对心电信号进行压缩采样,远程监护中心获得采样值之后,利用块稀疏贝叶斯学习重构算法和离散余弦稀疏变换矩阵对心电信号进行重构。实验结果表明,当心电信号压缩率在70%~90%时,基于块稀疏贝叶斯学习的重构算法要比其他重构算法的重构信噪比高出3 dB~21 dB。该方法能有效减少数据采样,减轻后续的数据存储、数据传输压力,提高体域网的实时性。同时该方法具有功耗低,易于硬件实现的优点。     

一种改进小波阈值函数的光纤光栅传感信号去噪方法

光纤布拉格光栅( FBG)传感信号中存在的噪声严重影响了其中心波长的检测精度,因此必须进行去噪处理。本文针对传统的小波软、硬阈值函数去噪的不足,提出了一种改进的对数阈值函数,并确定了最优的小波基和分解尺度。仿真表明,本文提出的改进阈值函数去噪后信噪比( SNR)较大,均方根误差( RMSE)较小,其中信噪比比传统的软、硬阈值方法提高了1.5 dB~4 dB。最后通过实验验证了本文方法的去噪效果。