基于灰色关联法的生理信号与情绪关联度研究

明确生理信号与情绪的关联度对提高情绪识别正确率起重要作用,然而目前关于两者的关联度研究成果比较少。为研究生理信号与情绪的关联度,采用德国Augsburg大学生理信号数据库的数据,基于灰色关联法研究喜、怒、哀情绪与心电、呼吸、皮肤电导信号的关联度,在此基础上,根据关联度结果采用CHAID决策树和SVM分类法进行情绪识别与分析。研究结果表明：（1）喜、怒、哀3种情绪与呼吸信号关联度最高,与皮肤电导关联度次之,与心电关联度最低;（2）基于CHAID决策树和SVM对3种情绪下的3种生理信号进行情绪识别,验证了喜、怒、哀与心电、呼吸、皮肤电导信号的关联程度。     

心电信号去噪效果的评估与分析

心电信号是人体的主要生理信号之一,通过对心电信号的分析可了解心脏的健康状态,由于心电信号属于微弱低频信号,所以在采集过程中极易受到来自人体内部和外部的噪声干扰,影响心脏疾病诊断的效果。基线漂移、工频干扰和肌电干扰是心电信号采集过程中不能忽略的噪声干扰。对心电信号的相关去噪算法的效果进行对比分析。首先将模拟理想状态下的心电信号作为原始数据,同时模拟出心电信号中存在的基线漂移、工频干扰和肌电干扰。每种噪声干扰分别选择三种常用的去噪算法,采用信噪比、均方差和心电信号的频域特征的评估指标进行去噪效果的比较。在此基础上,提出了一种多噪声心电信号的去噪方法并给出去噪流程和效果。研究结果表明：（1）对于基线漂移、工频干扰和肌电干扰分别采用小波变换法、陷波滤波法和小波阈值法的去噪效果最好;（2）当心电信号含两种及两种以上噪声时,按照滤除基线漂移、工频干扰和肌电干扰的去噪顺序滤波效果最好。     

基于小波改进阈值的肌电干扰降噪研究与效果评估

肌电干扰是心电信号采集过程由于肌肉的轻微颤动引起的噪声干扰,因此需要对采集到的心电信号进一步的去噪.针对传统小波阈值去噪算法对心电信号去噪后存在信号震荡与失真问题,提出一种含有两个动态参数的改进小波阈值函数,通过动态参数可以对改进阈值函数进行整体和局部的调节,从而达到可以对不同程度的噪声进行去噪的目的 .为了验证新阈值函数的去噪效果,采用信噪比、均方差和心电信号的时频域特征3种评估指标,对改进的阈值函数和传统的肌电干扰去噪算法进行去噪效果的比较.研究结果表明,改进的阈值函数对心电信号去噪后的特征波形保存较好,克服了软、硬阈值函数的缺点,去噪后在平滑性和保真性方面表现良好.与传统肌电干扰去噪算法相比,对轻微噪声和严重噪声去噪后信噪比分别为38.7948和36.7212,均方差分别为0.0013和0.0018,去噪评估结果最好.