自适应小波尺度谱阈值在膈肌信号降噪的应用

膈肌肌电信号是人体微弱的生物电信号,此信号常受到心电信号的严重干扰。为了提高阈值在膈肌肌电信号降噪的准确度,提出了一种小波尺度谱阈值自适应的降噪算法。该算法先对膈肌肌电信号进行小波变换,再把小波系数转化为小波尺度谱,然后确定心电干扰位置,并且根据心电邻域小波能量自动调整阈值从而去除心电干扰。通过对膈肌肌电信号进行实验分析,并且与小波阈值方法进行对比,结果表明该方法降低了心电干扰并且保留了膈肌肌电信号的特征。     

基于平稳小波变换的膈肌肌电信号降噪

为了去除膈肌肌电中的心电干扰,提出了一种基于平稳小波变换的“逆向”硬阈值的降噪方法。首先,对临床的膈肌肌电信号进行平稳小波变换,根据小波系数检测QRS并且确定心电干扰范围;其次,逐层估计心电周期范围的小波系数均方差,并且通过均方差计算各个心电干扰的阈值;最后,对各层心电干扰范围小波系数进行“逆向”硬阈值处理,并进行小波逆变换得到降噪后的信号。实验结果表明,该方法能够有效地去除膈肌肌电信号中的心电干扰,并且能够较好的保留膈肌肌电信号的信号特征。     

应用小波变换和ICA方法的肌电信号分解

基于单通道、短时真实肌电（EMG）记录和模拟EMG信号，提出一种改进的肌电信号分解方法。首先应用小波滤波、硬阈值估计等方法去除背景噪声和白噪声，并将独立成分分析（ICA）方法和小波滤波方法相结合去除工频干扰信号，然后再进行幅度滤波，从而提高了系统的速度和强健性。在运动单元动作电位（MUAP）聚类以及从原始信号中去除已识别的MUAP波形等方面也进行了改进。与已有的EMG分解方法相比，本文方法更快速、稳定。     

小波消噪和ICA在语音信号分离中的应用

为了消除语音信号分离中仍存在的部分混叠声音,提出一种基于小波消噪和独立分量分析（ICA）结合的信号分离方法。该方法将小波变换和独立分量分析结合,利用小波变换的去噪作用,滤除原始语音信号中的噪声后作为ICA的输入信号,采用FastICA算法在小波域进行独立分量分析,对输入信号实施分离。实验结果表明,该方法大大调高了传统独立分量分析对语音信号的分离效果。     

基于小波和自适应滤波的ECG基线漂移校正

为校正ECG信号的基线漂移,提出小波变换和自适应滤波相结合的方法。利用小波变换对原始ECG信号进行分解,将得到的高频分量作为参考信号输入,采用基于幂函数的最小均方算法（P—LMS）进行自适应滤噪处理。通过与传统的归一化最小均方算法（NLMS）进行对比,验证该算法的准确性。仿真实验和MIT-BIH数据库中的实际数据检验结果表明,基于幂函数的最小均方算法和小波变换相结合的方法能够有效校正基线漂移,并较好地保持心电信号的几何特征。     

A comparative analysis of principal component and independent component techniques for electrocardiograms

Principal component analysis (PCA) is used for ECG data compression, denoising and decorrelation of noisy and useful ECG components or signals. In this study, a comparative analysis of independent component analysis (ICA) and PCA for correction of ECG signals is carried out by removing noise and artifacts from various raw ECG data sets. PCA and ICA scatter plots of various chest and augmented ECG leads and their combinations are plotted to examine the varying orientations of the heart signal. In order to qualitatively illustrate the recovery of the shape of the ECG signals with high fidelity using ICA, corrected source signals and extracted independent components are plotted. In this analysis, it is also investigated if difference between the two kurtosis coefficients is positive than on each of the respective channels and if we get a super-Gaussian signal, or a sub-Gaussian signal. The efficacy of the combined PCA–ICA algorithm is verified on six channels V1, V3, V6, AF, AR and AL of 12-channel ECG data. ICA has been utilized for identifying and for removing noise and artifacts from the ECG signals. ECG signals are further corrected by using statistical measures after ICA processing. PCA scatter plots of various ECG leads give different orientations of the same heart information when considered for different combinations of leads by quadrant analysis. The PCA results have been also obtained for different combinations of ECG leads to find correlations between them and demonstrate that there is significant improvement in signal quality, i.e., signal-to-noise ratio is improved. In this paper, the noise sensitivity, specificity and accuracy of the PCA method is evaluated by examining the effect of noise, base-line wander and their combinations on the characteristics of ECG for classification of true and false peaks.     

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。     

轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于有限长脉冲响应滤波器和aTrous算法的小波心电信号去噪

微弱低频的心电信号采集中容易受到外界环境的干扰,必须先对其进行预处理才能用于心脏疾病的诊断。Mallat算法的小波分解重构法不能有效滤除心电信号中的工频和肌电干扰;小波阈值法不能有效滤除心电信号中的工频和基线漂移,重构的心电信号会产生伪吉布斯现象。针对以上情况,提出了一种基于有限长脉冲响应滤波器(FIR)和aTrous算法的小波去噪方法。该方法综合运用了50Hz陷波器、aTrous算法小波分解重构法和小波阈值法。仿真郑州大学第二附属医院和MIT-BIH心率失常数据库的心电信号表明,该方法能够有效去除心电信号中的工频和基线漂移,大幅度衰减肌电干扰,同时有效消除伪吉布斯现象。     

基于CEEMDAN-ICA的单通道脑电信号眼电伪迹滤除方法

传统盲源分离法不能解决欠定问题,且分离信号与源信号对应关系不确定.提出一种基于自适应噪声完备经验模态分解(CEEMDAN)和独立成分分析(ICA)相结合的脑电信号眼电伪迹自动去除方法.该方法首先将含伪迹脑电信号自适应分解成多维本征模态函数(IMF),以满足盲源分离方法对信号正定或超定要求,再对本征模态函数用ICA方法构建多维源信号,最后利用模糊熵阈值判据判别多维源信号中的伪迹信号,完成滤波并重构脑电信号.该方法相比于其他算法,能更好的去除眼电伪迹并保留原始信息,适合单通道脑电信号预处理.     

Separating mixed multi-component signal with an application in mechanical watch movement

This paper presents a method to combine signal decomposition with blind signal separation for separating one-dimensional mixed multi-component signal of mechanical watch movement. The method consists of three steps. First, a multi-component signal is decomposed into a set of redundant signals, called pseudo multi-channel mixtures, using the continuous wavelet transform (CWT). Then, independent component analysis (ICA) is used to acquire the independent components. Finally, a correlation criterion is applied to automatically select the source components. The new method can effectively separate a multi-component signal into a series of independent components corresponding to different sources. The effectiveness of this method is demonstrated by means of a computer simulation example. And the proposed method is applied for analyzing and diagnosing mechanical watch movements. It is found that the separated source components effectively reveal the insight of the mechanical watch movement, and can be used for fault diagnosis.     

脑电信号中工频干扰去除的综合研究

微弱的脑电信号中常混有工频干扰,严重影响到有用的脑电信号提取和分析。针对传统陷波器会削弱有用的脑电信号的缺陷,文中研究了三种稳健算法:基于零极点分布原理的陷波器、自适应滤波器以及独立成分分析算法,来抑制脑电信号中的工频干扰。仿真实验结果表明,三种算法都可以成功去除脑电信号中的工频干扰成分,并且较传统陷波器对工频附近频谱影响更小,从而有效地克服了传统陷波器的缺陷;此外,独立成分分析算法能更好地保留有用的脑电信息,具有更大的优越性。另外,三种算法都可以应用于其他需要陷波的场合,具有很好的扩展性。     

一种基于混沌和独立成分分析的自适应多重数字水印算法

采用混沌和独立成分分析技术,提出了一种在小波域自适应嵌入多重数字水印的算法。首先根据一个混沌标签序列从原图像中抽取一子图像,并对其进行小波分解,然后将多个互相独立的混沌水印信号依次嵌入到子图像的中频小波系数中,并自适应确定嵌入强度。根据Newman-Pearson准则检测水印是否存在,若存在,采用独立成分分析的方法提取出水印并进一步判断是否为原始水印。水印的检测与提取过程都不需要原始图像。仿真结果表明该算法对各种常见的攻击有着良好的鲁棒性,有效地解决了数字产品的多著作权问题。     

基于小波包变换的脑电波信号降噪及特征提取

针对原始脑电波信号存在非平稳性且非常容易受到各种信号干扰等特点,对基于小波变换和小波包变换的脑电波信号的滤波降噪方法,和基于小波包变换的脑电波信号特征提取方法进行了研究。首先利用MindSet采集到原始脑电波数据,然后分别应用小波变换和小波包变换对其进行降噪处理,比较了两种方法的性能,验证了基于小波包变换的降噪方法的优越性和特征提取方法的有效性。     

基于形态学和小波变换的心电信号去噪算法

在处理心电信号采集过程中混入的基线漂移、工频干扰及肌电干扰等噪声的过程中,小波变换取得了广泛的应用。针对小波算法的缺陷及不足,提出了一种基于数学形态学和小波阈值的混合算法。该算法利用非线性形态学滤波器滤除基线漂移,将获得的含高频噪声心电信号通过小波阈值算法进行处理,最后获得无噪声的ECG（心电）信号。采用MIT/BIH Arrhythmia Database中的数据对算法进行了验证,实现了三种主要干扰的滤除,本算法效果良好,为后续特征点的识别奠定了基础。     

小波变换在心电信号滤波器中的应用研究

讨论了基于小波变换的增强ECG信号的滤波算法,通过处理小波变换的细小尺度和粗大尺度减小了50Hz的工频干扰、基线漂移和随机噪声。实验结果表明了此方法的可行性。     

固体发动机静强度试验应变数据的分析与处理

针对固体发动机静强度试验中,存在采集到的应变数据混有噪声或不同干扰信号,并且在某些恶劣工况下,会出现应变数据被噪声信号吞没的现象,研究了一种基于小波阈值去噪的信号分析处理方法.通过对固体发动机静强度试验应变数据的分析,利用傅里叶变换获得原始数据频率谱,采用低通滤波器与小波阈值去噪,对比数据分析情况显示低通滤波器能够在平稳信号领域很好的完成噪声处理,但对于突变数据采用小波阈值去噪法能够更加真实地表现数据特征.分析与处理结果表明,基于小波阈值去噪的信号分析处理方法能够有效解决试验中存在应变数据所受到的干扰现象,为固体发动机静强度试验数据分析与处理提供支持.     

使用时频盲源分离和小波包去噪的胎儿心电信号提取

提出一种使用时频盲源分离(TFBSS)和小波包去噪的胎儿心电信号提取新方法。首先通过重排时频谱时频盲源分离方法进行胎儿心电信号的初次提取,并将初次提取得到的母体心电信号和噪声对应的各路分量置零,其余分量由混合矩阵进行重构;然后再利用重排时频谱的时频盲源分离方法对重构信号进行胎儿心电信号的二次提取,得到含噪声的胎儿心电信号;最后通过小波包去噪抑制胎儿心电信号中的基线漂移和噪声。在胎儿心电信号和母体心电信号的QRS波无重叠、部分重叠或完全重叠的情况下,通过该方法能有效抑制母体心电信号和噪声的干扰,提取胎儿心电信号。实验结果表明该方法能提取清晰的胎儿心电信号。     

基于AD8232的心电实时监测及分析系统设计

为了方便对患者心电信号进行实时监测,实现对心脏疾病的及时预防及诊断,利用一款基于ATmega328p微控制器的Arduino开发板、一块心电监测前端模块AD8232及上位机软件LabVIEW开发出一套心电实时监测系统,并利用LabVIEW设计出多种软件滤波方法来抑制心电信号中的噪声。由于心电信号的时频特性能提供反映患者心脏活动动态行为的信息,该系统还包括基于LabVIEW设计出的多种用于心电信号实时分析的程序,使被试心电信号所包含的生理特性能够及时地被分析出来。利用所开发的心电实时监测分析系统对被试的心电信号进行采集和分析,发现系统能够非常灵敏、准确地检测心电信号,并对信号噪声有着很好的抑制能力。此外系统能够对信号进行各式的实时分析,且分析结果可靠,能够运用于临床诊断。利用该系统对心电信号进行实时采集和分析,其测量结果准确、去噪效果良好、分析结果可靠,为今后心电实时监测分析系统的设计提供了借鉴。     

基于小波变换的噪声检测快速独立分量分析

机械或电气设备工作噪声的测试分析是实时故障检测诊断的重要手段,通常情况下,传感器检测得到的信号是多个噪声源叠加的结果,可采用独立分量分析(ICA)方法分离出待检测对象信号.提出先对混合信号小波系数序列进行独立分量分析,再做小波逆变换得到分离信号.与直接的ICA比较,小波系数比原始信号的超高斯性更强,因此分离处理的收敛速度更快,分离效果更好;由于在小波变换的过程中可以引入阈值去噪,因此基于小波变换得到的分离结果较之常规方法有更强的抗噪能力.