空域相关滤波在下肢表面肌电信号中的应用

针对消噪过程中信号细节难以保留的问题,采用了一种基于小波变换的空域相关消噪方法。通过运用信号小波分解后与噪声的小波系数随尺度变化规律不同的特性,实现了信号与噪声的分离,同时给出了表面肌电信号噪声能量阈值的估计算法。实验结果表明,该消噪处理方法不仅能有效地去除肌电信号中的噪声,而且可以较好地保留肌电信号的边缘特征,为下肢表面肌电信号特征的提取创造了良好的条件。     

基于正态反高斯模型的自适应小波消噪方法

提出一种基于正态反高斯分布模型局部逼近小波系数的降噪算法。该算法以db5小波作为振动信号的分解小波,对噪声信号进行分解。对于分解过程中包含大量噪声的小波系数,利用具有良好细节逼近性能的正态反高斯分布构造先验模型,在先验模型的基础上,运用贝叶斯最大后验概率估计从含噪的小波系数中估计出真实的小波系数。在后验估计的过程中,对于估计模型中的关键系数采用粒子群算法进行优化选取。利用估计的小波系数来重构信号,得到降噪后的信号。通过仿真实验和实际轴承的故障信号对该方法进行了验证,结果表明,该方法具有较好的降噪效果,可以有效的消除信号的噪声。     

一种综合小波变换的心电信号消噪算法

针对心电信号中混有的基线漂移、工频干扰、肌电干扰等噪声,比较了适于心电信号的4种基于小波变换的心电信号消噪算法,结合消噪后的信噪比和信号失真度,提出一种综合小波变换的心电信号消噪算法.该算法先使用小波分解法消除心电信号中的基线漂移,再利用模极大值法消除工频干扰、肌电干扰等噪声.并且运用该算法对MIT-BIH心律失常数据库中的含有多种噪声的心电数据进行了仿真与实验,结果表明噪声被有效地消除并且失真度较小,可满足临床分析与诊断对心电波形的要求.     

基于噪声方差估计的小波阈值降噪研究

信号中包含的噪声不仅降低了信号的质量,而且还严重影响着各种相关处理算法的有效性,因此,高效稳健的噪声方差估计对于各类信号处理非常重要。提出一种噪声方差估计的新方法,该方法首先应用两状态高斯混合模型对高频系数建模,混合模型的各项参数通过EM(Expectation-maximum)算法迭代估算得到。在建立的高斯混合模型中,当参数满足一定条件时,可以将高频系数分为噪声类和边缘类。基于高频子带内系数的相关性,对噪声类所包含的系数再次应用高斯混合模型的方法分类,并在每个类中分别进行噪声的估计,最后对所得噪声信号计算方差作为原始信号的噪声方差估计。基于这种估计方法,将小波阈值法应用到反求工程的降噪中,实际信号的降噪结果在光滑性和特征保持方面均有较好的效果。试验表明,该噪声方差估计方法对噪声大小具有一定适应性,且小波阈值降噪法简单易行,应用广泛。     

基于HMM的下肢表面肌电信号模式识别的研究

采用隐马尔科夫(HMM)的信号分类识别方法,用以实现下肢步态中各细分动作的更好识别和描述。首先将待分类的肌电信号进行预处理,按等时间间隔对每通道的肌电信号划分不同的段,采用小波变换方法对每个数据段内肌电信号进行多尺度分解,并提取小波分解系数的奇异值构成观察值序列。将步态周期的四种运动模式与HMM状态一一对应,用Baum-Welch算法对HMM参数进行重估训练,再用标定技术处理的前向后向算法和Viterbi算法进行识别,得到的平均识别率高于90%。然后在四种运动模式中分别提取小波特征组成特征编码,送入概率神经网络(PNN)中进行识别。证明HMM的识别效果优于概率神经网络,能够更好地应用于假肢的控制研究。     

基于最优小波包分析的肌电信号消噪

为了清除表面肌电信号(SEMG)夹杂的生理噪声,提出了一种基于最优小波包分析的消噪处理方法.该方法以受试者做内旋动作,采自尺侧腕屈肌的SEMG信号为例,基于symlet5小波函数,分别采用小波方法、小波包方法和最优小波包方法进行了消噪处理.分析比较结果表明,该消噪处理方法能更有效地去除肌电信号中的噪声.     

基于多尺度隐马尔可夫模型的CR影像降噪方法研究

在CR成像过程中不可避免的要引入各种干扰和噪声,只有弄清干扰图像信息的各种噪声来源、特征及其与信号的相互关系,才能有效地将之消除.在分析CR成像系统的基础上,文章指出影响CR图像质量的噪声主要是固有噪声和X线量子噪声,在统计规律上它们分别服从高斯分布和泊松分布.本文针对CR的固有噪声从小波系数的统计规律出发,根据固有噪声的特点,结合混合高斯模型描述小波系数的统计特征,采用两个状态的隐马尔可夫模型描述小波系数在尺度之间的相关性和依赖性,用最大期望值( EM)算法估计隐马尔可夫模型在各个尺度上的参数,然后按照尺度大小逐级对小波系数进行维纳滤波,最后是小波逆变换恢复图像.文章最后还给出了实验结果,并与其它降噪算法进行了比较.     

基于样本熵的改进小波包阈值去噪算法

为了更好地消除噪声对被测振动信号的干扰,分析了样本熵算法与噪声的关系,提出了一种基于样本熵的改进小波包阈值去噪算法。在阈值函数方面,该方法利用样本熵作为特征参数,对含噪信号小波包系数的噪声分布进行表征,且依据此特征参数值对阈值函数进行改进,使其能够根据信号的小波包系数受噪声影响的情况进行自适应的调整;在阈值选取方面,定义去噪后信号与原始信号之差作为噪声信号的估计,利用样本熵作为判别依据,选取使得噪声估计的样本熵值最大的阈值作为最优阈值。该方法与其他方法进行对比,结果表明,该方法能够有效地去除噪声且更好地还原信号的频率特征,是一种更为优越的去噪算法。     

Tetrolet域uHMT结构先验与Turbo均衡的压缩成像

基于Tetrolet变换系数的尺度间传递特性与按指数衰减特性,本文构建了一种Tetrolet域通用隐马尔科夫树结构稀疏先验模型,把Tetrolet变换系数的统计分布表示成二值高斯混合形式作为先验信息,并采用因子图方法估计后验状态概率。为了解决在有环路的因子图中消息不能稳定收敛的问题,利用Turbo均衡方法把压缩采样和结构先验部分分割成两个子图,分别进行状态估计并相互交换消息。最后依据最小均方误差准则估计得到重构图像,对128×128的测试图像重构的归一化均方误差可达-20.97dB,运行时间为45.24s。实验结果表明该算法在重构质量和运行速度上优于小波域隐马尔科夫树模型的各类算法。     

应用小波变换实现光谱的噪声去除和基线校正

为消除实测光谱信号中的噪声和基线干扰,给出了一种基于小波变换实现两者同时去除及其参数选择的新方法。该方法通过对光谱信号在小波域内的低频段小波系数置零来实现基线校正,通过对较高频段小波系数阈值处理来实现噪声去除;并利用纯光谱和常见基线、噪声的仿真信号,通过兼顾重构信号整体逼近和特征峰处局部逼近的评估系数η来实现小波基、分解层数、阈值估计方式等参数的选取。仿真实验表明,仿真信号采用sym5、db5或db9等小波基进行5次分解,然后低频成分置0及所有高频成分利用单层Heursure阈值估计算法进行硬阈值处理较为合适。进一步的实验表明,该方法对实测光谱中噪声和基线的消除是行之有效的。