基于形态学的ECG小波自适应去噪算法

为了消除心电信号中的噪声,提高心电监护仪的性能和计算机自动诊断效率,已经提出了多种方法来消除这些噪声.针对常规的ECG信号去噪算法存在的缺陷,提出了一种基于形态学的小波自适应去噪算法.该算法利用线性组合形态学滤波器去除基线漂移信号,然后对处理后无基漂的信号送入小波自适应滤波器,选取合适的阚值对其进行二次滤波去噪,最后得到无噪声的ECG信号.实验结果表明,该算法是一种有效的去噪算法.     

心电信号去噪的数学形态学滤波器

为探索验证一种基于数学形态滤波器的去除心电基线漂移和工频干扰的高性能滤波器设计方法,借鉴数学形态学一维信号滤波原理,提出自适应阈值ECG去噪算法的思路,讨论了3σ统计准则在ECG自适应阈值滤波中的作用,利用改进的算法对心电图中常见的工频干扰和基线漂移进行校正。通过对MIT-BIH心率变异数据库中多组数据的仿真验证研究,验证了该算法能有效实现心电信号的噪声预处理;数学形态学理论在心电信号处理中具有良好性能,是实时处理一维生物医学信号有潜力的工具。     

基于自适应仿生小波变换的语音增强方法

分析自适应滤波和小波滤波的原理与方法,提出一种基于自适应仿生小波变换的语音增强方法.该方法首先用仿生小波变换对含噪语音信号进行小波分解,这样可以保证对信号频率和幅值的听觉特性,然后将经仿生小波变换所分离出来的噪声成分作为自适应滤波器的输入.通过选用自适应滤波器的最小二乘算法(RLS)从而实现信噪分离的最佳滤波,以保证去除信号中的相关噪声.实验结果表明,该方法对语音信号有显著的增强效果,能实现语音信号在同频段对噪声成分和有用信号的最佳估计.     

组合方法在脑电信号消噪中的仿真研究

研究脑电信号消噪问题.脑电信号存在非平稳性且包括大量的噪声,传统的消噪算法不能很好消除脑电信号中的噪声,从而影响后继的脑电信号处理和分析.为了更好的消除脑电信号噪声,提出一种小波变换与自适应滤波相结合的脑电信号组合消噪方法.该方法首先对含噪的脑电信号进行白化处理,然后采用小波分解和重构含噪较大的信号,将重构后的信号作为自适应滤波器的输入,进行自适应滤波消噪处理.仿真结果表明,组合去噪方法能有效去除脑电信号中的噪声干扰.     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

一种ECG信号肌电干扰去除方法的研究

实测心电(ECG)信号通常被多种因素干扰,尤其是肌电干扰的去除存在较大困难.本文提出一种结合经验模态分解法(EMD)与主成分分析(PCA)的消噪算法来去除ECG信号的肌电干扰.解决了通常采用小波算法和EMD等方法会导致ECG信号产生振荡和丢失有用信息的难题.本研究利用PCA对含噪信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理,通过对MIT-BIH心电数据进行仿真,以及定性分析了信噪比(SNR)和均方误差(MSE).结果表明,ECG信号中的肌电干扰被有效去除,所提方法的消噪效果整体上优于小波去噪算法和EMD消噪算法,是一种有效的消噪方法.     

小波自适应滤波器在DCG去噪中的应用

设计一种新的小波自适应滤波器。首先对原始信号进行小波分解,然后去除含噪多的小波系数,将重构后的数据作为滤波器的原始输入信号,而将含噪多的小波系数作为滤波器的参考输入信号。实验结果表明,该算法信噪比较高,去噪效果较好。此外,该算法的运算量小,很适合动态心电信号这种大量数据的运算。     

基于小波变换的自适应模糊阈值去噪算法

文章提出了一种适合于消除混合噪声的去噪算法——自适应模糊阈值去噪算法。该算法根据信号和噪声的小波系数在不同分解尺度上的传递性,结合中值滤波和模糊理论,自适应地进行软阈值滤波,然后进行小波重构,得到去噪图像。实验表明,与软阈值去噪和改进软阈值去噪算法相比,该算法具有良好而稳健的去噪效果,能够更有效地去除噪声和保持图像边缘细节。     

基于正交小波变换的心冲击图自适应去噪方法

研究了心冲击图的正交小波变换最小均方自适应去噪;阐述了基于正交小波变换的最小均方自适应去噪原理;利用径向高斯核函数对心冲击图进行自适应时频联合分析,得到了中心频率并确定了小波分解尺度;提出了通过选择小波基函数和输入信号长度确定自适应滤波器阶数的方法;从矩阵角度给出了算法的实现步骤,并分析了正交小波变换提高最小均方算法收敛速度的原因.实验结果表明,正交小波变换最小均方算法使自适应去噪后的心冲击图更快达到稳态,随心动周期的变化趋势更加明显.比较去噪前后心冲击图的功率谱密度可知,正交小波变换最小均方算法在保留心冲击图特征的同时自适应地去除了其中的时变噪声,获得了良好的去噪效果.     

一种基于形态学的小波自适应去噪算法

针对常规的去噪算法会引起图像边缘模糊,而在保留和增强图像边缘时又会影响图像的去噪效果的缺陷,提出了一种基于形态学的小波自适应去噪算法,利用多种结构元复合形态滤波器对噪声图像预处理,然后对处理后的图像采用小波自适应阈值进行二次滤波去噪,最后对图像进行重构得到去噪后的图像.实验表明,该算法能对受不同程度、类型的噪声污染的图像进行有效地的处理,并且在去噪时能保持更多的图像边缘.     

心电模板构造方法及其在心电去噪中的应用

针对强噪声心电去噪,提出了基于心电模板的去噪方法。首先,将小波变换模极大值方法和信号相干平均技术相结合,构造出心电模板信号。然后给出了两种基于心电模板的强噪声心电去噪方法：直接重建法和间接相关法。最后将该方法与基于小波软、硬阈值去噪方法进行了对比,结果显示所得信号波形平滑度更好、信噪比更高。基于心电模板的去噪方法能够有效去除心电强噪声,为心电弱特征信息成分的准确提取奠定了基础。同时研究提供的心电模板构造方法也可用于其他准周期性生理信号,为强噪声生理信号去噪提供了一种有益思路。     

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。     

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。     

一种面向体域网的ECG信号小波阈值去噪法

ECG信号的处理在体域网环境下面临资源受限、随机噪声多等问题,这对ECG信号的去噪方法提出了更高的要求。在提升小波变换的基础上,提出了一种新的基于双阈值函数的ECG信号去噪法。利用该双阈值函数对提升小波分解后的ECG细节信号进行处理,可以更加精确地将噪声信号从原始信号中分离出去。仿真实验表明,本算法在一定程度上克服了软、硬阈值去噪法的缺陷,获得了更好的去噪性能,去噪速度快,设计简单灵活,为计算资源受限的体域网等环境下的ECG信号的下一步处理奠定了基础。     

基于小波变换的心电信号降噪处理

实测的心电信号不可避免地存在一些强干扰和噪声,为了实现准确地提取反映心电信号的特征信息,该文应用一维离散小波变换实现了对心电信号的降噪处理。实验研究结果表明,该方法能够有效地去除心电信号中的噪声,从而为心电信号特征信息的提取奠定了理论基础。     

基于数学形态滤波和提升小波变换的R波检测

利用数学形态学与提升小波变换相结合的方法对心电信号进行分析处理。先用数学形态方法对心电信号进行滤波预处理,可以有效地去除高频白噪声与低频的基线飘移,再利用提升小波变换对处理后的心电信号进行多分辨分析,得出各层逼近信号与细节信号,并在此基础上结合不应期、自适应阈值和回溯检漏等方法,提出了一种动态的R波检测算法,使得QRS波群的检出率达到99.89%。     

小波阈值去噪技术在ECG信号处理中的应用

本文采用小波阈值去噪方法,利用了小波变换多分辨率的特点,它对信号具有自适应性,可以降低消噪算法的复杂程度,又可保证心电信息特征不被丢失。试验表明,该方法能较好地实现心电信号的消噪,同时也适合于信噪比较低的生物信号的处理中。     

改进小波阈值算法在心电信号去噪中的应用

心电信号（ECG）在采集的过程中总是参杂着各种噪声,可利用小波变换基本原理和方法进行去噪处理。对小波多分辨率理论进行研究后,在分析Donoho的软、硬阈值去噪法的基础上,提出一种改进阈值函数量化方法,改进阈值函数能克服软、硬阈值存在的缺陷,运用MIT-BIH心电数据库进行验证,并对ECG 信号用不同方法去噪后的结果进行了分析比较。实验表明,改进阈值方法可以有效地去除不同噪声干扰,在信噪比指标上也明显优于常用的软、硬阈值去噪方法。     

小波变换与概率神经网络的心电图分类

提出了一种实时高效的心电图分类理论与方法。首先对心电图进行六尺度小波分解,将含有主要噪声的尺度进行系数置零,再将剩余层进行小波重构,从而达到除噪的目的。利用数学形态学定位心电图P、Q、R、S、T波位置,并提取计算各波间距离和斜率等12个特征值作为概率神经网络的输入向量,从而实现心电图的六分类。