动态心电信号自动分析技术的研究

心电信号自动分析技术目前只能分析出常见的心律失常,对一些发病率低的心律失常还不能做出正确诊断,针对以上问题做了详细研究.首先论述了小波变换滤除心电信号中肌电干扰、工频干扰和基线漂移的过程;然后介绍了QRS波群和ST段的检测方法,并用数学方法定义了十三种心律失常的类型.文中的方法实时性强、检测效率高而且心律失常分析的种类多,具有一定的临床应用价值.     

心电信号的小波阈值去噪算法研究

本文采用基于小波变换的阈值去噪方法对心电信号进行了去噪处理.给出了基小波、分解尺度、阈值的具体选择方法,在比较采用不同的基小波进行阈值处理方法的基础上.给出了采用coif4小波进行局部自适应软阈值处理的改进算法.实验结果表明,采用该算法降噪后信号的信噪比为34.019dB,将原含噪信号的信噪比提高21.879dB,去噪效果较好.     

胎儿心电信号提取算法研究

本文首先建立了心电信号模型,然后分别采用了最小均方(LMS)算法和小波变换模极大值算法,从腹部混和信号中提取胎儿心电信号,仿真结果表明基于小波变换模极大值提取胎儿信号时,其性能明显优于LMS算法,具有收敛速度快,在低信噪比下仍然适用的特点.     

基于小波包和PSOBPNN的心电特征识别

为提高心电图分类的准确度,提出一种基于能量特征和PSOBPNN的心电图分类方法.方法 首先采用小波包变换对心电信号进行多尺度分解,提取小波包节点系数重构后的归一化能量,将其作为心电信号特征,再者利用粒子群算法(PSO)优化BP神经网络(BPNN)参数构建出PSOBPNN模型,最后利用优化后的分类模型对心电特征进行识别分...     

心电信号的Lipschitz指数与基于小波变换的去噪算法

心电信号是对人类心脏的生理和病理过程进行无创检测最主要的手段，是近年来信号处理领域的一个研究热点。本文在概述小变换理论的基础上，首先通过实验计算测定了心电信号的Ｌｉｐｓｃｈｉｔｚ指数，然后基于小波变换下奇异信号民随机噪声尺度空间中的不同特性设计了一种去噪算法。     

基于经验模式分解的R波识别及噪声消除

提出了一种新的心电信号R波识别方法,探讨了经验模式分解在心电信号R波识别领域的可行性,并结合该理论给出R波的识别算法,用MIT心电数据库中部分记录进行验证,取得了比较理想的效果.最后应用该理论处理心电信号噪声时,发现去噪的效果优于仅使用小波方法去噪.     

基于形态小波的QRS波检测算法

根据心电信号中QRS波群的特点,提出了一种基于小波变换和数学形态学相结合的形态小波检测算法。小波变换方法对突变信号在时频域都具有优异的辨识能力及“可变焦距”的优良特性;数学形态学是基于信号局部特征的,能够在时域上提取信号的峰谷信息。将这两种方法结合起来,利用MIT/BIH心电数据库进行验证,QRS波群的检出率高达99.84%。     

基于调Q小波变换的心电信号特征量提取方法

与传统的基于频域划分信号分解方法不同,提出了一种基于品质因数的自适应信号分解方法。利用调Q小波变换自适应生成品质因数不同的小波函数作为信号分解的基函数,利用Mallat塔式算法将复合信号分解为具有持续振荡特性的高共振分量和具有瞬态冲击特性的低共振分量,并将其用于心电信号的特征量提取。相比于小波分析、经验模态分解等方法,该方法可以有效地去除信号中的噪声及干扰,分离频谱混叠且振荡形式不同的信号。通过数值仿真和实例分析证明了该算法的优越性。     

基于机器学习的心律失常信号分类算法研究

心电图中心律失常信号的分类识别是诊断心血管类疾病的重要依据。基于MIT-BIH提供的数据文件,通过小波变换提取了心电信号的21组特征信息,针对常见五类心律信号的分类识别进行了研究,设计实现了基于softmax回归和神经网络的分类算法。实验结果表明,一个适用的神经网络算法训练速度更快,在较少的迭代次数下,分类识别的正确率稳定在90%以上。     

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。     

Wearable ECG signal processing for automated cardiac arrhythmia classification using CFASE-based feature selection

Classification of electrocardiogram (ECG) signals is obligatory for the automatic diagnosis of cardiovascular disease. With the recent advancement of low-cost wearable ECG device, it becomes more feasible to utilize ECG for cardiac arrhythmia classification in daily life. In this paper, we propose a lightweight approach to classify five types of cardiac arrhythmia, namely, normal beat (N), atrial premature contraction (A), premature ventricular contraction (V), left bundle branch block beat (L), and right bundle branch block beat (R). The combined method of frequency analysis and Shannon entropy is applied to extract appropriate statistical features. Information gain criterion is employed to select features that the results show that 10 highly effective features can obtain performance measures comparable to those obtained by using the complete features. The selected features are then fed to the input of Random Forest, K-Nearest Neighbour, and J48 for classification. To evaluate classification performance, tenfold cross validation is used to verify the effectiveness of our method. Experimental results show that Random Forest classifier demonstrates significant performance with the highest sensitivity of 98.1%, the specificity of 99.5%, the precision of 98.1%, and the accuracy of 98.08%, outperforming other representative approaches for automated cardiac arrhythmia classification.     

基于特征矢量和加权择多判决的信号调制模式快速识别

针对软件无线电中自动调制模式识别在信噪比大范围变化下的精度和速度问题,提出了一种带有参考训练的分类识别结构,通过构造有效的三维特征矢量和加权择多判决分类器,对BPSK、QPSK、FSK、PM、MSK五类信号进行调制模式识别.仿真结果验证了该方法的可行性和有效性.     

语音情感识别中特征参数的研究进展

语音情感识别是近年来新兴的研究课题之一,特征参数的提取直接影响到最终的识别效率,特征降维可以提取出最能区分不同情感的特征参数。提出了特征参数在语音情感识别中的重要性,介绍了语音情感识别系统的基本组成,重点对特征参数的研究现状进行了综述,阐述了目前应用于情感识别的特征降维常用方法,并对其进行了分析比较。展望了语音情感识别的可能发展趋势。     

测量通信信号调制识别技术研究

测量通信信号的调制识别的功能是在有噪声环境和各种信号的情况下判别出信号的信息和它的调制方式,也为更加深入的解析和分析信号提供相应支撑条件。本篇文章从原理基础到方案设计以及验证结果,层层递进的揭露了信号调制识别技术的原理、发展现状以及当前的先进识别技术,同时自己设计了一套识别方案对不同的模拟调制信号进行制式识别并分类。基于MATLAB的软件平台对基本的模拟调制信号进行仿真测试,确定判别门限,通过计算得出结论,成功识别了AM、DSB、SSB和FM四种信号。实验得出在SNR>12dB的时候能达到90%的制式识别正确率,证明设计的识别方案的可行性。     

基于增强深度特征和TSK模糊分类器的癫痫脑电信号识别

识别癫痫脑电信号的关键在于获取有效的特征和构建可解释的分类器.为此,提出一种基于增强深度特征的TSK模糊分类器(ED-TSK-FC).首先,ED-TSK-FC使用一维卷积神经网络(1D-CNN)自动获取癫痫脑电信号的深度特征与潜在类别信息,并将深度特征和潜在类别信息合并为增强深度特征;其次,将增强深度特征作为ED-TSK-FC模糊规则前件与后件部分的训练变量,保证原始输入的深度特征及其潜在意义都出现在模糊规则中,进而对增强深度特征作出良好的解释;然后,采用岭回归极限学习算法对模糊规则的后件参数进行快速求解,在不显著降低分类准确度的情况下,ED-TSK-FC的廉价训练方法可以缩短模型的训练时间;最后,在Bonn癫痫数据集上,分别从分类性能、学习效率和可解释性3个方面,验证ED-TSK-FC的优越性.     

一种小波特征与深度神经网络结合的信号制式识别算法

针对当前通信信号的制式识别算法在低信噪比情况下识别不准确的问题,提出一种新的小波特征与改进的深度神经网络结合(WL-DNN)的识别算法。该算法将生成的10种{2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、OFDM、16QAM、AM、FM}含有高斯白噪声的通信信号,用小波分解重构算法提取出一类新的小波特征参数。本文测试了含有多层隐含层的改进BP神经网络作为分类器,利用弹性反向传播算法训练神经网络的参数,确定神经网络的最优超参数。仿真结果表明:在信噪比低至0 dB的情况下,单个调制信号最低识别率超过95%,平均识别率超过98%,大幅提高了制式识别在低信噪比下的识别率,由此表明了该算法的有效性和正确性。     

基于特征面的分层特征识别

为降低特征识别的复杂度,提出基于特征实体、特征实面和特征虚面概念的层次性特征分类方法.通过构造2类神经网络输入矩阵,利用神经网络在特征识别中所具有的优势,实现基于特征面的分层特征识别方法.实例表明：该方法在识别去除材料的特征时比较有效,但识别特征的范围受到一定限制.     

基于BOF-Gist特征的手势识别算法研究

针对静态手势识别算法存在特征计算复杂度高,实时性差的问题,提出了一种新的BOF-Gist特征对手势图像进行表示。该特征的优势是在保持Gist特征原有优势的基础上,有效地表征手势图像的局部特征和全局特征,并且特征维数明显降低,实时性好。在标准数据库上的测试表明,该算法对于简单、复杂背景下十种手语手势分别得到了90.42%与79.05%的正确识别率,同时验证了算法的实时性。     

超宽带探地雷达目标回波信号特征提取与材质识别

基于探地雷达信号传输机理,建立了超宽带探地雷达宽带回波模型,揭示了多谱分量对目标回波信号特征提取与材质识别的影响。超宽带探地雷达由于回波信号信息丰富的特点,特征向量的选取成为目标识别的关键。利用子波变换在宽相关处理中的应用,对回波信号进行滤波和典型数据提取。提取纵向和横向典型数据用于目标形状识别;提取回波道数据进行Welch功率谱分析,用于目标材质识别。     

基于稳定特征的鞋印图像识别方法研究

针对鞋印图像自身特点,提出一种鞋印图像的倾斜校正算法;在此基础上提出用距离直方图、角度直方图与傅立叶描述子来共同表示动力作用留下的形状特征。根据提取的鞋印图像的特征可以进一步挖掘出人的某些特征,如脚的大小、走路姿势等。最后给出了一个实验系统,结果表明基于稳定特征的鞋印图像识别方法具有快速、准确、科学、实用等优点。