基于小波变换的心电信号滤波算法

针对心电信号中含有的工频干扰、运动伪迹、肌电噪声和基线漂移四种噪声,提出一种以R波为优先准则,结合小波模极大值的逐拍滤波算法。该算法使用小波分解来消除心电信号中的基线漂移．采用小波模极大值法消除工频干扰和肌电噪声．利用小波分解各尺度间的相关性来消除运动伪迹。仿真实验结果表明,该算法平均信噪比达到22．3dB,说明其在有效改善信噪比的同时,能显著提高信号的分辨率。     

基于平稳小波变换的心电信号噪声消除方法

本文针对小波空间适应法在心电信号消噪中的缺陷,提出一种利用平稳小波变换(Stationary Wavelet Transform)的心电信号消噪方法,对受噪声污染的心电信号进行多层平稳小波变换,逐层估计平稳小波变换细节信号中噪声的均方差σ_j,选取各层阈值σ_j 2lnn (n为细节信号长度),对平稳小波变换的各层细节信号进行分别阈值处理,然后进行小波逆变换重建信号,以达到对信号消噪和恢复的目的.这种方法可以很好的抑制小波空间适应法消噪出现的Gibbs现象,较好地保持了心电信号的几何特征.     

基于形态学运算和自适应阈值的心电信号消噪

抑制信号中的噪声干扰,是心电(ECG)信号预处理中的关键步骤.针对传统形态学滤波损失有用信号的缺陷,本文提出了一种基于形态学运算和自适应阈值的ECG信号消噪算法.首先,对含噪ECG信号进行形态学滤波和形态学峰谷提取运算;然后,估算形态学峰谷信号中时变噪声的即时方差,并依据3σ准则对峰谷信号进行自适应阈值处理,保留其中的有用信号;最后,将阈值处理结果与形态学滤波结果相加,作为ECG信号消噪处理的最终结果.仿真试验与实际应用结果表明,该算法不仅可以有效去除时变噪声的干扰,而且较好地保持了ECG信号的特征形态,处理效果明显优于以往的形态学滤波算法,且比基于平稳小波变换的消噪算法更适用于非平稳ECG信号的消噪处理.     

心电信号识别的人工神经网络方法研究

本文提出一种新的隐含层神经元非全连接的心电信号识别的BP阿络(Back-Propagation neural network)。该网络也可以看成是多个子网络的并联,用该网络作多种正常、异常心电信号识別时,利用心电信号奉身的特点,将一周期心电信号按P波、QRS波群、T波、ST段,分成n段,每个子网络只反映心电信号某一段的病变信息,多个子网络的并联结果,综合反映整个心电信号周期的信息。实验表明:与一般多层网络相比,该网络具有更高的识别能力,更快的学习速度。     

基于LabVIEW的心电信号插值算法分析

为了在LabVIEW平台下更方便的处理非均匀采样的心电信号,文中研究了心电信号的时域和频域插值算法。首先采用了拉格朗日插值法、牛顿插值法、埃尔米特插值法和三次样条插值法等四种时域插值方法,从算法精度、内存消耗和时间消耗三个方面做比较,得出埃尔米特插值法最为合适。最后又提出一种频域插值法:补零傅里叶频域插值法,来弥补原始心电信号频域分辨率不足的缺点。     

基于滤波重构和卷积神经网络的心电信号分类

计算机自动分类心电信号能够减轻医生工作压力并大幅提高诊断速度和准确率。文中针对传统算法中特征提取过程复杂及抗干扰能力弱的问题,提出了一种结合滤波重构和卷积神经网络的心电信号分类算法。该算法首先通过传统信号滤波和心拍序列重构去除原始心电信号中的噪声干扰,然后构建卷积神经网络来自动学习心电信号特征并完成分类。在PhysioNet/CinC Challenge 2017数据集上的分类实验结果表明,该方法的平均F₁(查准率、召回率的调和平均)达到了0.8471,优于人工特征提取和常规卷积网络方法,且具有很强的抗干扰能力。     

小波变换在心电信号去噪中的应用

文章根据coiflet小波在各个尺度上的不同的带通滤波特性,并利用小波变换多分辨的特点对心电信号进行滤波。文中通过软、硬阈值折衷函数及自适应阈值策略对MIT／BIH国际标准数据库中的ECG信号进行了处理与验证。实验结果表明,该算法能较好的抑制心电信号中的各类噪声干扰。     

基于子空间对齐与自适应CSP算法的运动想象脑电信号分类

在脑机接口中,让分类器从一个用户适应到另一个用户是具有挑战性的,但对于减少新用户的训练时间是必要的.但由于每个个体的神经信号存在着差异,常用的特征提取方法训练的分类器,应用于不同的用户时,准确率很低.因此本文提出了一种新的自适应共空间模式的特征提取方法,该算法通过选择合适的候选试验更新协方差矩阵,然后对提取的特征进行子...     

基于一维卷积神经网络的心电信号质量分类

研究一种基于单导联心电信号质量二分类方法.为了改善传统方法在进行心电信号质量分类下需要手动提取特征的复杂性以及选取规则包含主观性的缺点,基于Tensorflow框架设计了一个一维卷积神经网络,利用MIT-BIH和NSTDB数据库构建训练数据集,通过不断调整网络模型自动学习分类特征,使用2个公开测试集与1个私有测试集验证...     

基于快速独立分量分析和小波包变换的脑电信号消噪

本文提出一种小波包变换和快速独立分量分析相结合的方法对脑电信号进行预处理。首先利用小波包变换对脑电信号进行3层分解,对第三层的高频小波系数置零,以此达到去除随机噪声的目的,同时最大程度地保留了细节信息。其次,对经过小波包变换处理后的多路信号进行快速独立分量分析,将脑电信号与各噪声源信号分离开。为验证消噪算法的效果,本文对输出各分量进行相关性分析,实验结果显示各分量间的互相关系数的数量级为-15和-16,互相关系数近似为0,说明该方法的去噪效果很好。     

基于最优Bohman窗的改进S变换电能质量扰动特征精确快速提取方法

针对传统S变换存在时频分辨率低且计算量大的问题,该文提出一种基于最优Bohman窗的改进S变换。该方法通过直接控制窗长获得最优时频分辨率,同时只针对主要频率点进行时频分析,实现对各类扰动信号特征的精确快速提取。首先根据所提评价标准确定最优长度参数;其次将采样信号进行快速傅里叶变换得到FFT频谱,再通过基于极大值包络的动态测度快速算法确定主要频率点;然后根据主要频率点所处频段选择对应最优长度参数进行计算处理;最后根据模时频矩阵计算时频幅值向量完成时频特征提取。仿真分析和实验结果表明,所提方法相较于传统S变换具有更高的时频分辨率和更短的计算时间,适用于电能质量扰动信号特征的精确快速提取。     

基于自适应权值裁剪的Adaboost快速训练算法

Adaboost是一种广泛使用的机器学习算法,然而Adaboost算法在训练时耗时十分严重。针对该问题,该文提出一种基于自适应权值的Adaboost快速训练算法AWTAdaboost。该算法首先统计每一轮迭代的样本权值分布,再结合当前样本权值的最大值和样本集规模计算出裁剪系数,权值小于裁剪系数的样本将不参与训练,进而加快了训练速度。在INRIA数据集和自定义数据集上的实验表明,该文算法能在保证检测效果的情况下大幅加快训练速度,相比于其他快速训练算法,在训练时间接近的情况下有更好的检测效果。     

一种基于XGBoost的恶意HTTP请求识别方法

针对现有的web应用防火墙大多基于规则对恶意的HTTP请求进行检测,容易绕过且检测效率低下等问题,基于词袋模型聚类,提出一种改进的恶意HTTP请求检测方法。通过对已有的正常请求和恶意请求进行词袋和TF-IDF模型进行特征提取,并采用XGBoost分类算法对异常请求进行识别。实验结果表明,与随机森林、支持向量机等识别方法相比,该方法具有更好的异常HTTP请求识别效果。     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

     

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提.针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别.首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成...     

基于快速特征分解的自适应杂波抑制算法

针对部分相关中等起伏目标的最佳检测，本文提出了基于快速特征分解的组滤波自适应杂波抑制的实现算法。算法能有效抑制杂波，提高检测概率，由于采用了快速子是分解技术而明显地降低了运算量使算法易于实时实现。对收敛特性的分析表明，算法具有良好的收敛性能。文中采用的最小二乘技术同组滤波方法的结合使得即使在非平稳的条件下也可以获得高效的杂波谱估计，进而有针对性地完成特定谱区域的信号提取，从而实现在不同目标和杂波环     

基于快速子空间分解的组滤波自适应杂波抑制算法

针对部分相关，中等起伏目标的最佳检测，本文提出了基于快速空间分解的组滤波自适应杂波抑制算法，由于采用了快速了空间分解方法，明显降低了算法运算量而使其易于实时实现，文中所采用的最小二乘同组滤波相结合的方法使得即使在非平稳的条件下也要以获得良好的杂波谱估计，进而可以有针对性地完成特定多普勒域的目标提取，实现在变化杂波条件下的有效杂波抑制和目标检测。     

一种基于双通道自适应噪声对消的语音增强法

在自适应噪声对消(ANC)中,本文根据主辅通道噪声间的相关性,提出了一种自适应滤波语音增强算法。在低信噪比(-10～0dB)白噪声条件下,文中研究了辅助通道采集的噪声有无"串音"两种情况下的语音增强效果。研究表明:在无串音和有串音两种条件下,本文算法增强语音的信噪比分别比NLMS算法提高约14dB和5dB,PESQ_MOS得分分别比NLMS算法提高约1.13和0.83,同时增强语音的听觉质量得到了极大地改善。     

Bulk-FFBP：基于距离向整体处理的快速分解后向投影算法

距离向分块快速分解后向投影(Block-FFBP)算法通过子孔径合成降低了传统BP的算法复杂度,并且通过距离向分块,简化了繁琐的极坐标与直角坐标的转换。然而,距离分块操作使各块引入了斜距范围波动,而且插值核长度余量导致了算法的内存效率低下,从而降低了成像效率。该文提出一种基于距离向整体处理的Bulk-FFBP算法,并细分为基于距离向控制点的Bulk-FFBP以及无控制点的Bulk-FFBP。文中通过仿真对两种Bulk-FFBP算法进行了误差分析、成像性能分析以及算法效率分析,并与Block-FFBP算法进行对比,证实了Bulk-FFBP的优越性。     

基于改进宽度模型迁移学习的不同负载下滚动轴承状态快速分类方法

针对深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题,该文提出一种基于改进宽度模型迁移学习的滚动轴承状态快速分类方法。该方法首先对不同负载下滚动轴承振动信号进行快速傅里叶变换,构建频域幅值序列数据集,并选取某种或某些负载数据集作为源域,其他负载数据集作为目标域;其次以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口,并在增强层引入Maxout激活函数构建改进的BLS网络,同时引入遗传算法优化网络节点结构,建立基于源域数据的预训练模型;最后将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络,并利用少量目标域样本微调网络建立状态分类模型。实验结果表明,所提方法平均训练时间为32.6 s,平均测试准确率为98.9%。对比其他方法,所提方法可以在更短的时间内建立分类模型并获得良好的分类准确率。