首页 > 文献资料
-
Hilbert-黄变换方法分析压力脉搏波信号
目的:将Hilbert-黄变换方法用于压力脉搏波信号的分析,以获得脉搏波信号的时域特征和频率-能量分布.方法:通过经验模态分解(EMD)将脉搏波分解为一组内在模态函数(IMF),对每个IMF进行Hilbert变换,获得脉搏波信号幅度和频率的时间分布;由HH谱得到边际谱,反映信号的能量-频率分布;对典型正常个体的脉搏波信号和该个体脉滑变时的脉搏波信号进行处理,比较两种状态下脉搏波信号时-频分布情况.结果:用于实验的两例信号的分析结果显示,脉平信号的HH边际谱与脉滑信号的HH边际谱所表现的能量-频率分布有明显区别,这种区别能被脉平和脉滑变时的心血管活动状态所解释.结论:EMD算法和HHT能较好地用于脉搏波的分析,并且在医学信号处理领域将会有广阔的应用前景.
-
一种基于改进经验模态分解的癫痫脑电识别新方法
在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要.针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法.首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;后,采用支持向量机进行信号的分类识别.算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号.实验研究表明:该方法对总测试脑电信号的识别率达到94%.其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电.
关键词: 癫痫脑电 平行延拓 镜像延拓 经验模态分解(EMD) 支持向量机(SVM)