首页 > 文献资料
-
人体结肠压力信号的HHT分析
结肠测压技术可以提供结肠动力活动的信息.是广泛使用的评价消化道功能的检查手段.但是人体结肠压力信号具有明显的非平稳性,并且测量时难以避免外界的高频干扰,传统的时域观察或者频域分析很难对测压结果进行准确的分析.本文采用希尔伯特-黄变换(HHT)对临床采集的28例结肠压力信呼进行分析.先将人体结肠压力信号通过经验模式分解(EMD)方法分解为一系列自适应的固有模式函数(IMF),然后判断并提取出其中主要的分量c3,对其进行Hilbert变换,得出时间-频率-幅值(能量)表示的三维Hilbert时频谱及其边际谱,真实准确地反映出结肠压力信号蕴含的特征信息.依据来自于医学上现有的结肠动力理论进行分析判断,结果表明,这种分析方法对于区分出正常(5例)和异常(23例)人体结肠压力信号有明显的作用.结果符合现有理论,说明HHT是一种分析结肠压力信号的有效方法.
-
基于小波变换和经验模式分解的心音信号研究
针对经验模式分解(EMD)中的端点效应问题,本研究提出先用小波去除噪声干扰,再用EMD方法提取心音信号的特征.对于EMD的端点延拓,采用一种新的自适应波形匹配端点延拓方法.通过小波去噪,克服了直接运用EMD分解时无用频率分量带来的干扰,有效地减少EMD的分解层数,自适应波形匹配延拓方法充分考虑了心音信号的内在规律与端点处的变化趋势,较之传统的延拓方法更加合理.用所提出的方法对心音信号进行EMD分解,并用双阈值法对分解后的信号进行第一心音(S1)第二心音(S2)的定位分析,通过对40例心音信号定位分析,S1和S2的检出率分别达到97.05％和97.12％.表明该分析方法能够有效地抑制端点效应,提高EMD分解的准确性和时效性,为后续心音的分析提供准确的参考信息.
-
基于经验模式分解与样本熵的癫痫预测方法
本研究提出一种基于经验模式分解(empirical mode decomposition,EMD)与样本熵的癫痫预测方法;该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳的固有模态函数(intrinsic mode function,IMF)之和,再选取若干个包含主要癫痫预报信息的IMF分量,将其求和后,计算其样本熵(sample entropy,SampEn).结果表明,癫痫发作前期样本熵呈减小趋势,基于EMD的样本熵其减小幅度显著增加,同时抑制了伪差对实验结果的影响.基于经验模式分解与样本熵的癫痫预测方法能够很好的对癫痫进行预测.
-
基于经验模式分解的心音自动分段算法
与原始信号相比,心音包络能够更好地显示心音的特征.心音包络的提取是对心音进行时域分析的基础.本研究提出利用希尔伯特-黄变换提取心音包络的方法.首先利用黄变换提取心音信号的固有模态函数,然后利用希尔伯特变换提取心音包络.在希尔伯特.黄变换提取的心音包络基础上,对50例正常人心音样本进行了第一心音、第二心音识别,正确率达到了92%,为下一步的心音分析及诊断奠定了基础.
-
超声多普勒管壁搏动和血流信号的分离研究
本研究提出利用经验模式分解(EMD)算法分解混叠有管壁成分的超声多普勒血流信号来实现管壁搏动和血流信号的分离.该方法首先将混叠有管壁搏动的超声多普勒血流信号分解为少量有限的分量,即内模函数(IMFs),然后根据管壁搏动信号与血流信号的功率比变化曲线,用比值法自动确定并去除低频管壁博动成分.在仿真实验中用提出的方法处理模拟的多普勒信号,对于靠近管腔内壁的血流信号其在频域功率谱上的相对误差为50%,在时域幅度的相对误差为45%,与高通滤波器方法的相对误差95%相比,准确性得到提高.基于个人计算机用C语言编程实现提出的算法,对实际采集的人体颈动脉多普勒信号可实现实时分离处理.结果表明:基于经验模式分解的滤波方法能有效客观地滤除管壁搏动信号,更准确地保留低频血流信号成分.
-
基于经验模式分解和独立分量分析的单导少次EP信号提取
EP信号的单导少次提取一直是生物医学信号处理领域倍受关注的问题.本研究利用经验模式分解(EMD),把单导脑电信号(EP+EEG)分解成多个基本模式分量(IMF)之和,进而选取合适的基本模式分量或者它们的组合,构成1导或多导参考信号,再利用独立分量分析(ICA)成功提取出了期望的EP信号,从而克服了ICA需要多导观测信号的要求.仿真实验证明了本方法的有效性.
-
基于希尔伯特-黄变换的心音包络提取
目的 提取心音信号的包络特征,根据包络对信号进行时域分析.方法 本文提出了利用希尔伯特一黄变换对心音信号进行包络提取的方法.首先利用黄变换对心音信号进行预处理:然后对处理后的信号进行希尔伯特变换得到心音信号的包络.结果 突出了心音信号的第一心音和第二心音,准确提取了心音的各种时域特征.结论 采用此方法能够准确地提取心音信号的包络,为进行下一步分析奠定了基础.
-
基于经验模式分解与独立分量分析的心电信号消噪方法
针对小波独立分量分析法(W-ICA)在心电信号消噪中小波变换缺乏自适应性,且较难选取优小波基的问题,提出了一种将经验模式分解与独立分量分析相结合的小波独立分量分析法.该方法结合经验模式分解与独立分量分析各自的优点,利用经验模式分解对心电信号进行自适应分解,然后应用独立分量分析法对选取的本征模态函数进行分离,将分离后的分量进行两层重构,从而得消噪后的心电信号.通过利用MIT-BIH心率失常数据库中的数据进行仿真实验,结果表明该方法可以较好地消除心电信号中的噪声,消噪后信号与原信号的相关系数可达0.96.
-
经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用
提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题.为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优.在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性.
-
基于经验模式分解的心电特征提取算法
本研究应用基于经验模式分解的心电特征提取方法,利用第一本征模函数(intrinsic mode function,IMF)分量对QRS波进行定位,并通过减少分解层数、筛选次数、处理区域等策略实现了快速算法.利用MIT-BIT心律失常数据库的数据进行算法测试,取得较高的检测率,检测速度也有明显提高.实验结果表明,经验模式分解算法在QRS波定位中具有相当的优越性,临床应用中取得了良好的检测效果.
-
基于Hilbert-Huang变换的医学超声信号去噪
目的:探求一种基于Hilbert-Huang变换的医学超声信号去噪方法.方法:提出了一种基于Hilbert-Huang变换的医学超声信号去噪方法.首先对含噪超声信号进行经验模式分解,得到各阶IMF分量,然后对高频的IMF分量用阈值方法进行处理,把经过阈值处理的高频的IMF分量和低频IMF分量进行叠加,得到重构的去噪信号.结果:仿真实验表明,基于Hilbert-Huang变换的医学超声信号去噪方法可以有效地降噪.结论:Hilbert-Huang变换的医学超声信号去噪方法在自适应性和先验性方面优于基于小波的去噪方法.
关键词： 医学超声信号 经验模式分解 Hilbert-Huang变换 去噪 -
EMD和SVM结合的脑电信号分类方法
脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义.针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法.首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,后用SVM对EEG信号进行分类.结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%.
-
基于经验模式分解的脑电棘波检测方法
脑电癫痫特征波自动提取对于患者的诊断以及减轻医生的繁重劳动都具有重要意义.本研究结合经验模式分解(EMD)技术提出了一种基于经验模式分解的脑电棘波检测新方法.这种方法提取出EEG信号中与棘波信号相关的高频成分,计算其Hilbert变换后的瞬时幅值,进而检测出棘波信号.对临床EEG数据检测的结果表明,这种方法能有效地从复杂的背景EEG信号中检出棘波,具有良好的应用前景.
-
基于EMD奇异值分解诊断震颤的新方法
针对目前临床上对特发性震颤(Essential tremor,ET)、帕金森病(Parkinsonian disease,PD)、生理性震颤(Physiological tremor,PT)等3种常见震颤误诊断的问题,我们提出了一种基于经验模式分解提取奇异值特征和支持向量机识别3种不同类型震颤的新方法.首先采集了40例震颤受试者的手加速度信号,并用经验模式分解法将其分解成多个平稳的固有模态函数.将能刻画信号的重要的前四个固有模态函数形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为诊断震颤类型的特征向量,再用支持向量机分类震颤类型.实验结果分析表明,以经验模式分解提取奇异值为特征参数的支持向量机识别方法能较好识别3种不同震颤,为临床诊断震颤类型提供了一种新方法.
