目的 探讨小波-LSTM模型对肺结核发病率的预测效果,为防控肺结核提供参考.方法 通过小波分解将2012-2018年中国肺结核发病率数据分解为高频序列和低频序列,对分解序列构建LSTM模型;利用2019年数据验证小波-LSTM、LSTM模型的预测性能.结果 在预测未来3个月时,LSTM模型效果最优,其MSE、MAE、RMSE分别为0.007、0.069、0.085;在预测未来12个月发病趋势时,小波-LSTM模型效果最优,其MSE、MAE、RMSE分别为0.046、0.156、0.215.结论 小波-LSTM模型对肺结核发病率的长期预测效果优于LSTM模型,小波-LSTM模型在肺结核发病趋势预测分析中具有一定的应用价值.

针对可变持续时间心电图(ECG)数据信号的非平稳性和时序性问题,提出一种基于连续小波变换(CWT)和高阶统计量(HOS)的心律失常识别算法.首先,针对可变持续时间ECG数据中每个样本的数据点数量不同,采用RR间期插值法预处理数据,并通过CWT将信号分解为不同的时频分量,从而使网络能够更好地提取心电信号中的时间和频率特征.其次,针对时序信息利用不充分的问题,提出基于HOS和长短期记忆网络的时序挖掘模块,以捕捉和学习ECG信号中的长期依赖关系,从而有助于识别和理解特定的心律失常类别.通过在公开的ECG数据集MIT-BIN上进行的大量实验,验证所提方法的有效性和优越性.

目的:为了有效识别心脏疾病心音的病理特征信息进行心脏疾病早期筛查,提出一种基于小波包系数重构信号能量序列的分布特征提取算法.方法:应用小波包分解算法对原始心音信号进行10层成分分解,获得各层小波包系数后对每一个系数进行重构,计算重构信号的能量并按原序排列构成能量序列.分析各层重构信号的能量序列的分布特征,并把分布特征作为分类特征.应用支持向量机、K近邻和决策树对正常心音和各类心脏疾病心音信号进行分类识别.结果:应用重构信号能量序列的分布特征结合决策树分类器,对公开数据集的5种心音分类识别准确率可达93.6%;对临床采集的正常心音和肥厚性心肌病心音数据分类准确率最高达95.6%.结论:本文算法能提取异常心音信号的有效病理信息,为临床心脏病听诊提供参考.

目的:为抑制临床颅脑电阻抗动态监测中体动干扰导致的图像伪影,提出一种基于小波分解的体动干扰实时处理方法.方法:首先,使用混合高斯模型描述颅脑电阻抗信号小波分解系数分布特征,对体动干扰和正常信号进行区分并加以处理;其次,采用垒墙式的计算策略,实现小波分解的实时化处理;最后,开展仿真实验与人体实测数据实验验证提出方法的有效性.结果:实验结果表明,该方法可以有效抑制尖峰类型的体动干扰,恢复信号的连续性,并显著减少图像上的重构伪影,恢复正常的图像监测.结论:基于小波分解的体动干扰实时处理方法能够有效抑制临床颅脑电阻抗动态监测中的体动干扰,特别适用于多通道数据采集的应用场景.

传统方法进行心电图(ECG)信号分解是基于QRS特征波经验性识别固有模式函数变量(IMF),但ECG信号和噪声信号之间存在频带混叠,导致去噪效果较差,针对此问题提出一种改进鲸鱼算法(IWOA)优化变分模态分解(VMD)算法参数,并和改进小波阈值相结合的方法.利用VMD基于完全非递归分解的特性,在鲸鱼算法中引入感知扰动机制,并用等螺距阿基米德螺旋曲线代替经典的对数螺旋曲线,对VMD中的模态个数K和惩罚参数α进行寻优;然后对ECG信号进行VMD分解,得到一系列IMF分量,通过相关系数判定噪声分量,对其进行改进小波阈值去噪;最后将各分量重构,得到去噪后的信号.将本文方法与单独使用小波阈值算法或VMD算法进行去噪对比实验,结果表明,本文方法可以有效去除ECG信号中的各种干扰,更好地保留ECG信号波形特征,具有潜在的临床指导意义.

针对癫痫脑电(EEG)信号的识别问题,提出了一种基于可调品质因子小波变换(TQWT)的脑电特征提取方法.首先,利用TQWT将EEG信号进行分解,得到各个小波子波带;然后,根据癫痫异常波对应的频率范围,合理的选择小波子波带进行重构,提取有效值和峰峰值构成特征分量;最后,采用支持向量机进行分类.将所提出方法应用于癫痫脑电信号的识别中,以德国伯恩大学癫痫研究中心采集的典型脑电数据进行验证.实验分析结果表明,所提出的特征提取方法对正常和癫痫发作期EEG信号的分类准确率可达98%.

人体运动中脑电(EEG)信号和肌电(EMG)信号间的同步特征能够反映皮层肌肉间功能耦合(FCMC)的关系.本文将Gabor小波和传递熵(TE)结合,提出一种新的方法(Gabor-TE)用以定量分析不同恒定握力下EEG-EMG信号间的非线性同步耦合特征及方向特性.本研究首先选取9名健康受试者在4种不同恒定握力下的EEG、EMG信号,并以Gabor小波变换进行局部分解;然后计算频带TE值并定义单位传递面积指标(ATE),分析恒定握力下EEG-EMG信号的局部频段同步特征及方向特性;最后探究EEG信号和EMG信号功率谱对Gabor-TE方法分析结果的影响.本文研究结果表明:恒定握力下,β频段EEG→EMG方向TE值高于EMG→EEG方向,且随握力水平增加EEG→EMG方向上β频段ATE值降低;γ频段TE值在EMG→EEG和EEG→EMG方向上的差异随握力增加而呈现出一定的变化规律;EMG功率谱与特征频段TE结果强相关.本文试验结果表明,Gabor-TE方法能定性、定量描述EEG-EMG信号在局部频带和信息传递上的非线性同步耦合特征,今后或可为研究运动控制及患者康复评价提供一定的理论依据.

本文采用脉搏波信号研究了警觉度的变化规律.本研究共招募10名受试者参加了持续95 min的警觉度“时钟测试”(MCT).试验过程中,受试者们通过卡罗林斯卡嗜睡量表(KSS)和斯坦福嗜睡量表(SSS)主观评价了清醒程度,同时记录了所有受试者的目标反应时间、目标识别正确率和脉搏波信号.结果表明,根据主观量表得分和受试者的行为学数据可以将警觉度定标为3个水平:前30 min为高警觉度水平;中间30 min为一般警觉度水平,后30 min为低警觉度水平.此外,脉搏波信号的时域特征,如:次级波峰幅值、波峰幅值、次级波峰潜伏期,随警觉度的降低而减小,而波谷幅值随警觉度的降低而增大;频域特征:8.600～ 9.375 Hz、11.720～12.500Hz、38.280～ 39.060Hz和39.060～39.840Hz这4个子频带的能量概率也随警觉度的降低而减小.最后,在上述8个特征建立的模型中,10名受试者三分类正确率的平均值高达88.7％.本文的研究结果证实了脉搏波在警觉度评估上的可行性,为警觉度的实时监测提供了新的思路.

户外视觉系统在雨(雪)天气条件下获取的视频图像会产生严重退化.提出一种基于小波融合的视频图像去雨(雪)方法,从频率域角度分析,采用小波多层分解和小波融合技术:先确定雨(雪)噪声所在的具体层,再制定一种基于雨(雪)噪声污染度的融合规则,最后对多幅连续退化图像的特定层进行小波融合,以达到去除雨(雪)的目的 .仿真结果表明,本文方法的复原结果理想,不受噪声强度制约.

目的 急诊科面临的诸多挑战之一是在有限的人力资源和急救资源范围内以最高效率和最佳质量对病情复杂多变的患者进行及时处置.本研究尝试结合大数据和小波变换方程组,从急诊外科患者入院数据中解析出疾病谱及频率的多尺(multiple scales)度时间序列变迁模式,从而为优化急诊急救资源配置提供一种智能化解决方案.方法 利用数据管理工具(DataChief Avaintec,Helsinki,Finland)导入四川省人民医院2005-2014年所有急诊外科入院患者数据,进行整理、清洗和辅助定义后,以9h为单位对入院患者进行序列累加,形成连续波谱.采用计算数学软件平台(MATLAB)小波变换函数进行分解,分解层数5层,对每一层波谱高度及其分布进行分段计数统计,并利用K-mean算法找出分解尺度系数间关系.最后利用aprori算法进行频繁模式挖掘(frequent patterns mining),挖出患者入院疾病谱及频率分布模式.结果 纳入23 795例患者,疾病种类分布以急腹症占比最高,同时发现,急外患者入院变化是复杂的渐升波谱.小波分解后,信号波A反映了特定时间尺度下整个波动数据的趋势性变化.而噪声波D则反映了波动在特定时间尺度下的细节特征.如A1主波尺度代表以16 d为周期的波动.相应的D1,反映了16 d周期波动下的变化剧烈程度.以D1始,D1-D5代表波谱分解的噪音部分.以研究期间发生的5·12特大地震为例,在D3层出现了明显的噪声波,提示波动周期为4d,其临床解释为:4d内患者入院激增.结论 急诊外科的疾病发病受到多个时间尺度的影响,这种影响是一种典型的多尺度现象.利用小波分析可以方便的根据不同的时间尺度把急诊入院的病案信息的变化趋势分解出来,这种方法有助于合理分配急诊资源.