目的:基于成像式光电容积描记(imaging photo plethysmography,IPPG)技术,提出一种在不同光照条件下依然拥有较高准确率的非接触式血氧饱和度检测方法.方法:首先,通过摄像头采集人脸感兴趣区域的图像;其次,使用自适应伽马校正和欧拉视频放大算法对图像进行预处理;再次,将视频信号转化为数字信号,提取IPPG信号,并使用经验小波变换进行滤波去噪;最后,利用二次函数拟合得到血氧饱和度公式,从而计算出血氧饱和度.结果:相较于其他文献算法,该方法具有更强的抗光照变化干扰能力,在不同光照条件下的平均误差均不超过1.5％,最大误差在2％左右,且与指夹式血氧仪的检测结果具有较好的一致性.结论:该方法在不同光照条件下测量血氧饱和度均具有较高的准确率,能够达到实际测量的要求.

介绍了无创采集的胎儿心电信号的主要特点,总结归纳了自适应滤波法、独立成分分析、人工神经网络、小波变换法、贝叶斯滤波法等5种无创胎儿心电信号提取算法及其相关改进算法的基本原理及研究现状,分析了5种算法各自的导联方式及其优缺点.指出了未来胎儿心电信号提取应考虑到多胞胎的问题,在提高算法实时性和精确性的前提下,研究便携式胎心监护设备,从而使胎儿心电监护走向个人化和家庭化.

目的 针对胎儿心电不易提取的问题, 提出一种从孕妇腹部混合心电信号和胸部心电信号中提取胎儿心电的方法.方法 采用反向传播 (BP) 神经网络预测孕妇腹部混合心电信号中母体心电的真实形态, 从腹部混合信号中减去预测的母体心电信号便得到胎儿心电信号.与小波阈值去燥算法和自适应滤波算法比较, 评价BP神经网络算法可行性.结果 相比小波阈值去燥算法和自适应滤波算法, 该算法准确度为94.12％, 灵敏度为96.97％.这两项指标均优于小波阈值去燥算法的80.52％、93.94％和自适应滤波算法的87.88％、87.88％.结论 基于BP神经网络的方法可以提取到纯净的胎儿心电信号, 对于胎儿心电监护有一定的应用价值.

利用Bayesian估计的小波自适应阈值方法对图像进行去噪处理.通过高斯滤波和小波变换的三种方法(传统的硬阈值、传统的软阈值去噪、基于Bayesian估计的自适应阈值去噪)分别同时对加不同标准差σ的Rician噪声信号进行消噪处理,对比验证高斯滤波和传统小波阈值去噪的优劣,以及新的Bayesian估计自适应阈值小波去噪在磁共振成像(magnetic resonance imaging ,MRI)图像信号去噪方面的优越性.小波去噪后的信号信噪比比高斯滤波去噪后信号的信噪比高,且均方根误差要低.采用基于Bayesian估计的自适应阈值小波去噪方法比采用的高斯滤波保留了更多有用信号,优化后的氧摄取分数( oxygen extraction fraction,OEF)值有一定程度增大,使结果更接近正电子发射型计算机断层显像( positron emission computed tomography,PET)测量金标准.成功完成信号和噪声分离优化,将一种新的基于Baysian估计的自适应小波阈值去噪应用到了功能核磁共振成像的降噪分析上,取得了不错的效果.

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度.基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中.其中,使用小波自适应阈值技术完成ECG信号滤波,并设计了包含多个残差块(residual block)结构的20层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对5大类心律不齐ECG信号进行了识别.然后,本文采用残差块局部神经网络结构单元构建DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了CNN随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛.按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中94 091个ECG心搏信号(2个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验.实验结果表明,本文所提出的方法在ECG信号多分类、Veb和Sveb识别中的准确率分别达到了99.034 9％、99.498 0％和99.334 7％.在相同的数据集和实验平台下,DR-CNN在分类准确率、特异性和灵敏度上均优于相同结构复杂度的CNN、深度多层感知机等传统算法.DR-CNN算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源.

为了提高超声图像的诊断识别能力,需要进行异常特征点定位.提出一种基于小波变换的异常特征超声图像定位技术.对采集的超声图像采用边界特征融合方法进行边缘轮廓检测,在邻域内采用颜色梯度分解方法进行超声图像区域融合滤波处理,结合小波变换方法进行超声图像的特征分解和尺度模板匹配,提取超声图像的奇异特征点,根据超声图像的颜色特征分解值进行邻域均衡控制和自适应特征参量估计,根据超声图像的纹理和颜色特征提取结果进行图像的异常特征点定位检测和识别.仿真结果表明,采用该方法进行超声图像异常特征点定位的准确度较高,定位精度较好,提高了超声图像的异常特征辨识能力.

为了在光线不均匀的情况下有效地提取出血液容积脉搏波信号,提出了一种基于普通摄像头的光线自适应心率检测方法.该方法对人脸图像序列进行自适应伽马变换,消除光照等影响;从额头区域提取出脉搏波源信号,经小波滤波处理得到血液容积脉搏波;再经傅里叶变换分析估计出心率.通过Bland-Altman分析,表明该文使用的方法与电子血压计的测量结果具有较好的一致性,且该文使用的自适应伽马变换消除了光照干扰的影响,心率的测量误差明显减小,完全能够满足日常心率监测的要求.

目的 利用非局部均值滤波与小波相结合的算法,抑制脑部CT图像噪声,提高图像的质量.方法 通过仿真实验确定不同噪声水平下的滤波系数,然后采用真实的含噪脑CT图像进行验证,并与传统非局部均值滤波进行比较.最后采用配对t检验,对该方法滤波前后的图像峰值信噪比进行统计学分析.结果 该方法能够使含有白噪声的CT图像的峰值信噪比提高5～10 dB,高出传统非局部均值滤波后图像3～5 dB.滤波前后的图像峰值信噪比具有统计学差异(P<0.001).结论 结合小波的自适应非局部均值滤波可以对不同噪声水平的脑CT图像进行自适应处理,有效去除噪声,提高峰值信噪比,同时保留图像的细节及边缘,改善图像质量.