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.

胎儿心电信号的提取对孕期胎儿健康状况的检测具有重要意义.本文提出一种基于平稳小波变换的单/多通道胎儿心电提取方法.多通道环境下输入信号包括腹部混合信号和母体心电信号,单通道环境下母体心电信号采用对腹部混合信号进行窗口平均法获得,然后对信号进行平稳小波变换与阈值去噪,继而提取胎儿心电信号.PhysioNet数据测试实验表明,该方法在单/多通道的环境下均能成功提取到清晰的胎儿心电信号,并且能有效地消除噪声.

在采用肌电信号进行颈肩肌肉疲劳特性分析中,为提高非平稳表面肌电信号(surface electromyo-graphy,SEMG)的信噪比,抑制传统强制去噪时在信号奇异点处产生的伪吉布斯(Gibbs)现象,采用平移不变(translation invariance,TI)小波新阈值去噪的方法对肌电信号进行去噪.实验表明,该方法在保留颈肩肌电信号主要特征的前提下,与传统强制去噪方法比较,信号的信噪比(signal-noise ratio,SNR)提高了7倍,均方根误差(root mean square error)降低为原来的四分之一,故该方法更适合在充分保留肌电信号细节特征的前提下,去除颈肩肌电信号中的白噪声和50 Hz工频谐波干扰.

针对光学相干层析系统的噪声进行分析,综合对比了多种小波变换方法(包括连续小波变换,离散小波变换和平稳小波变换)在小鼠眼球层析图像处理中的降噪效果.通过均方误差、均方根误差、峰值信噪比以及信噪比四个参数来定量评价不同处理方法的成像效果.实验结果表明,通过采用改进阈值后的平稳小波方法,图像达到的评价效果最好,可以识别出原图所不能观察到的眼球虹膜结构,图像的均方误差下降为原来的35.5％,图像的信噪比提高了25.2％,提高了约4.5 dB.该方法保留了图像中需要的细节信号,使得眼科光学相干层析图像的降噪性能得到了提升.

目的 为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点.脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式.针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法 ,提出一种自适应的特征分类方法来提高脑电信号的分类识别率.方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类.最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析.结果 自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6％,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳.结论 本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用.

目的 为改善脑电中眼电伪迹的去除效果,基于脑电的非平稳性和模糊特点,提出一种将离散小波变换与二阶盲辨识相结合,并以模糊熵为眼电伪迹判别准则的眼电伪迹去除方法.方法 首先,采用离散小波变换对含噪的脑电信号进行多分辩分析,获得平稳性更好的多尺度小波系数;进而,选择同层的小波系数构成小波系数矩阵,并基于二阶盲辨识对其盲源分离,得到源信号的估计;进一步以模糊熵为判别依据,实现眼电伪迹的自动判别与剔除.实验数据采用BCI Competition IV公开数据库,使用信噪比、相关系数及均方根误差等常用伪迹判别指标进行衡量.结果 本文方法相对于常用的眼电伪迹去除方法在多个性能指标上均取得最大值.结论 本文提出的眼电伪迹去除方法,实现了眼电伪迹的自动精确判断与剔除,并表现出很好的稳定性.

为了解决表面肌电信号混迭导致的手部运动意图识别率较低的问题,提出了一种基于改进的人工蜂群优化盲源有序分离算法.本算法以表面肌电信号的规范四阶累积量作为代价函数,使用改进的人工蜂群优化算法代替传统的梯度算法对代价函数进行优化,并以代价函数绝对值的降序逐次提取出源信号;对于肌电信号的非平稳性及易受干扰的问题,采用一种基于小波包变换和样本熵的特征提取方法,并与表征肌电信号细节和强度的特征峰度、偏度、肌电积分值组合构建特征向量,训练二叉树支持向量机分类器.实验结果表明,采用表面肌电信号的盲源分离预处理与组合特征提取的方法识别六种手部运动意图,平均准确率达到93.33%.

当前肌肉疲劳表面肌电信号(surface electromgography,sEMG)特征提取方法,忽略了非线性跳错信号的影响,且不能在非平稳状态下进行特征提取,存在特征提取准确度差的问题.提出基于小波变换的肌肉疲劳sEMG特征提取研究,采用小波变换对所采集的样本去噪,结合时域、频域特征分析法,融合傅里叶变换方法对肌电信号中的线性特征进行提取,根据带谱近似熵理论对非线性挑错信号进行特征回归分析,并利用拟态分解函数和希尔伯特变换法对肌电信号进行时频特征的整合提取,最终完成基于小波变换的肌肉疲劳sEMG特征提取研究.实验验证,所提方法具有可行性,且将1000个肌电信号样本分成5组,对其中的跳错信号进行特征提取,所提方法准确度较文献方法高出75％,在非平稳状态下将200个肌电信号样本分成5组进行特征提取,所提方法准确度较文献方法高出33％.由此得出,所提方法优于当前特征提取方法.

立体定向脑电(stereo-EEG,sEEG)的癫痫间期高频振荡(High Frequency Oscillations,HFOs)与癫痫灶高度相关,广泛用于难治性癫痫切除术前定位中,但HFOs易与高频伪迹等混淆,自动辨识精度低,临床上仍依赖人工辨识,长程sEEG数据量巨大,人工辨识耗时费力易出错,急需HFOs高精度自动识别方法.考虑sEEG具有非线性、非平稳以及多维sEEG之间具有一致相关性等特点,本文提出基于最小二乘-多维经验模态分解(Least Square-Multivariate Empirical ModeDecomposition,LS-MEMD)的HFOs快速自动识别方法.本文基于临床1680段HFOs和1720段高频伪迹测试了该算法的性能,且与小波变换、经验模态分解等方法比较,证明了所提方法具有更高的准确率和更低的误检率.

为了提高表面肌电信号(sEMG)手部运动识别的正确率,比较常规的sEMG预处理和特征提取方法,提出一种基于经验模态分解(EMD)和小波包变换(WPT)的sEMG手势识别模型.首先,使用EMD方法将sEMG进行平稳化,得到一系列的固有模态函数.其次,求取各个固有模态函数与原始信号的相关性,选取相关性较高的前4个分量作为有效分量.然后,采用Db3小波函数进行WPT,提取小波包系数中的平均能量、平均绝对值、最大值、均方根和方差等特征.分别采用线性判别分析和支持向量机对12种手部运动进行模式识别.结果表明基于EMD和WPT的sEMG手势识别正确率比直接提取小波包系数中的特征识别正确率高.