目的:提出一种从心肺音信号中分离肺音做定量分析的方法,实现对呼吸率和呼吸强度的实时测量.方法:使用电子听诊器采集患者主动脉瓣第二听诊区的心肺音,通过蓝牙将信号传输至手机端,App显示波形,并将数据存储于云端.采用非负矩阵分解,结合经验模态分析算法将心肺音进行分离,根据肺音计算呼吸率及呼吸强度.以阻抗法测定的呼吸率为对照,评价通过肺音计算呼吸率的准确性.结果:通过肺音计算呼吸率与阻抗法测定的呼吸率有显著相关性(P＜0.05),两种方法测量结果有良好的一致性.结论:该方法在监测心音的同时能准确监测呼吸功能,为临床便携式呼吸监测提供了一种新方法,在床旁或远程生命体征监测中具有良好的转化前景.

目的:为提高生命探测雷达对人体心跳、呼吸等生命信号提取、分离的准确性和实时性,提出一种基于优化变分模态分解(variational mode decomposition,VMD)的人体生命信号分离与重构方法.方法:首先,采用粒子群优化算法对VMD的参数进行优化,并将人体生命信号分解为一系列的本征模态函数(intrinsic mode function,IMF);其次,计算每个IMF的排列熵,根据排列熵阈值去除噪声,将剩余分量重构形成人体生命信号;最后,为验证提出的方法的性能,与无限脉冲响应(infinite impulse response,IIR)滤波、VMD和完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decomposition with adaptive nosie,CEEMDAN)3种方法进行比较.结果:在不同噪声水平下,提出的方法在信噪比和均方根误差2项评价指标上均优于IIR滤波方法、VMD方法和CEEMDAN方法,在计算耗时上优于CEEMDAN方法.结论:提出的方法在有效滤除噪声的同时实现了对心跳、呼吸等生命信号的快速分离与重构,在烧烫伤患者、传染病患者、新生儿等特殊人群的非接触生命体征检测及灾后掩埋伤员搜救等领域具有很好的应用前景.

目的 提出一种基于三波长的脑组织氧监测数学模型.方法 结合完全集合经验模态分解与自适应噪声(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和排列熵(Permutation Entropy,PE),对脑氧信号进行处理,同时用信噪比矫正PE值区间的选择,以自适应滤波提高脑血氧降噪.结果 本文采集了3例志愿者数据并将其和现有市场设备进行对比,结果表明,与经验模态分解算法、集合经验模态分解算法相比,本文提出的CEEMDAN算法与对比设备的均方根误差均小于1.7,3组数据的皮尔逊相关系数分别为0.885、0.899、0.883,整体相关性较高(P<0.01);在降氧实验中,该算法可有效监测脑氧值变化趋势,具有较好的实用价值.结论 该算法可有效去除基线漂移、低频噪声以及高频噪声,解决模态混叠和残余噪声问题,并提高滤波的准确性,进一步提高重构信号的信噪比,提升系统的有效性和稳定性.

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.

为了快速准确定位脑电图在较多种类干扰下的故障特征,本文提出一种基于Hilbert-Huang时频谱特征提取的脑电图机干扰故障检测方法.运用信号采集技术进行脑电图机的诊断数据采集并进行信号拟合,采用二阶自适应IIR陷波器进行脑电图机采集信号的干扰滤波提纯处理,对提纯输出的信号进行时频分析,通过经验模态分解将复杂的脑电图机故障分析信号分解成若干个固有模态函数,对每个固有模态分量作Hilbert-Huang变换,实现Hilbert-Huang时频谱特征提取,以提取的特征量作为训练样本,实现脑电图机中的干扰故障检测.仿真结果表明,采用该方法进行脑电图机中的干扰故障检测的准确性较好,抗干扰能力较强,具有较好的故障诊断能力.

糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型.首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量1MF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警.利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.1164％);低血糖预警虚警率和漏警率分别为0.97％和7.55％.血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果.

不同影响因子对土壤有机质含量的影响存在尺度依赖性.以太原盆地土壤有机质为研究对象,于盆地上、中、下部分别设置采样带,应用多元经验模态分解(multivariate empirical mode decomposition,MEMD),分析了盆地内不同部位土壤有机质与影响因子(高程、坡度、地形湿度指数、土壤容重、砂粒、壤粒、黏粒和光谱主份等)在表征尺度的相关性,并预测了采样尺度上土壤有机质含量,旨在研究黄土高原盆地区内土壤有机质与相关因子的空间多尺度关系.研究结果表明:(1)利用MEMD法可将盆地内不同部位处的土壤有机质空间序列分解为不同表征尺度,盆地上、中和下部的表征尺度分别为6、8和7个.研究区域内,尺度约1000m处是土壤有机质的主要表征尺度,且盆地内垂直河流方向的有机质序列主要表征尺度沿河流方向表现分散.(2)土壤有机质和影响因子的空间多尺度关系表明,高程与土壤有机质的关系主要表现在大尺度,而坡度、地形湿度指数与盆地中、下部土壤有机质的关系较明显.土壤容重与有机质在不同位置的不同表征尺度存在显著差异.土壤质地中,壤粒含量与有机质的多尺度关系最为明显.光谱主份1在全部样带中所有表征尺度上均与有机质显著相关.(3)采用MEMD法对有机质的预测精度高于基于原始数据的逐步多元回归结果.综上,研究结果可为黄土高原盆地区内土壤数字制图、土壤田块的合理设计与有机质的精确预测提供理论依据.

提出一种基于Hilbert-Huang变换的脉率变异性信号(PRV)提取方法.首先对脉搏信号进行经验模态分解,得到脉搏信号的内禀模态函数及其边际谱;然后,根据边际谱的频率范围选取能反映脉率变化的内禀模态函数分量;最后,从分量中提取PRV信号.将所提出的方法应用于实际采集的脉搏信号,结果表明所提出的方法能从脉搏信号中准确地提取PRV信号,并且抗噪性很强.

气候变化已明显影响到陆地植被的活动,但在不同生态系统间存在差异,研究不同陆地生态系统归一化植被指数(NDVI)的时空变化特征,不仅可揭示各生态系统植被活动对气候变化的响应规律,而且可为我国不同生态区制定应对气候变化的策略和生态文明建设提供科学依据.基于1982-2012年GIMMS NDVI3g和中国陆地生态系统类型数据,利用一元线性回归、集合经验模态分解和相关分析等方法,研究了近30年中国各陆地生态系统NDVI的时空变化特征,分析了其与气候事件的关系.结果表明,近30年中国植被活动显著上升,年平均归一化植被指数(ANDVI)的上升幅度为0.0029/10a(P＜0.05),年最大归一化植被指数(MNDVI)的上升幅度为0.0076/10a(P＜0.01);植被活动显著增强的区域主要是分布在东部季风区的农田和森林生态系统,显著下降的区域主要是分布于西北的荒漠生态系统和东北的森林生态系统;尽管ANDVI和MNDVI线性趋势的显著性有所差异,但农田、森林、草地和水体与湿地生态系统的NDVI总体呈非稳定的上升趋势,上升过程中伴随着较大波动,荒漠生态系统的NDVI呈下降趋势,植被退化显著;与线性趋势不同,各生态系统植被活动的残差趋势包含“上升—下降”两个阶段,并相继于20世纪90年代到21世纪初发生转折;上述5类生态系统的植被活动存在不同尺度的周期特征,年际周期波动特征(1.9—7.6a)比较显著,而年代际周期(10.7a和22.2a)的显著性相对较差;各生态系统的空间异质性在趋强过程中存在2.1-7.1a的年际周期节律;海洋与大气环流的短周期脉动与各生态系统植被活动的周期性节律有着明显关联,ENSO事件和太阳活动是推动植被活动周期性振荡的重要因素.

睡眠状况是评价人体健康状态的重要指标.本文提出一种基于枕下式的无扰睡眠监测系统,通过无扰获取的心率信号测算心率变异性(HRV),并结合隐马尔可夫模型(HMM),在对用户无扰无接触的环境下求解睡眠分期.针对现有HMM睡眠分期存在的问题,提出采用集合经验模态分解(EEMD)消除HRV个体差异导致的分期误差,再求解相应的睡眠分期.试验选取广州医学院呼吸疾病研究所10例不同年龄及性别的无睡眠障碍的院内正常受试者,并与多导睡眠图(PSG)睡眠分期结果相比较.研究结果证明本文所提无扰式睡眠监测方案可实现S1～S4睡眠分期,正确率超过60％,且性能优于现有HMM睡眠分期方案.