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.

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.

目的:解决运动信号因非平稳性而难以提取特征的难题.方法:以人体小腿角加速度信号为例,用希尔伯特-黄变换对其进行时频分析,即先对信号进行经验模态分解得到多个特征模态函数,再对全部或多个特征模态函数进行希尔伯特变换得到该信号的希尔伯特谱.结果:在跺脚、行走、摔倒的行为模式下,当试验脚着地时,能量分别集中在频率4、3、2 Hz处,时频分辨力较高,且这些行为的信息主要集中于高频分量的特征模态函数中.结论:该方法可成功提取人体小腿角加速度信号的时频特征,也适用于对其他下肢运动学参数信号的提取,以得到整个下肢的运动特征.

目的 探讨基于EMD分解的极端学习模型在衡水市乙肝发病率预测中的应用,并与原极端学习机模型进行比较.方法 收集2005年1月-2017年7月衡水市乙肝统计数据,并计算月发病率,组成含有151个数据的时间序列,首先,随机选择75％的数据训练模型,25％的数据作为一步预测的验证数据,其次使用前148个数据用于训练模型,后3个数据作为三步预测的验证数据,并对2种模型的预测结果进行对比分析.结果 基于EMD分解的极端学习机模型的训练MRE为0.08,一步预测的MRE为0.11,三步预测的RE分别为6.65％、8.85％、20.73％,原极端学习机模型的训练MRE为0.11,一步预测的MRE为0.16,三步预测的RE分别为22.35％、43.69％、26.08％.结论 将乙肝发病率数据进行经验模态分解,使用极端学习机模型分别对各成分进行训练,与原极端学习机模型相比,可以降低极端学习的复杂度,提高预测的精度,具有较高的实用价值.

孤独症的早期发现与及时干预至关重要.本文结合小波变换和经验模态分解(EMD)提取脑电信号(EEG)特征,比较分析孤独症儿童和正常儿童脑电信号的特征差异.试验共采集了25例(20 例男孩,5 例女孩)5～10 岁孤独症儿童和 25 例 5～10 岁正常儿童的脑电信号,基于小波变换提取 C3、C4、F3、F4、F7、F8、FP1、FP2、O1、O2、P3、P4、T3、T4、T5 和 T6 的 alpha、beta、theta 和 delta 频段的节律波,再进行 EMD 分解得到固有模态函数(IMF)特征,以支持向量机(SVM)实现孤独症和正常儿童脑电的分类评估.试验结果表明,小波变换和EMD 结合的方法可以有效地识别孤独症儿童和正常儿童的脑电信号特征,分类正确率达到 87％,相比文中小波结合样本熵方法提取脑电特征分类评估的准确率高出将近 20％.所提取的四种节律波中,delta 节律(1～4 Hz)波的分类正确率最高,特别是在前额 F7 通道、左前额 FP1 通道和颞区 T6 通道其分类准确率均超过 90％,能够较好地表达孤独症儿童脑电信号的特点.

目的 实现脑电信号的采取和处理,以及准确的解调基于编码刺激的稳态视觉诱发电位(steadystate visual evoked potential,SSVEP)信号.方法 采用数字通信中的频移键控(frequency shift keying,FSK)编码策略对SSVEP刺激频率进行编码;用4行4列的LED阵列组成刺激器,并准确提取脑电信号中的SSVEP信号;使用经验模态分解(empirical mode decomposition,EMD)对提取到的SSVEP信号做预处理提高采集信号的信噪比,并使用FSK传统解调算法——非相干解调来实现对编码频率的解调.结果 参与实验的10名志愿者,在FSK-SSVEP系统中的解调平均正确率高于90％.结论 基于EMD和非相干解调算法系统可实现高正确率的解调,并且使用FSK编码机制可解决传统SSVEP-BCI系统中刺激频率受到刺激器刷新率的限制,而缺乏可用的调制频率的问题.

心冲击信号 (BCG) 是反映心脏机械运动的生理信号, 能实现无电极束缚条件下的连续采集测量.但BCG信号微弱, 易受干扰, 测量时经常会淹没在噪声中.为了消除噪声, 有效识别BCG信号特征, 提出一种基于经验模态分解 (EMD) 联合独立分量分析的BCG信号降噪方法.首先, 将含噪BCG信号进行EMD分解, 获得一系列按频率从高到低的固有模态分量 (IMF), 采用模态相关准则进行信号层与噪声层的判定;其次, 将分界之上的IMF分量构建虚拟噪声通道, 基于ICA算法对原始BCG信号进行盲源分离, 从而得到降噪后的BCG信号.采集10名健康受试者的BCG信号进行降噪处理.量化评价结果表明, 与小波方法和EMD方法相比, 降噪后信噪比均显著提高 (小波方法11.01±1.58, EMD方法5.19±1.29, 所提出方法14.87±3.04, P<0.05), 能量百分比也均显著提高 (小波方法88.81％±2.81％, EMD方法96.15％±2.96％, 所提出方法96.64％±2.92％, P<0.05), 从而证明所提出方法降噪效果明显, 能够有效还原BCG信号特征.

针对目前提取呼吸波准确性不高的问题,本研究提出了一种从光电容积描记(photoplethysmogra-phy,PPG)信号中提取呼吸波的有效方法.在MIMIC Database中获取人体同时段的多路生理信号,包括PPG信号和呼吸波信号.首先,利用经验模态分解算法(empirical mode decomposition,EMD)对PPG信号进行分解,得到各层本征模函数(intrinsic mode function,IMF),选择合适的IMF分量重构出呼吸波信号;然后将重构的呼吸波信号与采用PPG信号同时段的原始呼吸波信号进行比较,结果显示,呼吸波信号速率的准确率均在90％以上,AR功率谱中的相关性系数均在85％以上,呼吸波信号相对相干系数也显示该方法的优越性.采用EMD算法可以有效地从PPG信号中提取呼吸波,这对于临床实践中的无创检测,医疗设备的改进具有重要意义.

时频分析方法在各个领域中广泛应用起来,特别是在工程领域中对结构和构件的变形以及内部损伤检测应用较多.HHT作为一种新兴的非线性,非平稳时频分析技术在探测和勘探领域中具有广阔的前景.文中重点对EMD,EEMD和CEEMD算法进行分析,通过对合成信号进行傅里叶变换和希尔伯特-黄变换,得到信号的频谱图,希尔伯特黄谱,边际谱等数据.通过对比分析,总结了三种方法的优缺点.结果表明,EMD,EEMD和CEEMD方法是进行非线性非平稳信号分析的有效工具.

该文阐述了如何研制出一种基于高增益MEMS MIC的数字化心音信号检测装置,其能够对人体心音进行准确的采集和存储.根据前人采用传统听诊器采集心音的方法,该系统对传统听诊器进行改进,设计出配备MEMS麦克风传感器的复合探头.MEMS麦克风传感器将声压信号转化为电压信号,并对采集到的信号进行放大、∑△转换、抽取和滤波等处理.通过蓝牙将心音信号上传到PC端,对其进行经验模态分解(EMD)重构信号,再借助独立成分分析(ICA)方法进行盲源分离,最后通过自相关分析计算心率.文末对该系统的性能进行了初步的对比分析,并验证了所采心音信号的准确性.