心电计算机辅助诊断中的波形检测和识别方法研究

将医生读图经验引入波形识别,抛弃了仅就波形形态进行识别的做法,提出了采用Ⅱ、Ⅴ_5导双基准导联进行波形检测和多基线体系实现参数测量等新方法。用本方法编写的自动诊断程序可诊断40多种心脏病。经304例验证及313例临床应用,与医生读图的符合率超过90%,说明该方法对提高自动诊断的正确率有显著效果。

几种疑难心电波形的自动识别方法探讨

本文提出几种疑难心电波形的识别方法,该方法的特点在于将医生读图的经验引入识别过程,设定可能性识别判据,从而显著提高了自动诊断系统对于预激综合症、完全性左、右束支传导阻滞和心肌梗塞等病种的诊断准确性。

高档PC机的DMA传输技术及其在数据采集中的应用

DMA传输是实现高速数据采集的重要手段，在高档PC机上用DMA方法采集数据时，将面临若干在保护模式下控制DMA传输的新问题，如DMA缓冲区物理地址的计算，DMA缓冲区地址的不连续，虚存导致的传输失败和高速缓存引起数据的丢失等．本文讨论解决它们的方法，并介绍在DOS环境下保护模式DMA数据采集程序的编写技巧．

基于进化信息和支持向量机的酶蛋白亚家族预测

提出一种使用PSI-BLAST得到的位置特异性打分矩阵中蕴含的进化信息作为酶蛋白的特征表示,结合支持向量机方法对酶蛋白的亚家族类别进行预测的方法.对包含16类亚家族的2 640条氧化还原酶数据集进行jacknife测试,总的预测精度达到92.12%,高于目前的任何其他预测方法.实验结果表明,进化信息是酶蛋白序列的有效表示,将其与支持向量机结合能够实现对酶蛋白亚家族的高精度预测.

功能电刺激系统通信接口设计

介绍一个用于实验室功能电刺激系统的通信接口．它采用双端口ＲＡＭ来实现高档ＰＣ机和基于Ｖ４０微处理器的便携式刺激仪之间的通信，采集实验数据，传送控制命令、刺激模式表和程序等，有数据传送速率高、便于编程和用户界面友好等特点。

心电监护仪的性能测试

一、引言 为确保心脏监护类仪器的安全性和可靠性,美国食品和药物管理局(FDA)于1978年委托犹他大学研究所拟了一个标准草案,由美国国家标准研究所(ANSI)和医疗仪器促进协会(AAMI)正式形成ANSI/AAMIEC13标准,每年颁布,有时会作些小的修正。它和其它一批标准一起作为美国医疗仪器厂家保证医疗仪器质量和FDA发放许可证的主要依据,也被大多数国家用作质量监督的重要参考。

采用独立分量分析方法消除信号中的工频干扰

工频干扰的消除是微弱信号采集中的一项重要技术 .传统方法是采用陷波滤波器或自适应滤波 .论文则提出了用独立分量分析 (ICA)进行生物医学信号中工频干扰消除的新方法 .在简要介绍了独立分量分析的基本理论及算法的基础上 .根据三种不同的实际情况 ,详细讨论了利用独立分量分析进行工频干扰消除的方法与步骤 ,并给出了实验结果 .

睡眠脑电的关联维数和近似熵分析

睡眠的正确分期是睡眠研究的基础,脑电的非线性参数可以表征不同的睡眠状态。本研究计算睡眠脑电的关联维数和近似熵,通过统计和比较发现关联维数不随嵌入维数的增加而饱和,但其相对大小能有效区分各种睡眠状态;近似熵计算简单,性能稳定,可较好地表征不同睡眠期;相对关联维数和近似熵从不同角度表现了脑电(大脑)复杂性的相同演变规律清醒时复杂性最高,而且波动最大,随着睡眠加深,复杂性降低且变异减小,REM期复杂性基本介于S1期和S2期之间。

基于独立分量分析的混合声音信号分离

论文简要介绍了有关独立分量分析 (ICA)的基本理论和算法 ;探讨了独立分量分析在混合声音信号分离中的应用 .针对ICA输出结果排序的不定性以及在长时间记录声音信号的过程中 ,ICA混合模型系数存在时变性等问题 ,提出了一种结合小波变换和独立分量分析的解决方法 ;试验结果表明 ,该方法能有效地提高运算效率并获得较好的分离效果 .

基于独立分量分析的脑电消噪与特征提取

先简要介绍了独立分量分析的基本思想及算法,再将其应用于脑电信号的消噪和思维脑电的特征提取两个方面。实验结果表明:ICA可以将脑电信号中包含的心电(ECG)、眼电(EOG)等多种干扰信号成功地分离出来。另外,通过使用ICA方法对进行不同心理作业的脑电信号进行分析处理后,发现了与心理作业相对应的脑电独立分量特征,这些稳定的独立分量特征将可以为心理作业的分类和脑-机接口技术(BCI)提供新的实现方法.

基于独立分量分析的谐波估计和消除

从盲源分离的角度对谐波估计和消除方法进行了探讨 ,提出了基于独立分量分析的谐波消除新方法。新方法的特点是在消除谐波干扰的同时 ,有效地保护有用信号成分不被破坏。文中通过实测数据对新方法进行了验证 ,并与传统陷波谐波消除方法进行了比较 ,取得了较理想的效果。

用于驾驶疲劳检测的人眼定位及状态判别算法

基于驾驶疲劳研究中的视频图像,提出一种新的适用于驾驶疲劳检测的人眼定位及状态判别算法。定位算法利用Gabor小波变换对图像进行预处理,提取基于图像的地形图特征,并利用支持向量机的方法对候选特征区域进行验证,然后在定位区域对人眼状态进行判断。经实验验证,该方法可以定位睁眼及闭眼图像,并可以定性和定量判断人眼状态。采用该方法获得的人眼状态信息将为后续的驾驶疲劳分析提供重要的数据。

基于小波变换的自适应滤波器消除ECG中基线漂移

设计了一种新的基于小波变换的自适应滤波器 ,其参考信号选择原始信号经小波分解后的高频部分 .该滤波器可有效消除心电信号中基线漂移 .经MIT/BIH心电数据库检验 ,取得满意的结果 .

基于独立分量分析的图象分离技术及应用

简要介绍了有关独立分量分析的基本理论和算法 ;探讨了独立分量分析在序列图象处理方面的应用 ;提出了基于独立分量分析的运动目标检测新方法 .同时用独立分量分析方法对含有运动目标的序列图象进行了独立分量分离的试验 ,试验中 ,首先获取序列图象的独立分量和模型混合矩阵 ,然后将含有背景干扰的独立分量置零 ,并用混合矩阵进行逆运算 ,从而获得了非常清晰的运动目标轨迹 .试验结果表明 ,这种独立分量分析方法具有良好的盲源分离性能 ,而且在运动目标检测等方面 。

长时间单调模拟驾驶对疲劳的影响研究

通过模拟驾驶实验,综合评估长时间驾驶以及单调环境对驾驶员疲劳程度的影响是笔者研究的主要课题内容。借助于在模拟驾驶座舱上,4个健康样本分别参加高速公路(单调环境)和一般公路(非单调环境)的两组驾驶仿真实验,每组测试均持续两小时,一共进行10次实验。实验过程中,样本的操控数据(车速和方向盘转角)、反应时间、心电信号、主观疲劳状况等都同步记录并保存。实验结果表明长时间驾驶对操控能力、反应时间、心率、主观疲劳都有显著性影响(p<0.050),单调环境(高速公路)和非单调环境(一般公路)相比,车速方差区别显著,而尽管被试在高速公路的单调环境下驾驶后主观感觉更疲劳一些,但反应时间、心率等因素并没有显著性差异。

基于线性调频信号的高帧率超声成像系统

基于有限衍射波束的高帧率超声成像系统能实现快速成像,但由于仅通过一次发射事件成像,信噪比较低,本研究针对该问题提出一种改进方案。它采用合成孔径雷达中所使用的线性调频信号作为激励信号,在接收端则利用线性调频信号的脉冲压缩比等于信号的时间带宽积的特征,将接收信号通过匹配滤波器处理。结果表明该方案不仅能显著提高成像系统的信噪比,改善重构图像的质量,增加成像深度,而且不损失分辨率。

基于时频分布的表面肌电信号瞬时中值频率的研究

目的采用时频分析法分析表面肌电信号瞬时中值频率。方法采用平滑伪 -魏格纳分布、乔伊 -威廉姆斯分布、谱图和尺度图等方法 ,估计模拟和真实表面肌电信号的瞬时中值频率 ,讨论这些分布在估计肌电信号瞬时中值频率时的性能 ,并与条件平均频率进行比较。结果模拟实验表明瞬时中值频率曲线比条件平均频率曲线光滑 ,相对误差较小。真实肌电信号实验显示 ,在肌肉收缩过程中 ,瞬时中值频率比条件平均频率的波动更明显。结论肌电信号瞬时中值频率比条件平均频率更能真实和敏感地反映表面肌电信号频率成分的变化。

结合小波变换和独立分量分析的脑电特征提取

在多道脑电信号的独立分量分析 ICA (Independent Com ponent Analysis)过程中 ,脑电独立源在数量上的不确定性往往是造成分离结果不理想的主要原因。目前还没有找到解决此问题的有效方法。根据脑电信号自身的特点 ,提出了一种结合小波变换 WT(Wavelet Transform)和独立分量分析的脑电特征提取新方法— WICA。新方法的主要思路是先对每一道脑电数据进行小波分解 ,然后根据需要选择不同尺度的小波子带信号进行脑电独立分量提取。实验结果表明 ,WICA方法在一定程度上能够克服因脑电独立源的不确定性所带来的影响 ,并能获得较好的脑电特征提取效果。

基于小波变换的脑电瞬态信号检测

在脑电 (EEG)信号分析与处理过程中 ,瞬态信号的检测和定位具有非常重要的实际意义。传统的瞬态脉冲检测方法是匹配滤波 ,但匹配滤波需要有关瞬态信号的先验知识 ,因而在实际应用中受到一定的限制。本文用小波变换对含有瞬态干扰的脑电信号进行多尺度分解 ,在某些尺度下 ,瞬态信号特征得以明显增强 ,用简单的阈值比较就可以有效地检测并消除瞬态干扰。实验结果表明 ,在缺乏先验知识的条件下 ,小波变换能有效检测出脑电信号中短时、低能量的瞬态脉冲。

睡眠生理参数的去趋势波动分析

去趋势波动分析(DFA)适宜于研究各类非稳态时间序列的长程幂函数相关性。我们采用DFA方法分析脑电、心电RR间期序列和搏出量等睡眠生理参数,计算定标指数α,研究各睡眠阶段的特点。实验结果显示,各睡眠阶段的α值具有明显的差异,脑电和搏出量信号的规律相似,α随睡眠加深而增大,而RR间期序列的规律则相反,α随睡眠加深而减小。表明DFA在生理参数分析中具有良好的应用价值。