应用平均幅度差函数之和分析心电信号对除颤最佳时机的预测价值

目的应用平均幅度差函数之和(the sum of average magnitude difference function,SAMDF)处理室颤的心电信号,通过与常用预测除颤时间方法振幅谱面积(amplitude spectrum area,AMSA)进行对比找到预测除颤时间更优的方法。方法应用56头重(40±5)kg雄性家猪,诱导室颤后进行10 min未处理的室颤、6 min的心肺复苏和除颤。在室颤和心肺复苏过程当中会记录每1 min SAMDF和AMSA的数据并记录下来。进而计算受试者工作特征(receiver operating characteristic,ROC)曲线,应用单向方差分析(one-way analyses of variance,one-way ANOVA)以及正负样本散点图的比较,以此说明两者均能优化最佳除颤时间。比较除颤成功组(Group R)和除颤失败组(Group N)的SAMDF和AMSA的数值以说明两者预测除颤成功的能力。结果散点图显示SAMDF和AMSA均能够区分阳性和负样本(P<0.001)。ROC曲线显示SAMDF(AUC=0.801,P<0.001)和AMSA(AUC=0.777,P<0.001)一样有着相同的能力预测最佳除颤时间。两组SAMDF和AMSA数值比较,Group R的SAMDF和AMSA数值明显高于Group N(P<0.001)。结论SAMDF在优化预测除颤时机方面具有很高的潜力,并且可以作为AMSA等现有有效预测除颤时机特征的补充。

一种基于短时平均幅度差的语音检测算法

提出了一种利用语音信号的短时平均幅度差特征并结合短时平均幅度的语音检测算法。该算法在专用通信系统中,用以对接收到的电台信号进行分析,判断其中是否有语音信号,从而控制半双工电台的发射开关,使其处于接收或发射状态。实验表明,该算法能在较低的信噪比情况下准确地检测出语音信号,而且计算方法简单,硬件处理容易,可靠性高,能够满足实时系统的需要。

基于平均幅度的LDPC码加权比特翻转译码算法

针对LDPC码的加权比特翻转（WBF）和改进型加权比特翻转（MWBF）算法，该文提出一种改进型算法。该方法以信息节点的平均幅度作为校验方程的可靠度信息，可以提高比特翻转效率。仿真结果表明，在AWGN信道下，误比特率为510-时，相比于WBF和MWBF算法，该文提出的算法可分别获得约1.65 dB和1.36 dB的增益。同时，平均迭代次数分别降低18.20%~39.91%和17.54%~34.78%。

基于短时平均幅度和HMM的语音识别系统研究

为克服现行语音识别精度不高的缺点,充分利用资源,改进语音识别效率,研究了基于音频波段特征分析的声音检测与分辨方法。方法以不同人对同一字的发音样本中的音频段信号为主要检测组分,研究不同样本的语音特征区别,使用MNP21声音传感器采集音频信号并进行分析。针对不同人的发音样本体系,提出了使用音频波段检测的思路。基于短时平均幅度优化获得音频信号,进而用隐马尔可夫模型进行识别,设计了语音识别系统。实验结果表明:每人采集10组样本训练,针对五人的不同样本进行多次语音区分,准确率达到100%。

一种改进的短时平均幅度差函数算法

在语音信号分析中,对于基音周期的提取目前已有较多的分析和处理方法,在现有的短时平均幅度差函数(AMDF)的处理方法中,只需要加、减和取绝对值运算,运算量较之短时自相关函数大大下降。同时,AMDF函数的谷点提取基音周期比自相关函数的峰值更加尖锐,错判率相对较少,稳健性更高。然而,传统的AMDF算法对窗长的要求较为严格,窗长较短就会有较大的误差。本文针对该缺陷做出的改进算法,使之无论窗长多大均会有较为准确的结果,大大拓展了AMDF算法的适用空间。进一步,将其与同态处理结合,会有更好的效果。

基于短时平均幅度的语音端点检测的改进

介绍了计算机语音处理中端点检测的方法,分析了短时平均幅度的语音端点检测的不足之处,并提出改进方法,最后给出实验结果。

一种参考短时平均能量和平均幅度差函数的基音检测方法

基音检测是语音处理中的一个非常重要的问题,但基音周期的准确估计非常困难,本文提出一种能参考短时平均能量和短时平均幅度差函数的归一化互相关函数的基音检测算法,经实验检验,在安静的现场环境及说话人情感平静时,对给出的测试语句做基音检测,没有出现错误。

基于短时平均幅度和短时平均过零率的藏语语音端点检测研究

本文通过短时平均幅度和短时平均过零率相结合的方法,实现了藏语语音的端点检测,在此基础上可实现有声段和无声段的区分和音节的切分、清浊音的切分,为语音识别奠定了重要的基础,所做结果用Visual C++6.0实现。

基于短时平均幅度差函数的带噪语音端点检测算法

传统的基于自相关函数的端点检测算法有两个方面的问题,一是计算量大,二是要进行语音信号基音周期的提取.提出了一种改进的方法,用短时平均幅度差函数代替自相关函数,节约了计算量;利用浊音与噪声平均幅度差函数的区别省去了基音周期的计算,同时也避免了误差带来的问题.传统算法与改进算法的仿真比较表明,改进算法的检测曲线噪声容限大,所以在低信噪比下也表现出了较强的稳定性.

基于短时平均幅度比的自适应降噪系统的研究

提出基于短时平均幅度比的自适应降噪系统的构想,阐述了系统的工作原理和关键技术,并通过实验对该构想的正确性进行验证。

基于自适应子带谱熵和短时平均幅度的心音端点检测

论文提出一种对心动周期内的有效音进行端点检测和定位的方法。首先对心音信号进行归一化和预加重,实现对心音信号质量的提升。然后利用窗函数对心音信号进行分帧并利用自适应子带谱熵和短时平均幅度对心音信号进行成分检测。仿真结果证明,该方法可以对不同类型心音中的有效音和无效音进行区分,并实现心音及心杂音的分别标记。

一种改进的基于短时平均幅度的语音端点检测算法研究

在噪声环境下,利用短时平均幅度为特征进行语音端点检测.文章在传统端点检测算法的基础上,研究了汉语音节的特点,提出采用短时平均幅度代替短时能量,并为平均幅度引入判决门限.门限值是根据语音信号背景噪声自动计算得到,从而保证了算法在噪声环境下检测的准确性.实验结果表明,与传统的基于短时能量的端点检测算法相比,改进的算法在高信噪比和低信噪比环境下都具有良好的性能.

基于循环自相关/平均幅度差函数的弹道目标微动周期估计

雷达微多普勒(m-D)是弹道目标的突出特征,为弹头识别提供了重要手段。然而,当弹道目标的微动伴随平动时,时频分布不再表现为正弦调制曲线,此时基于时频分布正弦假设的微多普勒特征提取方法可能失效。针对这一问题,提出了一种循环自相关函数(CACF)和循环平均幅度差函数(CAMDF)相结合的估计算法,来获取时频分布的循环系数矩阵和该矩阵的平均循环系数,从而估计出弹道目标的微动周期。该算法以时频分布的循环周期性代替正弦调制的周期性,不需要假设目标平动已被准确补偿,有效克服了传统微动周期估计方法的不足。理论推导论证了该算法的可行性,仿真实验验证了该算法的有效性和抗噪性。

一种改进的基于ATeager能量和循环平均幅度差的基音检测

基音检测是语音处理中的一个非常重要的问题,但基音周期的准确估计非常困难,现有的方法在实时应用中,计算量都较大,本文对文献[2]提出的基音检测算法对之进行了改进,利用本文提出的ATeager(反Teager)能量,用于清浊音判决,提出了一个新的基于循环平均幅度差和ATeager能量的基音周期检测方法,实验验证了算法的可行性和有效性。因其计算量小,抗噪性也很好,应用性较强。

葡萄糖目标范围内时间和平均血糖波动幅度与颈动脉内膜中层厚度的相关性研究

探讨2型糖尿病(T2DM)患者葡萄糖目标范围内时间(TIR)和平均血糖波动幅度(MAGE)与颈动脉内膜中层厚度(CIMT)之间的相关性。方法 纳入T2DM患者315例进行横断面研究,依据CIMT检测结果将入试者分为CIMT增厚组和CIMT非增厚组。比较两组患者临床资料数据,并通过Logistic回归分析、受试者工作特征曲线(ROC曲线)进行数据分析。结果 两组患者的年龄、糖尿病病程、高血压、SBP、UACR、HbA1c、CV、MAGE、SD、MG、LAGE、F-CP、TIR比较,差异有统计学意义(P<0.05或<0.01);Logistic回归分析:年龄、MAGE是CIMT增厚的危险因素,TIR是CIMT增厚的保护因素(P<0.05或<0.01)。ROC曲线分析:MAGE、TIR和联合预测值PRE_1对CIMT增厚预测的曲线下面积(AUC)分别为0.717、0.750和0.771,最佳临界值分别为4.87mmol/L、74.27%和0.42;灵敏度分别为46.6%、69.3%和56.8%;特异度分别为93.0%、73.6%和89.0%。结论 TIR和MAGE与T2DM患者CIMT增厚显著相关,且具有较好的预测价值。

2型糖尿病患者CA125、CA19-9、CEA水平的动态检测及其与平均血糖波动幅度的相关性

目的:探讨2型糖尿病(type 2 diabetes mellitus,T2DM)患者血糖控制前后血清肿瘤标志物CA125、CA19-9、CEA的动态变化,并分析其与平均血糖波动幅度(mean amplitude of glycemic excuisions,MAGE)的相关性。方法:入组2018年6月至2020年3月我院内分泌代谢病科初诊的T2DM患者106例,T2DM患者给予胰岛素治疗或口服降糖药物治疗或二者联合治疗,观察血糖控制前和控制后2周、1个月、3个月时CA125、CA19-9、CEA的动态变化,并分析血清肿瘤标志物与MAGE的相关性。结果:106例初诊T2DM患者中,男63例(59.43%),女43例(40.57%),男女比例为1.47∶1;患者年龄41~68岁,平均(50.81±11.19)岁。T2DM患者在入院时血糖控制前、血糖控制后2周、血糖控制后1个月、血糖控制后3个月的肿瘤标志物CA125、CA19-9和CEA水平逐渐降低,经重复测量方差分析均有统计学差异(均P<0.001)。血糖控制后2周、1个月、3个月时对T2DM患者行动态血糖监测评估MAGE,经Pearson相关性分析,MAGE水平与肿瘤标志物CA125、CA19-9和CEA水平均呈正相关关系(均P<0.001)。结论:部分T2DM患者的血清肿瘤标志物水平会出现升高,经降糖治疗控制血糖后2周,肿瘤标志物水平明显下降,如血糖控制后2周仍无明显下降甚至继续升高者需警惕合并恶性肿瘤风险。MAGE水平与肿瘤标志物CA125、CA19-9和CEA水平均呈正相关关系,MAGE异常对T2DM患者血清肿瘤标志物水平存在影响。

初诊2型糖尿病平均血糖波动幅度影响因素分析

探讨初诊2型糖尿病患者平均血糖波动幅度(mean amplitude of glycemic excuisions,MAGE)影响因素。方法:横断面研究100例未经治疗的初诊2型糖尿病患者临床资料。行连续72h 动态血糖监测(continuous glucose monitoring system,CGMS),计算MAGE;收集患者一般资料,外周血检测血脂、糖化血红蛋白(hemoglobin A1c,HbA1c)、空腹血糖(fasting blood glucose,FBG);行馒头餐糖耐量试验(OGTT)加胰岛素释放试验,采用稳态模式评估法的胰岛素抵抗指数(homeostasis model assessment,HOMA-IR)、胰岛β细胞功能指数(homeostasis model assessment,HOMA-β)及糖负荷后120min净增胰岛素/120min净增葡萄糖(△I 120 /△G 120 )评价胰岛功能。多元线性逐步回归分析MAGE影响因素。结果:HOMA-β、△I 120 /△G 120 与MAGE呈负相关( P <0.01)。HbA1c 、FBG是MAGE独立影响因素( P <0.01),其中FBG与MAGE相关系数最大;FBG<8.0mmol/L组,腰围与MAGE负相关( P <0.01),体重指数(body mass index,BMI)、HbA1c与MAGE呈正相关( P <0.01),其中HbA1c与MAGE相关系数最大;8.0mmol/L≤FBG≤11.0mmol/L组,总甘油三酯(total triglyceride,TG)与MAGE呈负相关( P <0.01),年龄与MAGE呈正相关( P <0.01),其中TG与MAGE相关系数最大;FBG>11.0mmol/L组,FBG、低密度脂蛋白-胆固醇(low density lipoprotein cholesterol,LDL-C)与MAGE呈正相关( P <0.01),其中FBG与MAGE相关系数最大。(3)TG、HbA1c与FBG呈正相关( P < 0.01),其中TG与FBG相关系数最大;LDL-C、FBG与HbA1c呈正相关( P <0.01),其中FBG与HbA1c相关系数最大。结论:MAGE 随HOMA-β、△I 120 /△G 120 下降而增大;HbA1c 、FBG是MAGE独立影响因素,其中FBG对MAGE影响最大,并且仅在FBG<8.0mmol/L时,MAGE随HbA1c增高而增大。

基于非线性整数规划的平均血糖波动幅度自动计算算法研究

平均血糖波动幅度(MAGE)是评估血糖波动的"金标准",但目前基于动态血糖监测数据的MAGE参数主要依靠人工计算,耗时、准确性低;为此国内外推出了几种MAGE自动计算方法;由于这些方法缺乏数学理论的支撑,使得计算结果的准确性受到临床的质疑,从而影响它们的广泛应用。因此,研究以MAGE定义为基础,提出了一种非线性整数规划数学模型;并应用差分进化算法求解的自动计算算法。该算法与人工方法的计算结果对比,验证显著相关,且具有较好的一致性;并与现有的一些MAGE自动计算方法的计算结果进行了统计比较分析,结果证明研究的算法可以取代人工计算方法进行MAGE自动计算。

平均血糖波动幅度计算机辅助计算算法及实现

以传统人工计算方法为基础,结合利用改进微分法,寻找动态血糖数据极值点,并完善血糖有效波动的判断条件,提出一种能利用计算机辅助计算平均血糖波动幅度(MAGE)的算法,利用Visual C#2008实现该算法的软件应用,并利用传统人工计算方法(MAGEo)与计算机辅助计算方法(MAGEc),对76例临床动态血糖监测数据(正常成人27例,2型糖尿病成人患者25例,正常孕妇24例)进行比较计算,对结果进行相关分析及两种方法的一致性评估。比较结果显示:1)MAGEc方法与MAGEo方法的计算结果对于不同受监测者分组均显著相关(正常成人组r=0.994,P<0.01;2型糖尿病成人患者组r=0.997,P<0.01;正常孕妇组r=0.998,P<0.01;所有受监测者r=0.997,P<0.01)。2)Bland-Altman法分析可知,落在一致性界限外的点分别为:正常成人组3个,占11.1%(3/27);2型糖尿病成人患者组1个,占4%(1/25);正常孕妇组1个,占4.2%(1/24);所有受监测者6个,占7.9%(6/76)。两种方法之间具有较好的一致性。利用MAGE计算机辅助计算算法,能解决临床科研工作中通过人工计算MAGE带来的计算时间冗长、计算结果准确性低的问题,大大提高临床科研工作的效率。

新诊断2型糖尿病患者日内平均血糖波动幅度影响因素分析

目的 :探讨新诊断2型糖尿病患者日内平均血糖波动幅度(24 h mean amplitude of glycemic excursions,MAGE)影响因素。方法:110例未经治疗的新诊断2型糖尿病患者行连续3 d动态血糖监测(continuous glucose monitoring system,CGMS),计算MAGE;收集患者基线资料,并检测糖化血红蛋白(hemoglobin A1c,Hb A1c)、空腹血糖(fasting blood glucose,FBG)及口服糖耐量试验(OGTT)餐后2 h血糖(postprandial 2 h blood glucose,PBG)、胰岛素、C肽、血脂、肾功能、肝功能。结果:Hb A1c是新诊断2型糖尿病MAGE的独立影响因素(P<0.05),Hb A1c<9.9%患者的MAGE显著低于Hb A1c≥9.9%患者(5.97 mmol/L vs.7.43 mmol/L,P<0.05)。其中当Hb A1c<8.5%时,Hb A1c主要受PBG影响,但当Hb A1c≥9.2%时,则FBG是新诊断2型糖尿病患者Hb A1c的独立影响因素(P<0.001)。FBG<10.84 mmol/L患者的Hb A1c显著低于FBG≥10.84 mmol/L患者(9.10%vs.10.87%,P<0.001)。结论:Hb A1c是新诊断2型糖尿病患者MAGE的独立影响因素,其中FBG与Hb A1c密切相关。