一种基于DCT与PCA的奇异值滤波的CT图像噪声抑制算法

医学CT图像成像过程中,由于成像机制的影响,不可避免的引入噪声。图像中的噪声会降低图像质量,影响临床诊断。本文提出了一种提高CT图像奇异值分解(SVD)滤波性能的新方法。基于SVD滤波可以有效地分析水平(垂直)方向的图像特性。根据CT图像特征,利用离散余弦变换(DCT)提取图像感兴趣区域,屏蔽不感兴趣区域从而实现图像的结构特征提取,再对DCT变换图像SVD,构造加权函数,自适应地加权重构图像。将本文算法应用于CT图像去噪,实验结果表明,该方法可以有效地提高SVD滤波的性能。

病理心电信号的Jensen-Shannon divergence分析

目的研究快速区分不同病理心电信号的算法是当前临床医学诊断的研究热点之一。方法本文采用基于Jensen-Shannon divergence的复杂度分析方法,从MIT-BIH标准数据库中提取正常窦性心率、房性早搏、窦性心动过缓信号,分别计算它们的复杂度。结果正常心率信号复杂度最高,窦性心动过缓信号次之,房性早搏最低。方差检验结果表明,此方法得出的3种信号的复杂度具有显著性差异。结论病理心电信号的Jensen-Shannon divergence分析对临床医学检测和诊断房性早搏、窦性心动过缓信号有很好的借鉴意义。

基于健壮性独立分量分析的胎儿心电分离

独立分量分析(ICA)旨在将观测的随机向量分解为相互独立的变量,其中快速定点算法(FastICA)及其变种以其快速简单的分离效果得到日益关注。健壮性独立分量分析(RobustICA)采用最优步长改进了FastICA的不足。最后在胎儿心电(FECG)分离方面和FastICA相比较,结果证明RobustICA优越的表现。

睡眠脑电的去趋势互相关分析

睡眠质量关系着身体健康与和工作效率,睡眠分期结果是衡量睡眠质量的重要指标和诊治睡眠障碍性疾病的重要途径。本文采用基于去趋势互相关分析(DCCA)的方法,从MIT-BIH Polysomnographic Database中随机抽取了样本信号,来进行清醒期和非快速眼动(NREM)睡眠Ⅰ期的分期研究。结果表明,清醒期的DCCA指数的平均值小于NREM睡眠Ⅰ期的DCCA指数的平均值。此方法研究睡眠脑电图,对改善睡眠质量或者诊治睡眠障碍性疾病有很大的意义。