AN-CEEMD算法对心电信号中肌电干扰的降噪研究

针对高频肌电噪声、低频基线漂移及工频干扰等噪声对心电信号分析诊断的影响问题,本文使用基于自适应噪声的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,AN-CEEMD)方法,在EEMD基础上自适应地添加正负成对的辅助白噪声,将信号分解成多个从高频到低频的本征模态函数(Intrinsic Mode Functions,IMFs),然后对IMF分量进行集总平均运算,从而降低了重构误差带来的影响.实验结果表明:AN-CEEMD算法对于心电信号中高频肌电干扰的降噪效果较好,能够有效提高信噪比(Signal Noise Ratio,SNR)和相关系数(Correlation Coefficient,R).相对于传统的小波方法,AN-CEEMD算法优势明显;对比EMD算法,降噪后的SNR平均提高了2.32%,得到的R值平均提高了2.34%;对比EEMD方法,SNR平均提高了1.20%,R值平均提高了1.04%.

基于改进熵特征的心律失常分类研究

心律失常类型的判断对心血管疾病的防治十分重要,针对波动散布熵(multiscale fluctuation dispersion entropy,FDE)在进行心律失常分类识别时尺度单一、不能全面反映心律失常信息等不足,通过改进FDE特征,提出一种基于自适应多尺度波动散布熵(adaptive multiscale fluctuation dispersion entropy,AMFDE)的心律失常分类方法。首先在计算FDE特征前利用优化K值的变分模态分解(variational mode decomposition,VMD)对信号进行分解,以获取预设数量的固有模态分量(IMF),然后提取各尺度子序列的FDE作为分类特征,并采用遗传算法(genetic algorithm,GA)对支持向量机(SVM)的惩罚因子c和核函数参数g进行寻优,最后通过GA-SVM模型进行模式识别。计算结果表明,所提方法对4类心律识别的平均准确率达到95.3%,灵敏度达到95.4%,特异性达到98.4%,相比自适应多尺度散布熵(adaptive multiscale dispersion entropy,AMDE)等其他方法优势明显,可以实现对心电(electrocardiogram,ECG)信号的准确分类。

磺基甜菜碱型两性离子聚合物pSBMA研究进展

磺基甜菜碱型两性离子聚合物(pSBMA)具有抗蛋白质非特异性吸附特性(non-fouling)、超低生物污染特性和良好的生物相容性,在生物医学领域广泛的应用于生物材料改性、医用伤口敷料及药物载体等方面,另外优异的防污性和多样化的表面接枝方法使其在膜处理及电子元件表面抗污和传导优化上显示出巨大潜力。