脑电信号的特征提取方法

癫痫是一种常见的发病率极高的慢性脑疾病,全球约有1%的人口患有癫痫.传统的癫痫性发作检测主要依赖于临床医生对脑电图进行视觉上的检查,并结合临床经验给出诊断.但海量的脑电数据使得这一传统方法不仅十分耗时,而且主观性很强.因此,开展癫痫性发作自动检测的研究以辅助医生完成癫痫性发作检测具有重要的临床意义.而如何从脑电图中提取合适的脑电特征以及如何选取恰当的分类器是完成癫痫性发作自动检测的关键环节,其中如何从脑电图中提取出能够区别发作脑电与未发作脑电特征是首先的也是最为重要的一步.总结了三种常见的用于癫痫性发作自动检测的基于非线性相似性的脑电特征提取方法,通过分析其优缺点,给出相应的改进建议.     

基于小波的发作自动检测

自动癫痫检测通常需长时间监视,是颅内监测的重要手段。现有方法存在较大的误检率,特别是在颅内脑电图中。为了摸清发作检测方法的节律特征,开发了一种基于小波的方法,比较发作脑电与背景脑电的不同,并对该方法的性能进行了探讨。     

基于EEMD和LS-SVM的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。     

基于CNN-LSTM模型的癫痫脑电信号识别方法

为提高癫痫脑电图(electroencephalography, EEG)信号识别的准确率,提出了一种将一维卷积神经网络(convolutional neural network, CNN)与长短期记忆网络(long short-term memory network, LSTM)相结合的新模型(CNN-LSTM模型)。首先采用3个卷积块来搭建CNN,用于提取EEG序列的局部内在特征;然后利用LSTM学习长期序列依赖关系;最后利用具有Softmax激活函数的全连接神经网络实现癫痫EEG信号的自动识别。采用德国波恩大学癫痫研究室的癫痫数据库中的数据进行实验分析。结果表明,CNN-LSTM模型具有良好的分类性能,平均分类准确率达到99.1%。     

基于非下采样轮廓波变换与数学形态学方法的图像边缘检测(英文)

提出了一种新的图像边缘检测算法,该算法融合了非下采样轮廓波变换与数学形态学方法来实现图像的边缘检测.首先,源图像被非下采样轮廓波变换分解成多尺度、多方向子带;然后,分别采用双阈值模极大值算法和数学形态学方法提取高频与低频子带的边缘信息;最后,综合高频、低频子带边缘信息,得到源图像全部的边缘信息,并进行细化,剔除孤立点,获得源图像的边缘.仿真实验结果表明:新算法能够有效抑制噪声,去除伪边缘,一定程度上克服了光照不均引起的不良影响;与传统经典算法LoG,Sobel和Canny及模极大值方法相比,该算法能保持足够的定位精度和边缘细节,且边缘轮廓的完整性、光滑度、清晰度等得到明显提升.     

WICA算法在脑电α波增强中的应用

随着脑电信号处理技术的发展,脑诱发电位的提取更广泛地应用于神经精神科以及其他领域.但是,目前一系列脑电分析方法都存在一定的缺陷.而根据脑电信号以及信号分析方法各自的特点,把小波变换(WT)和独立分量(ICA)结合的方法(WICA)应用到脑电α波增强中,小波变换可以增强待检测信号成分,削弱非目标信号成分和噪声的干扰,经过小波变换后子带重组的多道ICA输入信号中,非目标信号成分和干扰信号成分己变得较弱,因此,WICA算法能有效地分离出相对较强的目标信号成分.实验结果表明,WICA算法在脑电α波增强中可取得比较好的效果.     

基于谱聚类结合形态学分水岭的MRI图像分割算法

针对NJW算法计算量大和分水岭算法易产生过分割现象且对噪声敏感的问题,提出一种有效且鲁棒的方法,即阈值形态学分水岭结合谱聚类（SC）算法对MRI图像进行分割。使用Frost滤波结合形态学闭运算对输入图像进行去噪和增强处理,采用阈值形态学分水岭算法对灰度图像进行预分割,并采用改进的SC算法进行全局最优聚类,得到分割结果图像。改进的SC算法是用K HarmomcMeans(KHM)取替K means(KM)进行聚类,可提高稳定性和算法性能。实验结果表明,该方法能有效分割MRI图像且具有计算快速的优点。     

基于形态学的红外小目标检测算法

在分析复杂天空背景下红外视频序列特征的基础上,针对红外小目标本身特性及红外序列低信噪比的问题,提出适合该环境的红外小目标检测算法.该滤波方法以形态学滤波理论为基础,首先采用均值滤波和Open ing-Tophat运算对红外视频序列进行预处理,然后运用基于均值和方差的统计分割方法提取图像中的运动目标,从而实现了红外小目标的检测.实验结果表明,所提出滤波方法具有良好的检测和分割效果,能够有效地改善跟踪精度.     

基于改进Canny算法的服装款式结构特征识别与分类

为了提高服装款式结构分类效率,设计了基于改进Canny算法的服装款式结构识别系统。通过将服装图像进行阈值分割,形态学处理等预处理方式提取出服装二值轮廓;设计基于具有自适应尺度参数的高斯滤波函数的改进Canny边缘检测算法,提取出服装款式结构边缘转换成的特征向量;最后与服装模板特征通过均值Hausdorff距离(Mean Hausdorff Distance,MHD)进行对比分析,距离最小的服装即为特征最接近的款式。经过Matlab实验平台验证,提出的系统能够以服装结构款式进行准确识别,而且识别效率高,大大减少人力成本,具有很高的实用价值。     

外伤性癫痫的脑电图分析及临床研究

目的:针对外伤性癫痫的脑电图进行临床研究和分析.方法:就我院2014年11月-2015年11月收治对外伤性癫痫患者80例展开研究,这80例患者均实施脑电图检验,同时辅助以颅脑CT检查以及MRI检查,针对患者的检查结果进行临床分析和研究.结果:在临床检查中,患者的外伤性癫痫病程并不相同,发作症状也不相同,经过辅助检查,所有患者的外伤性癫痫均表现为额叶损伤.患者在癫痫发作后进行脑电图检查,脑电图异常程度并不相同,而不同时期的癫痫,发作类型也不同,并且发作时间也不一致.经检验,发现癫痫潜伏的时间越长,则脑电图的异常情况就越明显,在恢复上较为困难.结论:在临床中针对外伤性癫痫患者进行检查的时候,需要合理的应用脑电图并辅以颅脑CT进行检查,根据检查的结果来进行症状的判定和病程周期的判定,在得出具体的检查结果后,将其作为治疗方案制定参照的依据,依据该治疗方案对患者实施治疗,就可以有效的提高治疗的水平,使得患者的预后得到明显的改善,在临床中具有极大的应用价值.     

脑电图应用的研究进展

脑电图是在头皮表面引导记录到的大脑皮层自发脑电的波形图。分析脑电图的波形、波幅、节律等变化,有助于了解大脑皮层的活动和病变情况,脑电图被广泛应用于癫痫、精神病、心理疾病、脑部病患等的诊断和治疗。目前,对脑电原理的反向应用——跨颅磁刺激/头皮电刺激有了长足的发展,俄罗斯科学家运用头皮直接电刺激治疗帕金森症,美国科学家运用头皮直接电刺激观察了语言功能的改善。本文介绍了脑电图的应用进展,尤其是反向运用的研究进展。     

基于小波变换的自学习QRS特征提取算法研究

为进一步提高QRS波检测算法性能,提出一种基于小波变换的自学习QRS特征提取方法。使用小波变换进行信号去噪,在选取阈值时依据各层数细节系数添加阈值系数,充分保留心电信号有用特征成分,降低小波重构失真度。在QRS波检测过程中使用自学习差分阈值法实时对R点阈值进行更新,能提高算法抗干扰能力。通过对MIT-BIH数据库心律失常信号处理的实验表明,该算法得到了较高的SNR值与较低的MSE值,QRS波识别精度达到了99.554%,具有更高的有效性。     

基于背景抑制的4种红外小目标检测算法比较

背景抑制是红外小目标检测的关键技术.对空域高通滤波、最大中值滤波、单一结构元素形态学和多结构元素形态学的背景抑制原理进行分析,并在云杂波背景条件下对4种算法进行仿真并作比较.仿真结果表明多结构元素形态学算法性能最好,最大中值滤波算法次之,单一结构元素形态学算法稍差些,高通滤波算法最差.     

基于自适应开关中值滤波算法的工程图像处理

工程施工图像在获取、传输等过程中存在一定程度的噪声干扰。通过对标准中值滤波算法进行分析,得到了一种基于自适应开关中值的图像滤波算法,能够在去除椒盐噪声的同时保持图像细节。该算法用迭代实现了开关中值滤波算法中阈值的自动选取,可有效提高噪声点检测的准确率。通过MATLAB仿真实验,证实了该算法相较于传统滤波算法能够更好地保护图像细节和改进图像清晰度。     

基于脑电信号的癫痫发作预测

为满足临床上癫痫发作预测的准确性和实时性要求,提出一种基于时域和频域特征提取的癫痫发作预测算法.算法采用移动步长为1s,窗口大小为5s的数据段进行特征提取,并代替原始数据送入LightGBM分类器进行训练,样本分类标准为15min后患者癫痫发作与否,发作即为负样本.将该算法应用于南京市某医院癫痫数据集上进行测试,结果表...     

基于独立分量分析的FastICA心电消噪

本文介绍基于独立分量分析的一种算法FastICA,根据FastICA算法对脑电中心电噪声的消除,实验结果表明,采用该算法成功地消除了脑电中的心电信号,实现了脑电信号在噪声中的有效提取。     

改进分水岭算法在脑肿瘤CT图像分割中的应用

传统的分水岭算法应用于脑肿瘤CT图像时容易产生过分割现象,为了避免该现象,提出一种改进的分水岭图像分割算法。该方法主要包含形态学重构以及标记控制思想,首先对原始梯度图像进行形态学重建,相当于滤波处理,然后对原图设定灰度阈值并进行形态学处理标记出肿瘤部分,接着用分水岭变换标记背景部分,最后根据两个标记部分对调整后的梯度图像进行强制最小和分水岭变换得到分割线。实验结果表明,该算法能够准确地区别肿瘤部分与背景,并用封闭的分割线包围脑肿瘤区域,从而避免了对不感兴趣区域的误分割,有较好的针对性。     

基于图像的线路缺陷检测

运用图像处理技术,设计PCB板线路检测系统。采用Labview语言编写图像预处理、阈值分割、形态学滤波、缺陷识别等程序模块,并针对PCB图像特点,根据线路缺陷的特征,构建一个能够分析和识别PCB线路断路、短路、缺损和毛刺等缺陷的PCB板线路检测系统。实验结果表明,该检测系统能够比较好地识别PCB板线路缺陷,且算法操作简单,有广泛的应用前景。     

基于形态学的微目标的图像分割

提出了一种适于高分辨率可见微目标图像的分割算法,首先通过形态学运算强化微目标区域,利用阈值化分割并提取这些感兴趣区域;然后运用小波多尺度算子检测这些区域的边缘;最后再次采用形态学运算以获取目标区域边缘.仿真结果表明该方法能有效地将图像中的具有特定结构的微目标区域分割开来.     

移动端身份证号码识别算法实现

为实现多场景下快速便捷的身份证号码提取,提出一种基于移动端的身份证号码识别算法。该算法利用搭载Android操作系统的移动设备,进行身份证号码区域定位和提取;首先利用身份证特殊的颜色分布,选取合适的通道分量;再通过图像阈值分割、噪声处理以及形态学处理,将身份证号码图像二值化;同时针对拍摄过程中可能出现的图像倾斜情况,通过图像旋转和投影法进行水平矫正;然后通过投影法将单个字符提取出来;最后使用卷积神经网络进行图像识别。通过MIX手机测试表明,单次身份证号码图像识别时间约为156ms,准确率约为99.1%,能够满足鲁棒性和实时性要求。