简介:摘要:表面肌电信号(Surface Electromyography,SEMG)是人神经对运动系统在控制时产生的微弱生物电信号,在皮肤表面通过表面电极进行提取、放大、降噪,在信号显示机上显示和记录的时间——能量幅值信号。它是神经系统在控制运动系统的肌肉运动时的一种信号表达,该信号检测方式对人的身体没有伤害。但是,最初的表面肌电信号相对微弱,会受到各种各样外界信号的干扰,而且,对于简单采集出来的肌电信号,其形式无法完全理解,无法对其中的有效特征进行迅速的分辨。因而,我们不仅需要对其信号进行处理和特征提取,并且在该基础上采用不同的方法,对手臂的不同动作的模式识别也是一个重点的研究方向。
简介:目的采用基于Lopez-Mancini-CalbetDivergence(LMCD)的统计复杂度分析方法,对充血性心力衰竭信号、心脏性猝死信号与正常窦性心律信号进行统计复杂度分析。方法采用Bandt-Pompe算法对符号序列进行模式概率统计,分析了充血性心力衰竭信号、心脏性猝死信号与正常窦性心律信号的统计复杂度。结果3种心律信号的统计复杂度存在差异,正常窦性心率信号的统计复杂度最高,充血性心力衰竭信号次之,心脏性猝死信号最低。方差分析表明,基于LMCD的分析方法得出的3种心电信号的统计复杂度差异具有统计学意义。结论采用LMCD的统计复杂度方法可以有效地区分3种不同生理病理状态下心电信号,为辅助临床诊断提供了一种新手段。
简介:摘要心血管疾病是威胁人类生命最主要的疾病之一,而心电信号(ECG)是诊断心血管疾病的主要依据。近年来,随着计算机技术的发展,心电信号的采集与处理也不断地向着自动化、智能化的方向发展。在心电信号分析系统中,影响心电自动分析结果可靠性的因素很多,其中一个重要原因就是心电信号中存在的各种干扰,如随机噪声、基线漂移、肌电干扰以及工频干扰等。由于这些干扰与心电信号混叠,引起心电信号畸变,使整个心电信号波形模糊不清,并对心电各波段的正确识别造成很大影响,从而影响诊断结果。为了给医生提供清晰的心电图形,以提高分析和诊断的精确性,首先要对心电信号数据进行预处理和特征提取,使心电数据曲线平滑、特征点突出。因此,选择合适的滤波方法对心电信号分析有着非常重要的意义。
简介:摘要目的通过对焦虑障碍高危人群、焦虑障碍患者和健康人群全频域自发脑电信号进行频域分析,探索可用于识别焦虑障碍的特征性频段。方法2019年12月10日至2020年5月7日选取焦虑障碍高危人群(焦虑高危组,n=19)、焦虑障碍患者(阳性对照组,n=14)、健康正常人(正常对照组,n=19)作为研究对象。使用焦虑状态-特质问卷(state-trait anxiety inventory,S-TAI)、军事应激反应性焦虑预测量表(military stress anxiety predictive scale,MSAPS)对所有被试进行评估,并在问卷评估过程进行脑电监测。统计分析使用SPSS20.0统计软件,三组间脑电功率差异分析采用单因素方差分析和两两比较。结果三组在Delta[(2.11±0.66)μV2,(2.52±0.38)μV2,(2.73±0.47)μV2]、Theta[(1.31±0.43)μV2,(1.52±0.28)μV2,(1.67±0.35)μV2]、Alpha[(1.05±0.44)μV2,(1.29±0.25)μV2,(1.45±0.55)μV2]、Beta-1[(0.69±0.16)μV2,(0.86±0.18)μV2,(0.99±0.27)μV2]、Beta-2[(0.55±0.15)μV2,(0.67±0.18)μV2,(0.75±0.20)μV2]、Gamma频段[(0.31±0.09)μV2,(0.40±0.14)μV2,(0.45±0.16)μV2]Cz电极处的脑电功率差异均有统计学意义(F=3.80~9.21,均P<0.05)。经Bonferroni校正后两两比较,Beta-1频段下,焦虑高危组与正常对照组之间的脑电功率差异有统计学意义(P=0.03)。结论焦虑障碍高危人群和焦虑障碍患者的脑电信号均在Cz处的Beta-1频段与健康人群有显著差异。这种脑电信号的差异可为焦虑高危人群的识别和焦虑障碍的诊断提供有利的客观支持。
简介:摘要:肌体表面肌电信号作为一个微弱的生理电信号,近年来,在医疗康复等领域取得了广泛的应用,能够帮助残疾人更好的融入社会生产生活之中。基于表面肌电信号的智能医疗仿生手通过sEMG传感器采集表面肌电信号并对其进行预处理,随后通过小波变换求取期望值使表面肌电信号作为控制源被更为准确的识别,并将其与机械臂控制系数相对应,最终实现达成预期目的的智能医疗仿生手。