彌散加權磁共振圖像(DWI)是使用特殊自旋平面回波序列進行快速成像,它易被噪聲干擾,需要有效去噪以保證后續應用。目前去噪方法一般為常用圖像去噪方法擴展,缺乏針對DWI多不同梯度磁場方向數據構成特點的針對性應用。本文提出一種DWI Rician噪聲的線性最小均方誤差(LMMSE)復原方法,使用局部信息的統計特征,對DWI的Rician噪聲進行有效估計,并綜合多梯度磁場方向改進使用LMMSE進行復原。在合成模擬DWI數據和真實人體腦部DWI數據上進行的仿真和實驗表明,本文方法較之目前使用較多的逐梯度方向去噪方法能夠更好去除DWI中Rician噪聲,有效改善計算獲得的DTI大小和方向信息的有效性和準確性。
由于心電圖(ECG)信號的特點以及在采集過程中所受到的干擾影響,ECG信號去噪已成為ECG信號智能分析的基礎。本文在基于小波變換方法的基礎上,對閾值參數進行改進,提出了與噪聲更加匹配的閾值表達式。利用改進的閾值對離散分解后的小波系數進行處理,通過小波逆變換重構信號,能夠更加準確地去除噪聲的小波系數,保留更多原信號小波系數。采用MIT-BIH中的數據進行實驗,結果表明,改進方法較之現有小波閾值去噪方法,能夠達到更好的去噪效果。
針對表面肌電(sEMG)信號信噪比較低的問題,本文在Donoho通用閾值法的基礎上,采用了一種基于自適應閾值處理的小波去噪方法。相對于通用閾值法,這種方法可以根據sEMG信號的不同信噪比自適應地調整閾值,更有效地去除噪聲、減小信號的失真,從而提高信噪比。仿真和真實sEMG信號實驗均論證了這種方法的優越性。
利用心阻抗微分信號的特征點可計算出多個血流動力學參數, 進而判別心功能狀態, 因此特征點的準確提取顯得尤為重要。本文應用實驗室自行設計開發的KF_ICG型無創心功能檢測儀采集了健康人和重慶市大坪醫院22例患者數據, 應用小波閾值法對采集的數據進行降噪處理, 對降噪后的信號采用bior3.7小波進行6層分解后定位特征點。結果表明, 該法無論對健康人還是存在諸多噪聲干擾的臨床患者數據都能有效實現特征點的精確定位, 有助于實現阻抗法無創檢測血流動力學參數的臨床應用。
集合經驗模態分解(EEMD)是一種處理心電等非平穩信號的有效方法, 但其參數白噪聲比值系數與平均次數依靠經驗設置, 導致處理結果準確度低且對未知信號自適應性差。針對上述問題, 本研究提出了基于白噪聲分離的EEMD心電信號去噪方法。該方法通過經驗模態分解(EMD)將心電信號分解至不同頻帶, 基于白噪聲能量密度和對應的平均周期的乘積趨向于一個常數的特性, 提取信號高頻分量重構信號高頻成分; 依據避免模態混疊參數準則實現針對不同信號的分解參數自適應獲取。經過對心電信號的驗證, 結果表明該方法去噪效果明顯, 自適應性強, 是一種有效的去噪方法。
在小動物計算機斷層掃描(CT)實驗中, 因需考慮小動物存活率以及實驗的連續性等問題, 一般較少采用高劑量的X射線進行實驗; 而低劑量的X射線會導致重建圖像被噪聲污染, 影響圖像質量, 不利于后續實驗分析。為解決此問題, 本文介紹了一種基于全局字典學習的降噪方法, 并將其應用于提升低劑量小動物CT重建圖像質量的研究中。針對真實的小動物CT重建數據, 選擇高劑量的小動物CT重建圖像作為訓練樣本, 利用逐列更新的字典學習算法(K-SVD), 構建包含圖像信息的全局字典; 利用正交匹配追蹤算法(OMP)將低劑量重建圖像利用全局字典進行稀疏分解, 分離噪聲, 最后將重建圖像復原, 達到降噪、提升圖像質量、降低小動物CT實驗的拍攝劑量、提高小動物存活率的目的。實驗結果表明, 本文提出的方法能夠有效減少低劑量動物CT圖像的噪聲, 并能夠較好地保留圖像細節。
多通道微電極陣列記錄的鋒電位（Spike）十分微弱，極易受干擾，其含噪的特性影響了 Spike 檢出的準確率。針對 Spike 檢測過程中通常存在的獨立白噪聲、相關噪聲與有色噪聲，本文結合主成分分析（PCA）、小波分析和自適應時頻分析，提出 PCA-小波（PCAW）與整體平均經驗模態分解（EEMD）聯合的去噪新方法（PCWE）。首先，利用 PCA 提取多通道神經信號通道間的主成分作為相關噪聲去除；然后利用小波閾值法對獨立白噪聲進行去除；最后利用 EEMD 把噪聲分解到各層本質模態函數中，對有色噪聲進行去除。仿真結果表明，PCWE 使信噪比約提高 2.67 dB，標準差約減小 0.4 μV，顯著提高了 Spike 的檢出精確率；實測數據結果表明，PCWE 能使信噪比約提高 1.33 dB，標準差約減小 18.33 μV，表現出良好的去噪性能。本文研究結果表明，PCWE 可以提高 Spike 信號的可靠性，或可為神經信號的編碼解碼提供一種新型有效的鋒電位去噪方法。
肌肉疲勞狀態自動識別技術在運動學和康復醫學領域具有廣泛的應用。本文針對采集的表面肌電（sEMG）信號噪聲干擾多、現有肌肉疲勞識別模型準確度不高等問題，基于sEMG信號開展循環抗阻訓練過程中的下肢肌肉疲勞識別研究。首先，提出一種改進型小波閾值函數去噪算法對采集的sEMG信號進行處理；然后，基于長短時記憶神經網絡（LSTM）構建肌肉疲勞狀態識別模型，利用Holdout方法評估疲勞識別模型的性能；最后，將本研究提出的改進型小波閾值函數去噪方法的去噪效果與傳統小波閾值去噪方法對比，將本文提出的肌肉疲勞識別模型的性能與粒子群優化支持向量機（PSO-SVM）和卷積神經網絡（CNN）算法的識別性能進行對比。結果表明：新型小波閾值函數相比于硬、軟閾值函數具有更好的去噪效果；在識別肌肉疲勞狀態準確度方面LSTM網絡模型分別比PSO-SVM和CNN識別分類算法高4.89%和2.47%。本文提出的sEMG信號去噪方法和肌肉疲勞識別模型對于康復訓練和運動過程中的肌肉疲勞監測具有重要意義。