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。
基于胸部生物阻抗技術開展對心臟血流動力學參數準確計算的前提是心阻抗微分信號特征點的準確識別。為提高心阻抗微分信號特征點識別的準確率，本文首先設計了自適應集合經驗模態和小波閾值降噪技術相結合的信號預處理方法，然后根據自適應集合經驗模態分解的結果，結合差分法和自適應分段技術定位了心阻抗微分信號中的 A、B、C 和 X 點。本研究以臨床上采集到的 30 例病理性心阻抗微分信號為例，對本文所提算法的特征檢測準確度進行檢驗。研究結果顯示，本文所提算法對信號特征的準確識別率總體可達 99.72%，進一步保證了基于胸部生物阻抗技術的心臟血流動力學參數的計算準確度。
心阻抗血流圖（ICG）在心血管疾病患者心功能評價中發揮重要作用。針對ICG信號的測量容易受運動偽跡的干擾問題，本文提出了兩步頻域集合經驗模態分解（EEMD）和典型相關性分析（CCA）的去噪方法。首先，將ICG信號、心電圖（ECG）分別與運動信號做第一步頻域EEMD-CCA，將相關性系數高的成分置零來抑制主要運動偽跡。其次，將得到的ECG和ICG信號做第二步頻域EEMD-CCA，獲取這兩組生理信號之間的共同成分來進一步去噪。最后，利用這些共同成分來重構ICG信號。本研究招募了30名志愿者參與測試，結果表明，使用本文提出的去噪方法后，ICG信號的質量有大幅度的提升，可為后續的心血管疾病診斷和分析提供支撐。