心電圖(ECG)信號在采集、轉換過程中,容易受到50 Hz的工頻干擾。本文在Levkov算法的基礎上,結合正弦波的反對稱和正弦波幅度不發生突變的特點,提出Levkov改進算法。利用ECG信號的信噪比(SNR)、均方誤差(RMSE)以及信號的吻合程度對這二種算法進行比較。通過實驗比較發現,改進算法不僅對ECG信號的吻合程度高,而且對于ECG信號的一些細節也能給予保留,取得了較好的濾波效果。
針對現有醫學圖像中存在噪聲干擾與邊緣信號弱等現象,本文通過對二維小波變換進行研究,同時結合圖像的邊緣的方向性與小波系數的相關性,提出一種基于小波特性與邊緣模糊檢測的醫學圖像處理算法。該算法通過改進小波變換與傳統邊緣模糊檢測算法,來提高算法的降噪能力與邊緣優化效果。結果表明,其實驗結果與預測目標基本相符,該算法能夠有效的降低醫學圖像中的噪聲信號同時有效的保留圖像的邊緣信號,具有清晰度高、降噪能力強等優點。
心沖擊(BCG)信號是反映心臟機械運動的生理信號,測量中無需在受試者身體表面貼附電極,能實現無感覺生理監護。但BCG信號微弱,易受到干擾,測量時經常被淹沒在噪聲中。為了有效識別BCG信號,提出一種基于時頻聯合分布和經驗模態分解(EMD)的BCG信號降噪方法。該方法先建立BCG信號的自適應最優核,然后在時頻平面內提取BCG信號分量,最后根據EMD原理對BCG信號分量進行濾波,從而實現BCG信號降噪。仿真研究表明,該方法克服了EMD處理在不同時間含有相同或相似頻率成分信號時的不足,所提出方法實現了BCG信號降噪,可以有效還原BCG信號特征。
遠程醫療的復雜環境中，心電信號極易被噪聲淹沒，從而影響心血管疾病的智能診斷。基于此，本文提出了一種基于遞歸最小二乘法的回聲狀態網絡心電信號降噪算法。該算法通過遞歸最小二乘法對該網絡進行訓練，可自動學習得到含噪心電數據中非線性的且具有區分度的深層次特征，并利用這些特征自動分離心電信號與噪聲。實驗中，采用信噪比和均方根誤差為指標，將本文方法與基于子帶自適應閾值的小波變換法和 S 變換法進行比較。實驗結果表明，本方法降噪精度更優，同時信號的低頻成分也得到了很好的保持。本文方法可做到消除心電信號中的復雜噪聲并完整保留心電信號的形態，為心電圖的特征檢測和心血管疾病的智能診斷奠定了基礎。
針對基于小波分析和經驗模式分解的降噪方法本質上不能追蹤并消除噪聲且容易造成心音失真的問題，本文提出了一種融合改進最小值控制遞歸平均和最優修正對數譜幅度估計的心音降噪方法。該方法采用短時窗平滑動態追蹤、估計噪聲最小值，并將噪聲估計用于獲取最優頻譜增益函數，通過最小化干凈心音與估計的干凈心音的差異來最大限度地抑制噪聲。此外，結合心音時頻圖主觀分析和對正常與異常心音分類系統貢獻性的客觀分析，提出了一種更為嚴格的評價機制。實驗結果表明，本文提出的方法有效地改善了心音信號的時頻特征，并在正常與異常心音分類系統中獲得了更高的評分。本文提出方法能夠幫助醫務工作者提高聽診的準確性，對計算機輔助診斷系統的構建與應用也具有十分重要的參考價值。
移動式輕量化的磁共振成像系統可部署于重癥監護室、救護車等特殊場合，使床旁腦卒中監護成像、救護車上移動腦卒中成像成為可能。相比于中高場系統，超低場磁共振成像設備采用輕量化的永磁體設計，結構緊湊，方便移動，但在沒有電磁屏蔽房的情況下其圖像質量極易受外部電磁干擾噪聲的影響且硬件設計上還存在諸多關鍵技術問題有待解決。本文從系統硬件設計及環境電磁干擾消除兩個方面展開研究，研發了50 mT移動式無屏蔽磁共振成像系統樣機，從磁體的永磁結構、梯度和射頻線圈系統以及電磁噪聲消除算法等方面進行了系統研究，最終獲得了高質量的人腦圖像，為超低場磁共振成像技術的臨床應用打下了基礎。
當前體音聽診多采用基于最小均方誤差準則的雙通道自適應濾波算法實現環境音降噪；對于包含脈沖分量的非高斯信號，這類方法容易出現濾波器權值失調。與常用的變步長方法不同，本文引入線性預處理來克服這種現象。針對雙通道歸一化最小均方自適應降噪算法，分析線性預處理對于改善自適應降噪效果所起的作用，并探討預處理環節的設計原則。分析結果表明：濾波器的穩態均方權值偏差正比于體音的方差而反比于副通道環境噪音的方差，當線性預處理參數設置得當時，可抑制體音信號中的尖峰，大幅減小體音的方差和功率譜密度，而且不明顯地減小甚至可能增大副通道環境噪音的方差及其功率譜密度，如此即可減小權值失調從而顯著提升環境音降噪效果。最后以心音的環境音降噪為例說明了如何設計預處理環節，并解釋了它對于環境音降噪所起的作用。本文研究結果可為體音聽診的自適應降噪算法設計提供理論依據。