CN105997067B - 基于分数阶傅立叶变换的自适应肌电信号检测处理方法 - Google Patents
基于分数阶傅立叶变换的自适应肌电信号检测处理方法 Download PDFInfo
- Publication number
- CN105997067B CN105997067B CN201610453894.9A CN201610453894A CN105997067B CN 105997067 B CN105997067 B CN 105997067B CN 201610453894 A CN201610453894 A CN 201610453894A CN 105997067 B CN105997067 B CN 105997067B
- Authority
- CN
- China
- Prior art keywords
- signal
- electromyography
- electromyography signal
- emg
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于分数阶傅立叶变换的自适应肌电信号检测处理方法。该方法首先对信号进行放大和滤去工频干扰等处理,利用智能分段,不断地将信号分段,同时进行自适应分数阶傅立叶变换滤波,在分数阶傅立叶域上将噪声信号滤除,再通过分数阶傅立叶反变换将信号还原至时域,最后求取肌电信号的特征值判断肌电信号所表示的肌肉状态。本发明采用分数阶傅立叶变换滤波算法分析肌电信号,更好地利用了肌电信号的时频信息,更好地分辨出了两种不同状态下的肌电信号的区别。
Description
技术领域
本发明属于数字信号处理和医学领域,具体涉及一种基于分数阶傅立叶变换的自适应肌电信号检测处理方法。
背景技术
表面肌电信号是生物神经肌肉系统活动时所产生的生物电信号,它同生物神经肌肉的活动密切相关,其中包含着许多的肌体运动的信息。对表面肌电信号的监测和分析技术已经广泛地应用于临床医学、生物医学、运动医学等多个领域。由于肌电信号是肌肉神经的生理活动产生的,它具有典型非线性、低信噪比、非平稳的特征。
自1807年法国数学家傅立叶率先提出傅里叶分析的数学方法来分析信号频域信息以来,傅立叶变换已经得到了迅速而广泛的推广与应用。但是,由于傅立叶变换是一种全局性的信号的变换,所以难以去表述信号的局部信息,特别是信号的局部时频信息。而在一些非平稳信号的分析与应用中,此种信号的局部时频信息恰恰是其中至关重要、不容忽视的部分。
传统的傅立叶变换是一种线性算子,可看成是将信号从时间轴逆时针旋转π/2到频率轴。而分数阶傅立叶则是可旋转任意角度α的算子,从而可以得到信号在任意角度下的分析,而不是仅仅局限于频率轴上的信号分析方法。在时域上,依据Wigner-Ville分布对于分数阶傅立叶变换的旋转不变性,分数阶傅立叶可以看作是信号在时域平面绕原点旋转任意角度α后所构成的分数阶傅立叶域u上的表示,其与Wigner-Ville变换、短时傅立叶变换之间存在的只是坐标旋转变化关系,并不影响信号的时域分布特性。这个性质就可以在非平稳过程的情况下,利用分数阶傅立叶域来实现时频滤波,从而在减少计算开支的前提下也可以得到更好的滤波效果。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于分数阶傅立叶变换的自适应肌电信号检测处理方法。
本方法所采用的技术方案,包括以下步骤:
1)利用信号采集装置,对肌电信号进行采集获取,并对采集得到的原始信号进行预处理,得预处理后的肌电噪声混合信号SSMG+N(t)。
2)将步骤1中采集得到的预处理后的肌电噪声混合信号SSMG+N(t),预设定智能分段的初始参数。
3)对信号SEMG+N(t)进行智能分段。对分段后的小段信号Si的时频信息Fi进行处理并线性拟合以求得该小段信号最优分数阶傅立叶变换的旋转角度αiopt和最优分数阶傅立叶变换的阶数piopt。
4)对截取后的剩余信号再进行截取且令i=i+1,重复步骤3,直至得到整段SEMG+N(t)肌电信号所有信号段的最优阶数piopt的集合popt(t)。对信号SEMG+N(t)进行自适应popt(t)阶分数阶傅立叶变换和u域窗函数滤波。
5)对步骤4所得去除噪声后的u域上的肌电信号SEMG(u)进行popt(t)阶分数阶傅立叶反变换,得到时域上的去除噪声的肌电信号SEMG(t)。
6)对步骤5得到的去除噪声后的肌电信号SEMG(t)提取特征值,判断肌肉所处的状态。
本发明的有益效果在于:选用了分数阶傅立叶变换,相较于传统傅立叶变换,充分利用了输入肌电信号的局部时频信息。并且针对不同的输入信号,利用了拟合算法自适应地调节分数阶傅立叶的u域旋转角度α,从而更好得适应复杂的肌电信号输入。
附图说明
图1本发明整体实现过程框图;
图2预处理后两种不同状态下的肌电信号图;
图3原始肌电信号时频图;
图4分数阶傅立叶变换后肌电信号时频图;
图5分数阶傅立叶变换滤波算法后两种不同状态肌电信号图;
图6多个数据组滤波前后肌电信号特征值分布图。
具体实施方式
传统的肌电信号模型,可分成两部分,一部分是有用信号另外一部分是噪声信号e,即其数学模型如下:
对于该肌电信号在傅立叶域上的滤波,
由于肌电信号为非平稳过程,其滤波算子f一般不为时不变,也无法表示为时域卷积或传统傅立叶域上的乘法滤波器,利用时变算子f(t)对原始肌电信号进行滤波。为了得到时变算子f(t),本实施例将经过放大处理后的待滤波信号进行短时拆分,并对其进行p阶分数阶傅立叶变换(FRFT)。分数阶傅立叶变换的定义式可以写成如下形式:
其中
在短时间内,将待滤波的肌电信号看做为平稳过程,其滤波算子f(t)采用时不变算子f。从而将时间不断递推,最终得到时变的滤波算子f(t)。本实施例是对肌电信号做p阶分数阶傅立叶变换,在分数阶傅立叶域(u域)对信号进行滤波,所以滤波算子为f(u)。
下面,将结合附图1对该处理肌电信号的方法进行解释。
1)利用信号采集装置,对肌电信号进行采集获取,并对采集得到的原始信号进行预处理,得预处理后的肌电噪声混合信号SSMG+N(t);
具体为:利用传感器和信号采集电路对肌电信号进行采集并将采集到的数据进行放大、简单滤波和模数转化等预处理,得到预处理后的肌电噪声混合信号。其中简单滤波为1.5倍增益中心频率为50Hz的巴特沃斯带阻滤波器,主要用以滤除50Hz的工频信号干扰。
2)将步骤1中采集得到的预处理后的肌电噪声混合信号SSMG+N(t),预设定智能分段的初始参数;
具体为:设智能分段第i段分割时间长度为ti,先预设ti初值为总信号长度L的十分之一,即ti=L/10。若求得ti存在小数,则进行四舍五入求整。按时间ti分割出第i小段信号Si(t),简写为Si。并进行p=0阶傅立叶变换,得到信号的时频关系Fi。
3)对信号SEMG+N(t)进行智能分段。对分段后的小段信号Si的时频信息Fi进行处理并线性拟合以求得该小段信号最优分数阶傅立叶变换的旋转角度αiopt和最优分数阶傅立叶变换的阶数piopt;
具体为:定义瞬时信号绝对值|Si|大于该小段信号绝对值的最大值|Si|max三分之一的肌电信号点称为该段信号的有效点,记为Sief。
定义有效点数为该小段信号Si的有效点Sief个数,记为Ni。
求Si信号长度Li与有效信号点数Ni,若Ni大于或等于整段信号长度Li的2/3,或Li小于等于100,则将该小段信号Si的时频关系Fi进行线性拟合,得到拟合斜率ki,取αi=tan-1(-ki),则根据公式3,分数阶傅立叶变换阶数pi=2αi/π。反之,若该小段信号长度ti为偶数则信号长度再截半,即ti=ti/2,若ti现为奇数,则信号长度加1再截半,即ti=(ti+1)/2。将截取后的信号记为Si重新进行本步骤,直至求出Si的最优分数阶傅立叶变换的旋转角度αiopt和最优分数阶傅立叶变换的阶数piopt。
4)对截取后的剩余信号再进行截取且令i=i+1,重复步骤3,直至得到整段SEMG+N(t)肌电信号所有信号段的最优阶数piopt的集合popt(t)。对信号SEMG+N(t)进行自适应popt(t)阶分数阶傅立叶变换和u域窗函数滤波;
具体为:假设经过步骤3智能分段后将信号SEMG+N(t)一共分为n段小段信号,分别为Si,i=1,2,3,...,n。
定义肌电信号最优阶数集合popt(t)为所有piopt按时间分布的分段函数,具体数学表示为popt(ti)=piopt,i=1,2,3,...,n。
对SEMG+N(t)做popt(t)阶傅立叶变换,对每段信号Si在u域上加窗函数fi(u),使每小段有效信号Si能在u域的窗函数内,在u域上得到经过滤波后的肌电信号SEMG(u)。
5)对步骤4所得去除噪声后的u域上的肌电信号SEMG(u)进行popt(t)阶分数阶傅立叶反变换,得到时域上的去除噪声的肌电信号SEMG(t);
6)对步骤5得到的去除噪声后的肌电信号SEMG(t)提取特征值,判断肌肉所处的状态。
具体为:求去除噪声后的肌电信号的中值频率fmid、与信号的标准差σ等特征值,得出不同肌电信号的动作差异,以识别肌肉所处状态。其具体数值公式分别为:
其中,PSD(f)为肌电信号的功率谱密度函数,Ls为滤波后肌电信号的长度,SEMG(t)为滤波后肌电信号的瞬时值,由于一般肌电信号的均值接近0,为了便于计算,这里将肌电信号的均值设为0。
以下通过实例对本发明内容进行进一步解释,用该方法对实际肌电信号进行检测处理。由于实际采集环境的工频噪声干扰等原因,淹没了肌电信号的特征成分,模糊了肌电信号的特征值,如图2所示。对于两种不同状态(正常和病变)的肌肉状态也较难区分(信号1长度为34.154s,信号2长度为38.769s,为了便于观察信号波形,这里都截取两信号第1秒时间内的信号做图)。本方法对原始肌电信号进行采集放大等初步处理后,采用自适应分数阶傅立叶变换滤波算法对初步处理后的肌电信号进行分析处理,这里以信号1为例,该段信号长度L为34154ms,采样频率SP为20kHz。故预设分割时间t1=3415ms。采用自适应拟合截取算法得到的分数阶傅立叶域时频特性如图3所示。自适应拟合得到p=0.42,做p=0.42的分数阶傅立叶变换后,信号时频特性如图4所示。最后,算法不断截取肌电信号得到piopt,最后得到整段的时变的分数阶傅立叶阶数popt(t),滤波后在进行信号特征值分析,可以看出比滤波前有较大的区分度,见图5,这里采取了20个人体肱二头肌肌电信号样本(正常和病变分别为10个,每个人10个段肌电信号数据,每个肌电信号截取10s长度),共200个样本数据,得出结果如图6,可以看出滤波后的肌电信号对于病变预正常信号有更好的区分度,说明本方法能更好分辨两个不同状态的肌电信号。
Claims (6)
1.基于分数阶傅立叶变换的自适应肌电信号检测处理方法,其特征在于,包括如下步骤:
1)利用信号采集装置,对肌电信号进行采集获取,并对采集得到的原始信号进行预处理,得预处理后的肌电噪声混合信号SEMG+N(t);
2)将步骤1中肌电噪声混合信号SEMG+N(t),预设定智能分段的初始参数;
3)对信号SEMG+N(t)进行智能分段;对分段后的小段信号Si的时频信息Fi进行处理并线性拟合以求得该小段信号最优分数阶傅立叶变换的旋转角度αiopt和最优分数阶傅立叶变换的阶数piopt;
4)对步骤3)处理后的剩余信号再进行截取且令i=i+1,重复步骤3,直至得到整段SEMG+N(t)肌电信号所有信号段的最优阶数piopt的集合popt(t);对信号SEMG+N(t)进行自适应popt(t)阶分数阶傅立叶变换和u域窗函数滤波;
5)对步骤4所得去除噪声后的u域上的肌电信号SEMG(u)进行popt(t)阶分数阶傅立叶反变换,得到时域上的去除噪声的肌电信号SEMG(t);
6)对步骤5得到的去除噪声后的肌电信号SEMG(t)提取特征值,判断肌肉所处的状态。
2.根据权利要求1所述的基于分数阶傅立叶变换的自适应肌电信号检测处理方法,其特征是,所述步骤1具体为:利用传感器和信号采集电路对肌电信号进行采集,并将采集到的数据进行放大、简单滤波和模数转化,得到肌电噪声混合信号;其中简单滤波为1.5倍增益中心频率为50Hz的巴特沃斯带阻滤波器,主要用以滤除50Hz的工频信号干扰。
3.根据权利要求1所述的基于分数阶傅立叶变换的自适应肌电信号检测处理方法,其特征是,所述步骤2具体为:设智能分段第i段分割时间长度为ti,先预设ti初值为总信号长度L的十分之一,即ti=L/10;若求得ti存在小数,则进行四舍五入求整;按时间ti分割出第i小段信号Si(t),简写为Si;并进行p=0阶傅立叶变换,得到信号的时频信息Fi。
4.根据权利要求1所述的基于分数阶傅立叶变换的自适应肌电信号检测处理方法,其特征是,所述步骤3具体为:定义瞬时信号绝对值|Si|大于该小段信号绝对值的最大值|Si|max三分之一的肌电信号点称为该段信号的有效点,记为Sief;定义有效点数为该小段信号Si的有效点Sief个数,记为Ni;
求Si信号长度Li与有效信号点数Ni,若Ni大于或等于整段信号长度Li的2/3,或Li小于等于100,则将该小段信号Si的时频信息Fi进行线性拟合,得到拟合斜率ki,取αi=tan-1(-ki),得到分数阶傅立叶变换阶数pi=2αi/π;反之,若该小段信号长度ti为偶数则信号长度再截半,即ti=ti/2,若ti现为奇数,则信号长度加1再截半,即ti=(ti+1)/2;将截取后的信号记为Si重新进行本步骤,直至求出Si的最优分数阶傅立叶变换的旋转角度αiopt和最优分数阶傅立叶变换的阶数piopt。
5.根据权利要求1所述的基于分数阶傅立叶变换的自适应肌电信号检测处理方法,其特征是,所述步骤4具体为:设经过步骤3智能分段后将信号SEMG+N(t)一共分为n段小段信号,分别为Si,i=1,2,3,...,n;
定义肌电信号最优阶数集合popt(t)为所有piopt按时间分布的分段函数,具体数学表示为popt(ti)=piopt;
对SEMG+N(t)做popt(t)阶傅立叶变换,对每段信号Si在u域上加窗函数fi(u),使每小段有效信号Si能在u域的窗函数内,在u域上得到经过滤波后的肌电信号SEMG(u)。
6.根据权利要求1所述的基于分数阶傅立叶变换的自适应肌电信号检测处理方法,其特征是,所述步骤6具体为:求去除噪声后的肌电信号的中值频率fmid与信号的标准差σ,得出不同肌电信号的动作差异,以识别肌肉所处状态;其具体数值公式分别为:
其中,PSD(f)为肌电信号的功率谱密度函数,Ls为滤波后肌电信号的长度,SEMG(t)为滤波后肌电信号的瞬时值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610453894.9A CN105997067B (zh) | 2016-06-21 | 2016-06-21 | 基于分数阶傅立叶变换的自适应肌电信号检测处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610453894.9A CN105997067B (zh) | 2016-06-21 | 2016-06-21 | 基于分数阶傅立叶变换的自适应肌电信号检测处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105997067A CN105997067A (zh) | 2016-10-12 |
CN105997067B true CN105997067B (zh) | 2018-09-21 |
Family
ID=57087106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610453894.9A Active CN105997067B (zh) | 2016-06-21 | 2016-06-21 | 基于分数阶傅立叶变换的自适应肌电信号检测处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105997067B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109820482A (zh) * | 2019-03-05 | 2019-05-31 | 浙江强脑科技有限公司 | 肌肉状态检测方法、装置及计算机可读存储介质 |
CN110856064B (zh) * | 2019-11-27 | 2021-06-04 | 内蒙古农业大学 | 一种家畜牧食声音信号采集装置及使用该装置的采集方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655834A (zh) * | 2009-09-17 | 2010-02-24 | 哈尔滨工业大学 | 一种基于分数阶小波变换的信号分离方法 |
CN103932687A (zh) * | 2014-04-22 | 2014-07-23 | 北京印刷学院 | 一种脉象信号预处理方法和装置 |
CN104799854A (zh) * | 2015-04-29 | 2015-07-29 | 深圳大学 | 一种表面肌电采集装置及其肌电信号处理方法 |
CN105403873A (zh) * | 2015-12-11 | 2016-03-16 | 西安电子科技大学 | 基于分数阶傅里叶变换的目标特征提取方法 |
-
2016
- 2016-06-21 CN CN201610453894.9A patent/CN105997067B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655834A (zh) * | 2009-09-17 | 2010-02-24 | 哈尔滨工业大学 | 一种基于分数阶小波变换的信号分离方法 |
CN103932687A (zh) * | 2014-04-22 | 2014-07-23 | 北京印刷学院 | 一种脉象信号预处理方法和装置 |
CN104799854A (zh) * | 2015-04-29 | 2015-07-29 | 深圳大学 | 一种表面肌电采集装置及其肌电信号处理方法 |
CN105403873A (zh) * | 2015-12-11 | 2016-03-16 | 西安电子科技大学 | 基于分数阶傅里叶变换的目标特征提取方法 |
Non-Patent Citations (2)
Title |
---|
分数阶傅立叶变换域的心电信号滤波算法;尚宇,等;《西安工业大学学报》;20121031;第32卷(第10期);857-850 * |
分数阶傅里叶变换在心电信号处理中的应用;尚宇,等;《电子科技》;20110815;第24卷(第8期);116-118 * |
Also Published As
Publication number | Publication date |
---|---|
CN105997067A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | ECG signal conditioning by morphological filtering | |
Beyramienanlou et al. | Shannon’s energy based algorithm in ECG signal processing | |
Hu et al. | An adaptive singular spectrum analysis method for extracting brain rhythms of electroencephalography | |
US9936919B2 (en) | Devices, systems, and methods for determining heart rate of a subject from noisy electrocardiogram data | |
Zhang et al. | The EEG signal preprocessing based on empirical mode decomposition | |
CN108577834A (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
Patil et al. | Quality advancement of EEG by wavelet denoising for biomedical analysis | |
CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
Sheoran et al. | Methods of denoising of electroencephalogram signal: A review | |
Zhang et al. | Automatic detection of interictal epileptiform discharges based on time-series sequence merging method | |
CN105997067B (zh) | 基于分数阶傅立叶变换的自适应肌电信号检测处理方法 | |
Tong et al. | Describing the nonstationarity level of neurological signals based on quantifications of time–frequency representation | |
CN104515905A (zh) | 基于cqt多分辨率的被试的脑电信号自适应频谱分析方法 | |
Veer et al. | Wavelet denoising and evaluation of electromyogram signal using statistical algorithm | |
Chen et al. | FastICA peel-off for ECG interference removal from surface EMG | |
Andrade et al. | EMG decomposition and artefact removal | |
Sharma et al. | Comparative study of wavelet denoising in myoelectric control applications | |
Zhang | An improved QRS wave group detection algorithm and matlab implementation | |
Sammaiah et al. | On the performance of wavelet transform improving Eye blink detections for BCI | |
Esposito et al. | A smart approach to EMG envelope extraction and powerful denoising for human–machine interfaces | |
Alam et al. | Performance evaluation of empirical mode decomposition for EEG artifact removal | |
Karagiannis et al. | Biomedical time series processing and analysis methods: the case of empirical mode decomposition | |
Dubey et al. | Two-stage nonlocal means denoising of ECG signals | |
Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
Zhou et al. | Fetal Electrocardiogram Extraction and Performance Analysis. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |