动态心电的广泛应用导致海量心电数据的产生,为了传输和存储的高效实现,必须对其进行压缩.本文在详细分析心电信号的可压缩特性基础上,将稀疏分解这一目前数据压缩算法领域较为前沿的方法引入到心电信号压缩算法中,提出了一种基于稀疏过完备库分解的心电数据压缩算法,该算法能够在较低的数据失真度情况下得到较好的数据压缩效果.同时,通过将本算法的实验数据同相关文献中提到的方法进行对比,其结果验证了本文算法的有效性.

本研究针对心电数据的压缩问题,提出了一种新的基于小波变换的二维心电(ECG)数据压缩算法.该算法首先将一维原始ECG信号转化为二维序列信号,从而使ECG数据的两种相关性可得到充分地利用;然后对二维ECG序列进行小波变换,并对变换后的系数应用了一种改进的矢量量化(VQ)方法.在改进的VQ方法中,根据小波变换后系数的特点,构造了一种新的树矢量(TV).利用本算法与已有基于小波变换的压缩算法和其他二维ECG信号的压缩算法,对MIT/BIH数据库中的心律不齐数据进行了对比压缩实验.结果 表明:本算法适用于各种波形特征的ECG信号,并且在保证压缩质量的前提下,可以获得较大的压缩比,具有一定的应用价值.

本文通过离散小波变换分解图像提取图像分割特征,利用矢量量化聚类和马尔可夫随机场建立分割模型,运用迭代条件模式法进行优化分割.同时,利用小波分解层之间的相似性关系,以上一层的优化分割结果作为当前空间内的初始条件进行逐层分割.实验证明,本方法能有效地对医学图像进行分割.

本研究提出了一种新的心电信号压缩方法,该方法对心电数据进行离散余弦变换(DCT)并对DCT变换的结果进行二级矢量量化.该方法不但继承了矢量量化高压缩比的特点,而且在很大程度上降低了矢量量化所需的码书长度进而也降低了码字搜索的运算复杂度.实验证明,该算法是一种有效可行的心电信号压缩方法.

文章提出一种新的基于自组织映射网络的医学图像压缩算法.该算法在现有压缩算法的基础上改进了学习速率因子和获胜神经元算法的求法.学习速率因子的设计考虑了获胜神经元的选择频率,而在调整神经元权值时综合了本节点和相邻节点的影响.改进型自组织映射网络算法通过选择赢节点的频率来反映赢节点和输入加权调整的向量值之间的误差,同时它通过当前的权重和前一个的权重的改变比例来调整权重.实验结果表明该方法提高了医学图像的编码效率和重建质量.

本文通过对模糊聚类(FC)的分析和改进,提出了一种适合图像编码的模糊矢量量化的方法(FVQ),该方法在聚类过程中未对矢量间的模糊关系进行扩张,而是构造更为合理的关系,从而在计算复杂度降低的情况下能得到更好的聚类,最后利用LBG局部寻优能力对聚类结果进一步优化,所得码书较传统LBG算法有大幅提高.