法律状态公告日
法律状态信息
法律状态
2017-11-10
授权
授权
2015-12-09
实质审查的生效 IPC(主分类):G06T5/00 申请日:20150623
实质审查的生效
2015-11-11
公开
公开
技术领域
本发明属于医学信号降噪领域,更具体地,涉及一种医学超声图 像降噪方法。
背景技术
心电信号采集自病人体表,是一种无创性的检测手段。因此,心 电信号采集过程中受到基线漂移、工频干扰、肌电信号等多种噪声的 干扰,影响后续临床诊断的准确性。因此这些噪声能够被适当的去除, 对心电信号诊断具有决定性的意义。
现有的心电信号滤波算法主要包括有限冲击响应(Finite ImpulseResponse,FIR)滤波、无限冲击响应(InfiniteImpulse Response,IIR)滤波、中值滤波、小波滤波和非局部均值降噪等。其 中,非局部均值方法因充分利用了信号的冗余性,较其它方法能更好 地抑制噪声的不利影响。但传统非局部均值降噪方法,对不同的心电 信号波段,都采用相同的衰减系数,不能较好地适应心电信号具有明 显周期性和区域性的特点,导致难以兼顾均匀区域的平滑和细节信息 的保护。
发明内容
针对现有技术中存在的问题,本申请提供的是一种基于粒子群优 化的心电信号自适应非局部均值降噪方法,简称ANLM。其中通过对 衰减参数和搜索窗口进行研究和设计,与现有降噪方法相比,ANLM 具有更好的恢复性能。
为实现上述目的,按照本发明的一个方面,提供了一种基于粒子 群优化算法的心电信号自适应非局部均值降噪方法,该方法包括以下 步骤:
步骤1对原始心电信号进行非局部均值滤波,得到预滤波结果。
对原始信号O进行非局部均值滤波,得到预滤波信号M,该信号 中每个信号点Mi按式(1)计算
其中,Oj代表原始信号O中位于点j处信号的幅值,Ω表示搜 索窗,ω(i,j)是衡量原始信号O中分别以i和j为中心的两信号块O(Ni) 和O(Nj)之间的相似度,其计算方法如(2)式所示:
其中,O(Ni)和O(Nj)分别代表信号O中分别以i和j为中心的 两信号块,Ci为归一化参数,表示L2范数,G表示高斯内核,* 表示卷积操作符号,h代表固定的衰减参数。
步骤2利用粒子群算法来对每一信号点i优化衰减参数和搜索 窗口,将信号的偏差的平方和其方差的和作为适应度函数,使其自适 应于不同的信号点,进而得到每一个信号点对应的最优化的衰减参数 和搜索窗口。
(2-1)初始化粒子群。
以搜索窗口Ωi和衰减参数hi为优化对象,在二维目标搜索空间中 初始化N个粒子组成一个种群,其中第k个粒子表示为一个二维的位 置向量xk=(Sk,hk),(k=1,2,…,N),Sk为搜索窗Ωi的半径。而第k个粒 子的移动速度对应的二维的向量为vk=(vk1,vk2),(k=1,2,…,N)。
(2-2)对于信号O,用逐信号点的均方误差的期望E[MSE(Mi)]作 为优化衰减参数hi和搜索窗Ωi的适应度函数去计算每个粒子的适应 度Fit(k)。考虑到均方误差的期望E[MSE(Mi)]越小,即表示对应粒子 的搜索窗大小Ωi和衰减参数hi降噪效果越好。故适应度Fit(k)采用下 式(3)计算:
Fit(k)=-E[MSE(Mi)](3)
其中均方误差的期望E[MSE(Mi)]如下式(4)计算:
E[MSE(Mi)]=bias2(Mi)+var(Mi)(4)
其中偏差平方项bias2(Mi)和方差项var(Mi)计算公式分别如式 (5)和式(6)所示:
其中Mi是预滤波信号M中信号点i对应的幅度值,σ为信号O 噪声标准差。
(2-3)用下式表示每个粒子迄今为止搜索到的局部最优位置 pbest,并利用(3)式计算局部最优位置的适应度即个体最优fpbest(k):
pbest=(Sk,hk),(k=1,2,…,N)(7)
用对应每个粒子的适应度Fit(k)和个体极值fpbest(k)比较,如果 Fit(k)大于fpbest(k),则用Fit(k)替换掉fpbest(k);
(2-4)用下式表示整个粒子群迄今为止搜索到的全局最优位置 gbest,并利用(3)式计算其适应度即全局极值fgbest:
gbest=(Sg,hg)(8)
对每个粒子,用它的适应度值Fit(k)和全局极值fgbest比较,如果 Fit(k)大于fgbest,则用Fit(k)替换掉fgbest;
(2-5)根据下式(9)和(10)更新粒子的速度和位置;
vk=T*vk+c1r1(pbest-xk)+c2r2(gbest-xk)(9)
xk=xk+vk(10)
其中c1和c2是学习因子,r1和r2是介于[0,1]之间的随机数,T是 惯性权重。
如果满足结束条件(误差足够好或到达最大循环次数)退出,否则 返回(2-2)。
(2-6)粒子群优化完之后,会得到群体最优的位置gbest=(Sg,hg), 于是就得到了逐信号点最优化的搜索窗S=Sg,最优化的衰减参数 h=hg。
步骤3用步骤2粒子群算法所得逐信号最优的搜索窗半径Sg和 衰减参数hg对原始信号O进行逐信号点的非局部均值降噪,得到降噪 之后的信号M′。该降噪信号中每一信号点i对应的幅度Mi′按式(11) 计算:
其中Ωi′表示信号中以信号点i为中心的搜索窗,其窗口大小为 步骤3得到的对应信号点i最优的Sg。ω′(i,j)是衡量预处理信号M中 分别以i和j为中心的两信号块O′(Ni)和O′(Nj)之间的相似度,其计 算公式如下(12):
O'(Ni)和O'(Nj)分别代表预处理信号M中以信号点i和j为中 心的信号块,hg是对应信号点i最优的衰减参数。
优选地,所述心电信号降噪方法,步骤1非局部均值预滤波搜索 窗Ω窗口大小在800至1200之间,衰减参数h在15至20之间。为 了实现较好的噪声抑制效果,得到噪声少的预滤波信号,搜索窗Ω窗 口大小优选1000,衰减参数h优选为16。
优选地,所述心电信号降噪方法,步骤(2-1)所述的N取值在 15至30之间,为了兼顾粒子群算法优化效果和时间效率,优选N为 20。
优选地,所述心电信号降噪方法,其特征在于,考虑到心电信号 的细节尖峰区和信号平坦区的特征,步骤(2-1)所述搜索窗大小Sk的 搜索范围为500-2000,衰减参数hk的搜索范围为5-30。
优选地,所述心电信号降噪方法,步骤(2-5)考虑到粒子群算法 优化迭代的效果和效率,所述惯性权重优选T=0.7298,学习因子c1和 c2优选为c1=c2=1.4962,最大迭代次数优选为50。
优选地,为了提高步骤3自适应逐信号非局部均值降噪效果, 得到噪声较少的最终降噪效果,所述信号块O′(Ni)和O′(Nj)大小优选 10。
总体而言,按照本发明的上述技术构思与现有技术相比,主要具 备以下的技术优点:
1、在细节保留和噪声滤除的平衡性方面具有先天优势,同时考 虑到心电信号具有明显周期性和区域性的特点,对于心电信号的不同 波段区域,利用粒子群算法自适应的调整非局部均值降噪的核心参数, 即衰减系数和搜索窗大小;
2、能在有效抑制心电信号中噪声的同时更好地保护信号细节信 息。
附图说明
图1是本发明基于粒子群优化的心电信号自适应非局部均值降 噪方法的流程图;
图2是本发明粒子群算法步骤2的流程图;
图3(a)是模拟心电信号;
图3(b)是噪声方差为60时的原始信号;
图3(c)是对噪声方差为60的原始信号实施例1ANLM方法的降 噪结果;
图3(d)是对噪声方差为60的原始信号实施NLM方法的降噪结果;
图3(e)是对噪声方差为60的原始信号实施IIR滤波方法的降噪 结果;
图3(f)是对噪声方差为60的原始信号实施FIR滤波方法的降噪 结果;
图3(g)是对噪声方差为60的原始信号实施中值滤波方法的降噪 结果;
图3(h)是对噪声方差为60的原始信号实施小波变换滤波方法的 降噪结果;
图4(a)是真实心电信号;
图4(b)是实施例2ANLM方法的降噪结果;
图4(c)是实施NLM方法的降噪结果;
图4(d)是实施IIR滤波方法的降噪结果;
图4(e)是实施FIR滤波方法的降噪结果;
图4(f)是实施中值方法的降噪结果;
图4(g)是实施小波变换滤波方法的降噪结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合 附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描 述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外, 下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此 之间未构成冲突就可以相互组合。
本发明提供的心电信号降噪方法,简称ANLM,如图1所示,包 括以下步骤:
步骤1对原始心电信号进行非局部均值滤波,得到滤波结果。
对原始信号O进行非局部均值滤波,得到预滤波信号M,该信号 中每个信号点Mi按式(1)计算
其中,Oj代表原始信号O中位于点j处信号的幅值,Ω表示搜 索窗,其大小选择为1000,ωi,j是衡量信号O中分别以i和j为中心 的两信号块O(Ni)和O(Nj)之间的相似度,其计算方法如(2)式所示:
其中,Ci为归一化参数,表示L2范数,G表示高斯内核,* 表示卷积操作符号,h代表固定的衰减参数,其优选为16。
步骤2利用粒子群算法来对每一信号点i优化衰减参数和搜索 窗口,将信号的偏差的平方和其方差的和作为适应度函数,使其自适 应于不同的信号点,进而得到每一个信号点对应的最优化的衰减参数 和搜索窗口。
(2-1)初始化粒子群。
以搜索窗口Ωi和衰减参数hi为优化对象,在二维目标搜索空间中 初始化N个粒子组成一个种群,其中第k个粒子表示为一个二维的位 置向量xk=(Sk,hk),(k=1,2,…,20),Sk为搜索窗Ωi的半径。而第k个 粒子的移动速度对应的二维的向量为vk=(vk1,vk2),(k=1,2,…,20)。
优选的,Sk的搜索范围为[500,2000],hk的搜索范围为[5,30]。
(2-2)对于信号O,用逐信号点的均方误差的期望E[MSE(Mi)]作 为优化衰减参数hi和搜索窗Ωi的适应度函数去计算每个粒子的适应 度Fit(k)。考虑到均方误差的期望E[MSE(Mi)]越小,即表示对应粒子 的搜索窗大小Ωi和衰减参数hi降噪效果越好。故适应度Fit(k)采用下 式(3)计算:
Fit(k)=-E[MSE(Mi)](3)
其中均方误差的期望E[MSE(Mi)]如下式(4)计算:
E[MSE(Mi)]=bias2(Mi)+var(Mi)(4)
其中偏差平方项bias2(Mi)和方差项var(Mi)计算公式分别如式 (5)和式(6)所示:
其中Mi是预滤波信号M中信号点i对应的幅度值,σ为信号O 噪声标准差。
(2-3)用下式表示每个粒子迄今为止搜索到的局部最优位置 pbest,并利用(3)式计算局部最优位置的适应度即个体最优fpbest(k):
pbest=(Sk,hk),(k=1,2,…,20)(7)
用对应每个粒子的适应度Fit(k)和个体极值fpbest(k)比较,如果 Fit(k)大于fpbest(k),则用Fit(k)替换掉fpbest(k);
(2-4)用下式表示整个粒子群迄今为止搜索到的全局最优位置 gbest,并利用(3)式计算其适应度即全局极值fgbest:
gbest=(Sg,hg)(8)
对每个粒子,用它的适应度值Fit(k)和全局极值fgbest比较,如 果Fit(k)大于fgbest,则用Fit(k)替换掉fgbest;
(2-5)根据下式(9)和(10)更新粒子的速度和位置;
vk=T*vk+c1r1(pbest-xk)+c2r2(gbest-xk)(9)
xk=xk+vk(10)
其中c1和c2是学习因子,优选为1.4962,r1和r2是介于[0,1]之 间的随机数,T是惯性权重,优选为0.7298。
如果满足最大循环次数退出,否则返回(2-2)。其最大循环次数 设置为50。
(2-6)粒子群优化完之后,会得到群体最优的位置gbest=(Sg,hg), 于是就得到了逐信号点最优化的搜索窗S=Sg,最优化的衰减参数 h=hg。
步骤3用步骤2粒子群算法所得逐信号最优的搜索窗半径Sg和 衰减参数hg对原始信号O进行逐信号点的非局部均值降噪,得到降噪 之后的信号M′。该降噪信号中每一信号点i对应的幅度Mi′按式(11) 计算:
其中Ωi′表示信号中以信号点i为中心的搜索窗,其窗口大小为 步骤3得到的对应信号点i最优的Sg。ω′i,j是衡量预处理信号M中分 别以i和j为中心的两信号块O′(Ni)和O′(Nj)之间的相似度,其计算 公式如下(12):
O′(Ni)和O′(Nj)分别代表预处理信号M中以信号点i和j为中 心的信号块,其信号块大小为10,hg是对应信号点i最优的衰减参 数。
以下为实施例:
实施例1
对图3(a)所示的模拟心电信号加入方差为20、30、40、50、60 的高斯噪声,得到图3(b)原始信号O,接着采用本专利提出的心电信 号降噪方法进行降噪处理:
步骤1对原始心电信号图3(b)进行非局部均值滤波,得到滤波 结果。
对原始信号O进行非局部均值滤波,得到预滤波信号M,该信号 中每个信号点Mi按式(1)计算
其中,Oj代表原始信号O中位于点j处信号的幅值,Ω表示搜 索窗,其大小选择为1000,ωi,j是衡量信号O中分别以i和j为中心 的两信号块O(Ni)和O(Nj)之间的相似度,其计算方法如(2)式所示:
其中,Ci为归一化参数,表示L2范数,G表示高斯内核,* 表示卷积操作符号,h代表固定的衰减参数,对于模拟信号优选为16。 Ci为归一化参数,以确保成立,采用下式计算
步骤2利用粒子群算法来对每一信号点i优化衰减参数和搜索 窗口,将信号的偏差的平方和其方差的和作为适应度函数,使其自适 应于不同的信号点,进而得到每一个信号点对应的最优化的衰减参数 和搜索窗口。
(2-1)初始化粒子群。
以搜索窗口Ωi和衰减参数hi为优化对象,在二维目标搜索空间中 初始化N个粒子组成一个种群,其中第k个粒子表示为一个二维的位 置向量xk=(Sk,hk),(k=1,2,…,20),Sk为搜索窗Ωi的半径。而第k个 粒子的移动速度对应的二维的向量为vk=(vk1,vk2),(k=1,2,…,20)。
优选的,Sk的搜索范围为[500,2000],hk的搜索范围为[5,30]。
(2-2)对于信号O,用逐信号点的均方误差的期望E[MSE(Mi)]作 为优化衰减参数hi和搜索窗Ωi的适应度函数去计算每个粒子的适应 度Fit(k)。考虑到均方误差的期望E[MSE(Mi)]越小,即表示对应粒子 的搜索窗大小Ωi和衰减参数hi降噪效果越好。故适应度Fit(k)采用下 式(3)计算:
Fit(k)=-E[MSE(Mi)](3)
其中均方误差的期望E[MSE(Mi)]如下式(4)计算:
E[MSE(Mi)]=bias2(Mi)+var(Mi)(4)
其中偏差平方项bias2(Mi)和方差项var(Mi)计算公式分别如式 (5)和式(6)所示:
其中Mi是预滤波信号M中信号点i对应的幅度值,σ为信号O 噪声标准差。
(2-3)用下式表示每个粒子迄今为止搜索到的局部最优位置 pbest,并利用(3)式计算局部最优位置的适应度即个体最优fpbest(k):
pbest=(Sk,hk),(k=1,2,…,20)(7)
用对应每个粒子的适应度Fit(k)和个体极值fpbest(k)比较,如果 Fit(k)大于fpbest(k),则用Fit(k)替换掉fpbest(k);
(2-4)用下式表示整个粒子群迄今为止搜索到的全局最优位置 gbest,并利用(3)式计算其适应度即全局极值fgbest:
gbest=(Sg,hg)(8)
对每个粒子,用它的适应度值Fit(k)和全局极值fgbest比较,如 果Fit(k)大于fgbest,则用Fit(k)替换掉fgbest;
(2-5)根据下式(9)和(10)更新粒子的速度和位置;
vk=T*vk+c1r1(pbest-xk)+c2r2(gbest-xk)(9)
xk=xk+vk(10)
其中c1和c2是学习因子,优选为1.4962,r1和r2是介于[0,1]之 间的随机数,T是惯性权重,优选为0.7298。
如果满足最大循环次数退出,否则返回(2-2)。其最大循环次数 设置为50。
(2-6)粒子群优化完之后,会得到群体最优的位置gbest=(Sg,hg), 于是就得到了逐信号点最优化的搜索窗S=Sg,最优化的衰减参数 h=hg。
步骤3用步骤2粒子群算法所得逐信号最优的搜索窗半径Sg和 衰减参数hg对原始信号O进行逐信号点的非局部均值降噪,得到降噪 之后的信号M′。该降噪信号中每一信号点i对应的幅度Mi′按式(11) 计算:
其中Ωi′表示信号中以信号点i为中心的搜索窗,其窗口大小为 步骤3得到的对应信号点i最优的Sg。ω′i,j是衡量预处理信号M中分 别以i和j为中心的两信号块O′(Ni)和O′(Nj)之间的相似度,其计算 公式如下(12):
O′(Ni)和O′(Nj)分别代表预处理信号M中以信号点i和j为中 心的信号块,其信号块大小为10,hg是对应信号点i最优的衰减参 数。
为了说明本专利提出的ANLM方法的优越性,我们将传统NLM 方法、IIR滤波、FIR滤波、中值滤波、小波变换滤波这五种算法作 为对比算法。
为客观评价各种方法的滤波性能,采用信噪比(SNR)和均方误 差(RMSE)作为评价指标,这两个指标其定义如下:
其中I为未被噪声污染的ECG信号,In为加高斯噪声的ECG信号
其中n为未加噪声ECG信号的长度。
表1给出了各种滤波算法对应仿真心电信号降噪结果的均方误 差和信噪比。从表1可看出,本专利提出的ANLM方法较其它比较 方法具有更低的RMSE和更高的SNR,这表明ANLM方法在所有的比 较方法中具有最优的恢复性能。
表1不同噪声水平下各种滤波算法对应仿真心电信号降噪结果 的信噪比和均方误差
从图3可以看出:IIR、FIR和中值滤波对应的心电降噪信号中 残留了较多的噪声,如图3(e)、图3(f)、图3(g)中包含平滑区的 长方形窗口所示;NLM和小波算法对心电图中的细节造成一定的破 坏,如图3(d)、图3(h)中包含尖峰的正方形窗口所示。相比之下, 我们提出的ANLM算法既能很好地保护边缘等信号细节,又能有效地 滤除平滑区的噪声,具有较其它比较算法更优的恢复性能。
实施例2
为了说明本算法的实用性,我们将其用于对儿科头部受伤病人在 500Hz采样率下采集到的实际心电图4(a)的降噪处理,采用本专利提 出的ANLM方法进行降噪处理的步骤如下:
步骤1对图4(a)原始心电信号进行噪声评估,得到噪声方差。
对原始信号O进行噪声评估,该信号的噪声方差σ′按下式计算
σ′=1.4826*median(|R-median(R)|)
其中R={R1,…,Rx}是通过手动选择的噪声信号O中同质区域的 局部残差集,并且
步骤2对实际心电信号图4(a)进行非局部均值滤波,得到滤波 结果。
对图4(a)进行非局部均值滤波,得到预滤波信号M,该信号中 每个信号点Mi按式(1)计算
其中,Oj代表原始信号O中位于点j处信号的幅值,Ω表示搜 索窗,其大小选择为1000,ωi,j是衡量信号O中分别以i和j为中心 的两信号块O(Ni)和O(Nj)之间的相似度,其计算方法如(2)式所示:
其中,Ci为归一化参数,表示L2范数,G表示高斯内核,* 表示卷积操作符号,h代表固定的衰减参数,对于实际信号其优选为 16。Ci为归一化参数,以确保成立,采用下式计算
步骤3利用粒子群算法来对每一信号点i优化衰减参数和搜索 窗口,将信号的偏差的平方和其方差的和作为适应度函数,使其自适 应于不同的信号点,进而得到每一个信号点对应的最优化的衰减参数 和搜索窗口。
(3-1)初始化粒子群。
以搜索窗口Ωi和衰减参数hi为优化对象,在二维目标搜索空间中 初始化N个粒子组成一个种群,其中第k个粒子表示为一个二维的位 置向量xk=(Sk,hk),(k=1,2,…,20),Sk为搜索窗Ωi的半径。而第k个 粒子的移动速度对应的二维的向量为vk=(vk1,vk2),(k=1,2,…,20)。
优选的,Sk的搜索范围为[500,2000],hk的搜索范围为[5,30]。
(3-2)对于信号O,用逐信号点的均方误差的期望E[MSE(Mi)]作 为优化衰减参数hi和搜索Ωi的适应度函数去计算每个粒子的适应度 Fit(k)。考虑到均方误差的期望E[MSE(Mi)]越小,即表示对应粒子的 搜索窗大小Ωi和衰减参数hi降噪效果越好。故适应度Fit(k)采用下式 (3)计算:
Fit(k)=-E[MSE(Mi)](3)
其中均方误差的期望E[MSE(Mi)]如下式(4)计算:
E[MSE(Mi)]=bias2(Mi)+var(Mi)(4)
其中偏差平方项bias2(Mi)和方差项var(Mi)计算公式分别如式 (5)和式(6)所示:
其中Mi是预滤波信号M中信号点i对应的幅度值,σ′是步骤1 所得预估的信号噪声标准差。
(3-3)用下式表示每个粒子迄今为止搜索到的局部最优位置 pbest,并利用(3)式计算局部最优位置的适应度即个体最优fpbest(k):
pbest=(Sk,hk),(k=1,2,…,20)(7)
用对应每个粒子的适应度Fit(k)和个体极值fpbest(k)比较,如果 Fit(k)大于fpbest(k),则用Fit(k)替换掉fpbest(k);
(3-4)用下式表示整个粒子群迄今为止搜索到的全局最优位置 gbest,并利用(3)式计算其适应度即全局极值fgbest:
gbest=(Sg,hg)(8)
对每个粒子,用它的适应度值Fit(k)和全局极值fgbest比较,如 果Fit(k)大于fgbest,则用Fit(k)替换掉fgbest;
(3-5)根据下式(9)和(10)更新粒子的速度和位置;
vk=T*vk+c1r1(pbest-xk)+c2r2(gbest-xk)(9)
xk=xk+vk(10)
其中c1和c2是学习因子,优选为1.4962,r1和r2是介于[0,1]之 间的随机数,T是惯性权重,优选为0.7298。
如果满足最大循环次数退出,否则返回(3-2)。其最大循环次数 设置为50。
(3-6)粒子群优化完之后,会得到群体最优的位置gbest=(Sg,hg), 于是就得到了逐信号点最优化的搜索窗S=Sg,最优化的衰减参数 h=hg。
步骤4用步骤3粒子群算法所得逐信号最优的搜索窗半径Sg和 衰减参数hg对原始信号O进行逐信号点的非局部均值降噪,得到降噪 之后的信号M′。该降噪信号中每一信号点i对应的幅度Mi′按式(11) 计算:
其中Ωi′表示信号中以信号点i为中心的搜索窗,其窗口大小为 步骤3得到的对应信号点i最优的Sg。ω′(i,j)是衡量预处理信号M中 分别以i和j为中心的两信号块O′(Ni)和O′(Nj)之间的相似度,其计 算公式如下(12):
O′(Ni)和O′(Nj)分别代表预处理信号M中以信号点i和j为中 心的信号块,其信号块大小为10,hg是对应信号点i最优的衰减参 数。
为了说明本专利提出的ANLM方法的优越性,我们将传统NLM 方法、FIR滤波、IIR滤波、中值滤波、小波变换滤波这五种算法作 为对比算法。从图4对比可以明显看出:ANLM滤波后的实际心电图 更平滑,在边缘区保留了最多的细节信息。上述对比证实了本专利提 出的算法在实际心电图降噪中的有效性和优越性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例 而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任 何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
机译: 基于非局部均值的视频降噪方法及装置
机译: 用于自适应地降低信号噪声,尤其是在心电图或心电图信号中的信号的方法和装置
机译: 基于贝叶斯自适应共振的多目标多模粒子群优化方法