临床信号分析中的经验模式分解:系统性审查
Shanglin Yang1, Hsientsai Wu2, Xuwei Liao3
1School of Electrical and Information Engineering, North Minzu University, No. 204 North Wenchang Street, Yinchuan, Ningxia, 750021, China; Microelectronics and Solid-State Electronics Device Research Center, North Minzu University, Yinchuan, Ningxia, 750021, China.
Computers in biology and medicine
|June 15, 2025
概括
经验模式分解 (EMD) 显著提高了医疗保健中的生理信号分析,提高了心脏病学,神经学和呼吸系统医学的准确性. 建议对混合型号进行进一步的研究,以获得最佳性能.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 医疗信息学 医疗信息学
背景情况:
- 生理信号包含复杂的,非线性信息.
- 传统的分析方法在捕捉复杂的信号动态方面存在局限性.
- 经验模式分解 (EMD) 提供了一个新的信号分析方法.
研究的目的:
- 系统地审查实证模式分解 (EMD) 在医疗保健中的应用.
- 评估EMD在分析各种生理信号方面的有效性.
- 确定EMD在临床实践中的挑战和未来方向.
主要方法:
- 在关键数据库中进行系统的文献搜索.
- 包括专注于EMD在生理信号分析中的应用研究.
- 从选定的研究中获得的结果的定性综合.
主要成果:
- 在心脏异常方面,EMD可提高心电图分析的准确度,达到98%.
- EMD 增强了用于神经疾病诊断的脑电图分析.
- 在呼吸模式分析中,EMD可将假阳性率降低20%.
结论:
- 在医疗保健中,EMD显示了彻底改变生理信号分析的巨大潜力.
- 需要标准化指南和先进的算法来解决EMD的局限性.
- 将EMD与机器学习相结合的混合方法对未来的研究有希望.
