将经验模态分解(EMD)算法结合动态光谱理论中的频域提取算法用于血红蛋白浓度的无创测量。在体采集57例光电容积脉搏波, 选取636.98～1 086.86 nm范围内的光谱数据进行分析。首先通过EMD方法分别对各个样本每个波长的光电容积脉搏波进行去噪预处理, 再利用离散傅里叶变换提取脉搏波的峰峰值构成动态光谱, 最后运用偏最小二乘方法对各样本的动态光谱和血红蛋白浓度建立模型。与未经EMD处理的数据建模结果相比, EMD处理后, 血红蛋白浓度预测集的相关系数从0.879 8提高到0.917 6, 预测集均方根误差从6.675 9 g·L-1减小到5.300 1 g·L-1, 相对误差从8.45%减小到6.71%, 建模精度有了较大的提高。结果表明, 采取经验模态分解的算法进行光电采集数据的去噪预处理可以提高光谱数据的信噪比, 进而可以提高血液成分无创测量的准确性。

为了提高血氧饱和度光谱测量的精度和可靠性, 增强血氧饱和度测量数据的有效性, 提出了基于试验方差分析的血氧测量波长选取的方法。 通过分析不同波长组合对应的血氧饱和度系数分布情况, 合理地利用统计理论, 从中选取较好的波长组合。 实验中以不同血氧饱和度临床数据为基础, 建立了不同波长组合(660和940 nm, 660和805 nm, 805和940 nm)计算出的血氧饱和度系数的单因素试验方差分析模型, 参照分析模型中的F指标和p参数, 比较分析不同波长组合的显著性, 进而从光谱数据中选取出相对较好的波长组合, 为进一步建模分析提供了可靠的中间数据。 结果表明, 选取660和805 nm的波长组合引入的总误差相对较小, 能更显著的代表血氧饱和度的变化, 相比其他的波长组合进行分析能够提高血氧测量精度。 本研究将试验方差分析方法用于血氧测量中波长组合的优选, 效果显著, 为血氧饱和度的测量和其他相关光谱的特征波长选取以及定量分析提供了新思路。 试验方差分析方法有助于从光谱中提取代表被测量的有效信息。

为了提高动态光谱法信号的信噪比，从信号和噪声能量的角度分析了动态光谱法以往采用的频域数据处理方法优点和缺陷，研究了了典型动态光谱系统噪声来源、频谱特点及其对动态光谱法信噪比的影响；并由此提出了增加多次谐波分量计入动态光谱的方法，并通过实验方法研究了实验中不同对照组的动态光谱相关系数与谐波次数逐渐增加时的变化趋势、确定了计入动态光谱的最佳谐波次数。实验证明，伴随频域处理中引入的谐波次数的增加，源自两个不同个体的动态光谱数据的相关系数会先减小后增加；而源自同一个体不同部位的动态光谱数据则一直增大。当引入的谐波次数为5时，可以得到最佳信噪比。所得到的动态光谱可以更加准确地反应血液成分信息，从而使动态光谱法的信噪比最大。

为了充分利用参与特征融合的不同唇形特征的有效鉴别信息,使得合成的新特征向量具有更强的分类能力,采用加权组合的方法,对唇形区域的几何特征向量和由离散余弦变换描述子表述的唇形轮廓特征向量进行特征融合.通过实验得到一组较优的加权因子,合并两类特征,形成新的特征向量.应用隐马尔可夫模型对新的特征向量进行学习和识别,分析识别效果.基于独立汉字发音的实验结果表明:采用加权组合两类特征后所形成的新特征向量进行唇形识别的效果比单纯采用任何一种特征向量的识别效果都好;配比不同的加权因子,最多可将识别率提高2.5%.结果表明,加权组合的特征融合方法使得两组特征能够以比较均衡的比例参与融合,有利于提高唇形识别的效果.

在分析了交通场景视频特点的基础上,根据视频流中帧间像素颜色变化情况来确定背景像素值.提出以帧间像素梯度值作为背景像素的判断条件来建立背景模型的方法.在计算中将图像进行分块,通过求子区域颜色梯度变化值来确定其背景,然后根据各子区域的计算结果重建背景模型.实验结果表明:平均经过100帧图像初始化后,即可完成背景建模,初始化帧数比其它方法少,平均每帧图像的处理时间为15.566 ms.该方法背景建模的速度和初始化帧数都满足交通场景视频监控系统的要求.

为了能够自动而且快速地获取唇读系统中所必需的唇形轮廓特征,提出了将正交压缩变换的方法用于唇形轮廓的特征提取,并对得到的唇形轮廓曲线进行了分析研究.通过离散傅里叶变换(DFT)和离散余弦变换(DCT)分别得到描述唇形轮廓特征的傅里叶描述子和离散余弦变换描述子,然后将两类描述子作为唇形轮廓的特征向量,采用隐马尔可夫模型(HMM)进行学习和识别.基于独立汉字发音的实验表明:在达到40%的识别率时,刻画唇形轮廓特征所需的离散余弦变换描述子数目为15个,傅里叶描述子数目为20个.在相同的识别效果时,刻画唇形轮廓特征所需的离散余弦变换描述子数目少于傅里叶描述子,可减少数据运算量和运算所需时间.