医学信号处理第二次实验报告
电子科技大学生命科学与技术学院标准实验报告（实验）课程名称生物医学信号处理2018-2019-第2学期电子科技大学教务处制表一、实验室名称：品学楼B302二、实验名称：随机信号多角度认知和脑电信号特征的认知三、实验学时：四、实验原理：(一)1、均值公式为:方差公式为:2、一个平稳随机信号中两个时间点上的自相关和自协方差公式为：3、随机信号的功率谱密度函数定义为自相关函数的傅里叶变换：（二）1、傅里叶变换对：频域上与窗函数卷积使得频率谱更加平滑2、脑电波是一些自发的有节律的神经电活动，其频率变动范围在每秒1－30次之间的，可划分为四个波段：δ（1－3Hz）：为人的深度睡眠阶段的脑电波。
θ（4－7Hz）：为人的睡眠的初期阶段。
α（8－13Hz）：大脑处于完全放松的精神状态下，或是在心神专注的时候出现的脑电波。
β（14－30Hz）这种脑电波反映的是人类在一种通常的、日常的清醒状态下的脑电波情况。
五、实验目的：1、了解randn和rand产生序列的特征和区别，能够计算各种样本数字特征及理解一阶统计量与二阶统计量间的区别。
2、利用周期图法估计信号功率谱，知道相关函数结果与功率谱的DFT关系。
3、探讨不同窗函数对周期图法信号处理结果的影响。
通过数据差别分析信号区别。
六、实验内容：（一）随机信号的时域和频域认识1、在波形产生函数中选randn和rand两种波形发生器，各产生一段随机信号，请观察它们是什么样的信号，描述它们的时域特征。
2、编制一个程序，计算这两个随机信号的样本数字特征，包括均值、方差、相关函数（xcorr）、协方差函数（xcov），比较并描述这两个信号一阶和二阶统计量的区别。
3、对以上信号样本计算频数直方图（hist）并估计这两个随机信号的概率密度函数(ksdensity)及估计他们的概率分布函数(ksdensity) 。
4、利用周期图法估计这两个信号功率谱，比较并描述它们的频域特征。
5、查看相关函数结果和功率谱之间是否是一对DFT。
（二）开闭眼脑电信号特征的认识1、按照（学号后两位*班号）选择一路脑电信号，观察和描述开眼和闭眼脑电信号的时域波形特征。
（数据文件“eegclose.mat”and “eegopen.mat”，Fs=250 Hz，幅度单位：微伏）2、使用周期图法对开眼和闭眼的脑电信号进行分析，探讨不同窗函数对分析结果的影响（矩形窗之外选三种窗）；3、将某一种窗函数下的开眼和闭眼功率谱图进行比较，找出开眼与闭眼功率谱上存在的差异。
（例如测量脑电delta，theta、alpha，beta四个波段内的功率峰值，采用表格方式列出，这样可以比较开眼和闭眼的功率谱分布的差异）。
4、给出一段文字总结开眼和闭眼脑电信号之间的差异总结。
七、实验器材（设备、元器件）：matlab2014b八、实验步骤:首先整理思路，写程序并记录运行结果，分析数据并写报告。
九、实验数据及结果分析：（一）程序：clear all;clc;N=10000;s_randn = randn(1,N);s_rand = rand(1,N);%均值方差mean_randn = mean(s_randn) mean_rand = mean(s_rand)V_randn = var(s_randn)V_rand = var(s_rand)%相关函数xg_randn = xcorr(s_randn,'biased'); xg_rand = xcorr(s_rand,'biased');figure(1)subplot(3,2,1)plot(1:N,s_randn)title('正态分布随机数')subplot(3,2,2)plot(1:N,s_rand)title('均匀分布随机数')subplot(3,2,3)plot(1:length(xg_randn),xg_randn) title('正态分布随机数自相关')subplot(3,2,4)plot(1:length(xg_rand),xg_rand) title('均匀分布随机数自相关')xfc_randn = xcov(s_randn,'biased'); xfc_rand = xcov(s_rand,'biased'); subplot(3,2,5)plot(1:length(xfc_randn),xfc_randn) title('正态分布随机数协方差') subplot(3,2,6)plot(1:length(xfc_rand),xfc_rand) title('均匀分布随机数协方差')figure(2)subplot(3,2,1)hist (s_randn,100);title('正态分布随机数频率直方图') subplot(3,2,2)hist (s_rand,100);title('均匀分布随机数频率直方图') [f1,s1] = ksdensity(s_randn);[f2,s2] = ksdensity(s_rand); subplot(3,2,3)plot(s1,f1)title('正态分布随机数概率密度曲线') subplot(3,2,4)plot(s2,f2)title('均匀分布随机数概率密度曲线')F1 = zeros(1,length(f1));F2 = zeros(1,length(f2));for i = 1:length(f1)F1(i) = sum(f1(1:i));endfor i = 1:length(f2)F2(i) = sum(f2(1:i));endsubplot(3,2,5)plot(1:length(F1),F1)title('正态分布随机数概率分布函数曲线') subplot(3,2,6)plot(1:length(F2),F2)title('正态分布随机数概率分布函数曲线') pow_n=abs(fft(s_randn,2*N-1)).^2/N;xgn_fft=abs(fft(flip(fftshift(xg_randn)))); d1=pow_n-xgn_fft;pow=abs(fft(s_rand,2*N-1)).^2/N;xg_fft=abs(fft(flip(fftshift(xg_rand))));d2=pow-xg_fft;figure(3)suptitle('验证相关与功率谱是一对DFT')subplot(1,2,1)plot(1:length(pow_n),pow_n,'*',1:length(xgn_fft),xgn_fft,'o') legend('正态序列功率谱','正态序列相关')subplot(1,2,2)plot(1:length(pow),pow,'*',1:length(xg_fft),xg_fft,'o') legend('平均序列功率谱','正态序列相关')disp('正态随机信号的计算误差最大值为:')max(d1)disp('均匀随机信号的计算误差最大值为:')max(d2)结果：1、2 ：两个随机信号的样本数字特征表1 信号的均值及方差表图1 信号的时域图像和二阶统计量图像3：频数直方图（hist）并估计这两个随机信号的概率密度函数(ksdensity)及估计他们的概率分布函数(ksdensity) 。
图2 频数直方图概率密度函数及概率分布函数4：相关函数结果和功率谱比较图3 信号的功率谱和相关函数正态随机信号的计算误差最大值为: 4.4409e-15均匀随机信号的计算误差最大值为: 1.3088e-13（一）程序：clear allclose=load('eegclose');open=load('eegopen');close=close.eegclose(:,8*2);open=open.eegopen(:,8*2);n = length(close);fs = 250;x=(0:n-1)'/fs;figure(1)subplot(2,2,1)plot(x,close);xlabel('时间/s');ylabel('幅度/mV');title('闭眼信号') subplot(2,2,2)plot(x,open);xlabel('时间/s');ylabel('幅度/mV');title('睁眼眼信号')%构造win=cell(1,4);rect=boxcar(n);win{1,1}=rect;trian=triang(n);win{1,2}=trian;hamm=hamming(n);win{1,3}=hamm;bman=blackman(n);;win{1,4}=bman;figure(2)plot(1:n,rect);hold onplot(1:n,trian);hold onplot(1:n,hamm);hold onplot(1:n,bman);legend('矩形窗','三角窗','海明窗','布莱克曼窗')close_w = cell(1,4);open_w = cell(1,4);for i = 1:length(win)close_w{1,i }= abs(fft(close.*win{1,i})).^2/n;[pks1,locs1] = findpeaks(close_w{1,i});open_w{1,i} = abs(fft(open.*win{1,i})).^2/n;[pks2,locs2] = findpeaks(open_w{1,i});endfreq = (0:n/2-1)/n *fs;figure(3)names={'矩形窗','三角窗','海明窗','凯撒窗'};%在功率谱中标注出δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz) locate_mid = [1.5,5.5,10.5,22];%生成四种脑电波的定位矩阵loc = {[1,3] [4,7] [8,13] [14,30]};for i = 1:4subplot(4,2,2*i-1)plot(freq,close_w{1,i}(1:n/2))xlabel('频率/Hz')title(['闭眼加',names{1,i},'的功率谱']);axis([0 40 0 max(close_w{1,i})/10])set(gca,'XTickmode','manual','Xtick',locate_mid) subplot(4,2,2*i)plot(freq,open_w{1,i}(1:n/2))xlabel('频率/Hz')title(['睁眼加',names{1,i},'的功率谱']);axis([0 40 0 max(open_w{1,i})/10])set(gca,'XTickmode','manual','Xtick',locate_mid) endpeaks_c = zeros(4,4);peaks_o = zeros(4,4);locate = cell(1,4);for j=1:4for i = 1:4locate{1,i} = find ((freq > loc{1,i}(1)) & (freq < loc{1,i}(2)));peaks_c(j,i) = max( findpeaks( close_w{1,j}( (locate{1,i}) ) ) );peaks_o(j,i) = max( findpeaks( open_w{1,j}( (locate{1,i}) ) ) );endendf = figure('Position',[440 500 461 146]);% Create the column and row names in cell arrayscnames = {'δ(1-3Hz)','θ(4-7Hz)','α(8-13Hz)','β(14-30Hz)'};% Create the uitablet = uitable(f,'Data',peaks_c, 'ColumnName',cnames,'RowName',names);% Set width and heightt.Position(3) = t.Extent(3);t.Position(4) = t.Extent(4);f = figure('Position',[440 500 461 146]);% Create the column and row names in cell arrayscnames = {'δ(1-3Hz)','θ(4-7Hz)','α(8-13Hz)','β(14-30Hz)'};% Create the uitablet = uitable(f,'Data',peaks_o, 'ColumnName',cnames,'RowName',names); t.Position(3) = t.Extent(3);t.Position(4) = t.Extent(4);结果：1：开眼和闭眼脑电信号的时域波形特征图4 闭眼和开眼信号时域图像2：使用周期图法对开眼和闭眼的脑电信号进行分析图5闭眼和睁眼信号加窗分析信号功率谱3、比较开眼和闭眼的功率谱分布的差异表2 闭眼信号各各波段功率谱峰值表3 睁眼信号各各波段功率谱峰值表4 两信号各各波段功率谱峰值差值表图7闭眼信号各波段峰值对比图矩形窗三角窗 海明窗 布莱克曼窗 0.00E+001.00E+032.00E+033.00E+034.00E+035.00E+03 δ(1-3Hz)θ(4-7Hz)α(8-13Hz)β(14-30Hz)闭眼信号各波段峰值矩形窗 三角窗海明窗布莱克曼窗图8 闭眼信号各波段峰值对比图图9 闭、睁眼信号各波段峰值差值对比图（闭眼减去睁眼）十、总结及心得体会： （一）1、正态分布随机信号：值为-4到4之间的随机信号，但大多数值矩形窗三角窗 海明窗 布莱克曼窗 0.00E+001.00E+032.00E+033.00E+034.00E+035.00E+036.00E+03 δ(1-3Hz)θ(4-7Hz)α(8-13Hz)β(14-30Hz)睁眼信号各波段峰值矩形窗 三角窗海明窗布莱克曼窗集中在-2到2之间。
医学信号处理实验2
实验二诱发响应的提取--消除潜伏期的影响1 仿真信号生成响应信号x(t)=15*e^(-at)*sin(2*pi*f*t)a=0.2,f=1/20,t=0~19 a越小衰减的越慢响应信号长度为20噪声信号长度为100，噪声为正态分布；仿真信号总长度为100信号的潜伏期，自己设定。
要求做50组信号，各组信号的潜伏期不同2 消除潜伏期影响采用求互相关的方法，消除潜伏期影响，应用xcorr函数，具体参见help 3 消除潜伏期后的信号，对齐，叠加平均实验报告要求：要求先写出诱发响应的提取--消除潜伏期的步骤；然后附上程序。
clear all% 生成响应信号a=0.2,f=1/20;for i=1:20x(i)=15*exp(-a*i)*sin(2*pi*f*i);endplot(x);%生成白噪声信号n=randn(35,100);%生成35组潜伏期在15的仿真信号b=cat(2,zeros(1,15),x,zeros(1,100-15-size(x,2)));b=repmat(b,35,1);b=b+n;% 生成另外15组信号nindex=[7 10 20 13 9 17 21 22 18 14 19 16 22 8 11];bb=zeros(15,100);for i=1:15bb(i,nindex(i):nindex(i)+19)=x;endnn=randn(15,100);bb=bb+nn;%总的信号bx=cat(1,bb,b);test1=[1 1 2 3 4 1 1 ];test2=[2 3 4 1 1 1 1];save data bx test1 test2A=mean(bx,1);subplot(121)plot(A)for i=1:50r(i,:)=xcorr(bx(i,:),A,'unbiased');endfor i=1:50B=max(r(i,:));[x1,y1]=find(r(i,:)==B);tao=y1-100;if tao>0C(i,:)=[bx(i,tao+1:100),bx(i,1:tao)];endif tao<0C(i,:)=[bx(i,100-abs(tao)+1:100),bx(i,1:100-abs(tao))]; endendsubplot(122)C=C';plot(C)。
医学信号处理实验报告-两路信号关系衡量
电子科技大学生命科学与技术学院标准实验报告（实验）课程名称生物医学信号处理2018-2019-第2学期电子科技大学教务处制表学生姓名学号指导教师实验时间2019.4.16一、实验室名称：品学楼B302二、实验名称：两路信号间的关系衡量三、实验学时：2四、实验原理：1.信噪比(signal-to-noise ratio):是描述信号中有效成分与噪声成分的比例关系参数，单位为dB。
假设不含噪声的信号为，外加噪声以后的信号为，则信号的信噪比定义为其中代表信号的方差在给定信噪比的情形下，要求解系数，则其计算公式为2.皮尔逊相关系数在统计学中，皮尔逊相关系数(Pearson correlation coefficient)，通常用R或表示，是用来度量两个变量X和Y之间的相互关系(线性相关)的，取值范围在 [-1,+1] 之间。
它在学术研究中被广泛应用来度量两个变量线性相关性的强弱。
在作为衡量线性回归效果时，常使用对于随机变量X和Y，皮尔森相关系数的求解公式为：其中代表X与Y的协方差，和分别代表X 和Y的方差。
当相关性为 1 时，X与Y的关系可以表示为，其中a>0；当相关性为 -1 时，X与Y的关系可以表示为，其中a<0。
如果X与Y相互独立，那么相关性为0。
两个变量为正相关，则皮尔逊相关系数在0与1之间，两个变量为负相关，则皮尔逊相关系数在-1与0之间。
3.自相关检测含噪信号周期:若为周期性的随机信号，为随机噪声信号，为实际接收到的信号，则。
因此因此接收到的信号自相关可以分解为四个与发送信号和噪声有关的自相关函数，其中，的自相关函数只在零点处有最大值，其余点可大致认为0。
而由于信号和噪声的独立性，而噪声信号的期望值为0，所以在零点之外，=0，因而，由于是周期信号所以有因此自相关函数的周期与原始信号一致。
4.延时相关：5.频域相干设有两个信号，它们的频域相干函数(幅值平方相干函数)定义如下式中，表示两个信号之间的互功率谱，即这两个信号的循环互相关函数的离散傅里叶变换，为各自的功率谱，这里的代表频率， 的取值范围为0~1之间。
医学信号处理实验报告
医学信号处理实验报告医学信号处理实验报告班级：生医1201 姓名：葛然学号：12282002 实验一：基本函数图形 12 第一题3 第二题第一小题源代码：n=-10::10; x1=n.*n.*([n>=-5]-[n>=6]); subplot(2,2,1); stem(n,x1); title(‘n*n*[u(n+5￡?-u(n-6)]’); xlabel(‘n’); ylabel(‘x(n)’); x2=10.*[n==0]; subplot(2,2,2); stem(n,x2); title(‘10*[n==0]’); xlabel(‘n’); ylabel(‘x(n)’); x3=20.*.*([n>=4]-[n>=10]); subplot(2,2,3); 4stem(n,x3); title(‘20.*.*([n>=4]-[n>=10])’); xlabel(‘n’); ylabel(‘x(n)’);x4=n.*n.*([n>=-5]-[n>=6])+10.*[n==0]+2 0.*.*([n>=4]-[n>=10]); subplot(2,2,4); stem(n,x4); title(‘x1+x2+x3’); xlabel(‘n’); ylabel(‘x(n)’); 运行结果：5 第二题第二小题源代码：n=-20::20; x1=cos(*pi.*n); x2=cos(*pi.*n); subplot(3,1,1); stem(n,x1); title(‘cos(*pi.*n)’);xlabel(‘n’);ylabel(‘x1(n)’); grid on; subplot(3,1,2); stem(n,x2);title(‘cos(*pi.*n)’);xlabel(‘n’);ylabel(‘x2(n)’); grid on; n=-40::40; x1=cos(*pi.*n); subplot(3,1,3); stem(n,x1); title(‘cos(*pi.*n)’);xlabel(‘n’);ylabel(‘x1(n)’); grid on;6 运行结果：A小问：cos()(-20答：上图可以看出cos(*pi*n)是周期序列，基本的周期是20.序列cos(*pi*n)是周期为5的周期序列。
信号处理实验报告总结
信号处理实验报告总结引言信号处理是一门研究如何对信号进行处理和分析的学科，它在许多领域中都有着广泛的应用，如通信、图像处理、音频处理等。
本实验旨在通过实际操作与理论结合的方式，帮助学生深入理解信号处理的原理和方法。
理论背景信号处理的理论基础包括信号与系统、傅里叶分析、滤波器设计等方面的知识。
在本次实验中，我们主要了解了离散傅里叶变换（DFT）和数字滤波器的原理和应用，以及常见的信号处理算法。
实验过程与结果本次实验分为两个部分：DFT算法实现和数字滤波器设计。
DFT算法实现我们首先实现了离散傅里叶变换的算法，并通过MATLAB软件进行了验证。
实验中，我们使用了一个正弦信号，并通过DFT算法将其转换为频域表示。
实验结果显示，离散傅里叶变换能够准确地将时域信号转换为频域信号，且图像频谱与理论结果一致。
数字滤波器设计在第二个实验中，我们学习了数字滤波器的设计方法和常见的滤波器类型。
我们采用了巴特沃斯滤波器设计方法，并使用MATLAB软件进行了参数设计。
实验结果表明，数字滤波器能够有效地滤除输入信号中不需要的频率成分，并保留我们感兴趣的信号。
实验总结通过本次实验，我们对信号处理的理论知识有了更深入的了解，并通过实际操作加深了对信号处理方法的理解和应用能力。
通过实验，我们对离散傅里叶变换和数字滤波器的原理和应用有了更深入的了解。
然而，在实验过程中也遇到了一些困难。
例如，在DFT算法实现中，我们需要对算法进行优化以提高运行效率。
在数字滤波器设计中，我们还需要更深入地学习滤波器设计的原理和方法，以便更好地应用在实际工程中。
总的来说，本次实验使我们更加深入地了解了信号处理的原理和方法，并对信号处理的应用有了更为清晰的认识。
在今后的学习和工作中，我们将进一步巩固这方面的知识，并不断探索更多的信号处理方法和算法。
参考文献[1] Oppenheim, A. V., & Schaffer, J. R. (1998). Discrete-time signal processing. Prentice Hall.[2] Proakis, J. G., & Manolakis, D. G. (1996). Digital signal processing: principles, algorithms, and applications. Prentice Hall.附录本次实验的MATLAB代码如下：matlab% DFT算法实现N = length(x);for k = 0:N-1X(k+1) = 0;for n = 0:N-1X(k+1) = X(k+1) + x(n+1)*exp(-1i*2*pi*k*n/N);endend% 数字滤波器设计fs = 100; % 采样频率fpass = 10; % 通带频率fstop = 20; % 阻带频率Rp = 1; % 通带最大衰减Rs = 60; % 阻带最小衰减wp = 2*pi*fpass/fs;ws = 2*pi*fstop/fs;[N, wn] = buttord(wp, ws, Rp, Rs);[b, a] = butter(N, wn);y = filter(b, a, x);以上是本次信号处理实验的总结，通过实验我们深入理解了信号处理的原理和方法，也发现了一些问题，期望在今后的学习和工作中能够进一步探索和应用信号处理技术。
生物医学信号检测实验二报告
Lab 2 连续动态血压测量2。
1 实验目的1、了解动态血压测量的意义2、掌握FINAPRES仪器测量动态血压的原理3、熟悉FINAPRES 操作方法4、熟悉BeatScope easy软件的使用2。
2 实验仪器FINAPRES仪器，装有BeatScope easy软件的电脑2。
3 实验原理荷兰Finapres医疗系统早在1970S研发了世界上第一台无创血压监测仪。
目前Finapres统拥有世界上最先进的无创血压检测专利技术，有Portapres、finometer MIDI和Finometer PRO3款无创血压连续监测产品，记录每次心跳的血流动力学变化，其检测结果均可与血管内插管直接测得血压值相吻合，是无创血压测量技术发展史上的一个里程碑式的跨越。
Finometer不但能获取连续的血压波形，还能自动计算出15个重要的逐跳血流动力学参数，包括：心输出量（CO），每搏输出（SV），总外围阻力（TPR），脉搏频率变异（PRV），Baroreflex Sensitivity，它适合于各种临床或者科学研究。
Finometer MIDI 直观易用的，提供相对的精确性，非常适合观察趋势变化。
系统控制和数字参数的观察是通过键盘和LCD完成的。
图形的观察需要连接电脑才可以完成。
Finometer PRO通过使用可充气的袖套进行校准，因而只有Finometer PRO可以提供绝对的测量精度。
同时finometer PRO可以直接的通过主机上的屏幕显示图形参数。
图2-1 Finapres Portapres检测特性：无创血压检测专利技术，与直接血管插管测得血压值相吻合；记录每次心跳血压值，区别于传统连续血压监测的间歇性，呈现每次心跳的血流动力学参数；通过专利RTF技术校准标定血压值，避免传统测量方法的偶然性；超前检出早期高血压和临界高血压，为临床进行早期干预提供准确依据；配套BeatScope软件可进行后续数据自动分析处理，便于科研数据采集；无噪音、无辐射、无创检测，数据存储方便。
生物医学信号处理二
0
0
40 30 20 10 0 -5
1500 1000 500 0
2 1 0 -1
150 100 50 0 -1
150 100 50 0 -2000
6 4 2 0
2 L=256 N=4 7 x 10自 功 率 谱
4
0
5
-500 -2000
0
-2 2000 -2000
0
2000
0
1
0
-2 2000 -2000
5
-500 -2000
0
2000
-1 -2000
0
2000
0
1
0
-1 2000 -2000
0
2000
图 1.1
伪随机序列结果图
图 1.2
实际测量心电信号结果图
③实际测量脑电信号：
0.15 0.1 0.05 0 -0.05 1 1.5 直方图 2 1 0 1 0 mean 3 2 mean square 3 2 variance
图 1.4
resp 信号结果图
⑤icp 信号：
4 3 2 1 0 1
mean
15 10 5 0
mean square
1.5 1 0.5 0
variance
1.5 直方图
2
1
1.5 自相关图谱
2
1
80 60 40 20 0 0
15000 10000 5000
3 2 1 0
1.5 L=512 N=2 11 自 功率谱 x 10
0
2000
图 2.1
伪随机序列结果图
图 2.2
实际测量心电信号结果图
③实际测量脑电信号：
信号处理实验报告小结(3篇)
第1篇一、实验背景信号处理是电子工程、通信工程、自动控制等领域的基础课程。
通过信号处理实验，可以使学生深入理解信号处理的基本原理和方法，提高实际操作能力和问题解决能力。
本次实验旨在让学生熟悉信号处理的基本操作，掌握信号的时域分析、频域分析、滤波技术以及信号恢复方法。
二、实验目的1. 熟悉信号处理软件（如MATLAB）的使用方法；2. 掌握信号的时域分析、频域分析、滤波技术以及信号恢复方法；3. 培养学生分析问题和解决问题的能力。
三、实验内容1. 信号时域分析（1）信号的基本运算：信号的加减、乘除、微分、积分等；（2）信号的波形显示：使用MATLAB绘制信号的时域波形；（3）信号的频谱分析：使用MATLAB绘制信号的频谱图。
2. 信号频域分析（1）信号的快速傅里叶变换（FFT）：使用MATLAB实现信号的FFT变换；（2）信号的频谱分析：使用MATLAB绘制信号的频谱图；（3）信号的频谱滤波：使用MATLAB实现信号的频谱滤波。
3. 信号滤波技术（1）低通滤波器：使用MATLAB实现低通滤波器的设计和实现；（2）高通滤波器：使用MATLAB实现高通滤波器的设计和实现；（3）带通滤波器：使用MATLAB实现带通滤波器的设计和实现；（4）滤波器性能分析：分析滤波器的频率响应、幅频特性、相频特性等。
4. 信号恢复方法（1）信号重建：使用MATLAB实现信号的重建；（2）信号压缩：使用MATLAB实现信号的压缩；（3）信号恢复：使用MATLAB实现信号的恢复。
四、实验结果与分析1. 信号时域分析通过实验，我们成功绘制了信号的时域波形，分析了信号的基本运算和波形变化。
同时，我们还对信号的频谱进行了分析，了解了信号的频率成分。
2. 信号频域分析通过FFT变换，我们成功实现了信号的频谱分析，绘制了信号的频谱图。
实验结果表明，信号的频谱分布与信号的时域波形密切相关。
3. 信号滤波技术通过设计低通、高通、带通滤波器，我们实现了信号的滤波。
医学信号处理实验
实验一常见的离散信号MATLAB产生和图形显示实验（1）（2）（3）（4）如下：n=-5:5;x=[(n+2)==0]-2*[(n-1)==0];subplot(2,2,1);stem(n,x); %绘制离散图title('抽样序列');xlabel('n');ylabel('x(n)');n=0:10;x=[n>=0]-[(n-5)>=0];subplot(2,2,2);stem(n,x);title('阶跃序列');xlabel('n');ylabel('x(n)');n=0:50;x=2*sin(0.04*pi*n+pi/3);subplot(2,2,3);stem(n,x);title('正弦序列');xlabel('n');ylabel('x(n)');n=0:10;x=0.8.^n;subplot(2,2,4);stem(n,x);title('实指数序列');xlabel('n');ylabel('x(n)');实验（5）图如下：-20-1001020实部n -20-1001020虚部n -20-1001020幅值n-20-1001020相位n抽样序列nx (n )阶跃序列nx (n )正弦序列nx (n )510实指数序列nx (n )实验（6）1.程序：n=-10:10;x1=n.*n.*([(n+5)>=0]-[(n-6)>=0]); subplot(2,2,1); stem(n,x1); xlabel('n');ylabel('x1(n)'); x2=10*(n==0); subplot(2,2,2); stem(n,x2); xlabel('n');ylabel('x2(n)');x3=20*0.5.^n.*([(n-4)>=0]-[(n-10)>=0]); subplot(2,2,3); stem(n,x3); xlabel('n');ylabel('x3(n)'); x=x1+x2+x3;subplot(2,2,4); stem(n,x); xlabel('n'); ylabel('x(n)');图如下nx 1(n)nx 2(n )nx 3(n )nx (n )2 程序：n=-20:20;x1=cos(0.3*pi*n); subplot(3,1,1); stem(n,x1); xlabel('n');ylabel('x1(n)'); x2=cos(0.4*pi*n); subplot(3,1,2); stem(n,x2); xlabel('n');ylabel('x2(n)'); n=-40:40;x3=cos(0.3*n); subplot(3,1,3); stem(n,x3); xlabel('n');ylabel('x3(n)');图如下：nx 1(n )-20-15-10-505101520nx 2(n )nx 3(n )答：a.由上图可以看出cos(0.3*pi*n)是周期序列，基本的周期是20.序列cos(0.4*pi*n)是周期为5的周期序列。
信号处理的实验报告
一、实验目的1. 理解信号处理的基本概念和方法。
2. 掌握信号时域和频域分析的基本方法。
3. 熟悉常用信号处理算法的应用。
4. 提高信号处理实验技能。
二、实验原理信号处理是研究信号的获取、传输、处理、分析和解释的一门学科。
本实验主要研究以下内容：1. 信号时域分析：通过对信号进行时域变换，分析信号的时域特性。
2. 信号频域分析：通过对信号进行频域变换，分析信号的频域特性。
3. 信号处理算法：学习常用的信号处理算法，如滤波、压缩、解调等。
三、实验内容1. 信号时域分析（1）实验目的：观察和分析信号的时域特性。
（2）实验步骤：① 利用MATLAB生成一个简单的信号（如正弦波、方波等）；② 绘制信号的时域波形图；③ 分析信号的时域特性，如幅度、频率、相位等。
2. 信号频域分析（1）实验目的：观察和分析信号的频域特性。
（2）实验步骤：① 对时域信号进行快速傅里叶变换（FFT）；② 绘制信号的频域谱图；③ 分析信号的频域特性，如频谱分布、带宽等。
3. 信号处理算法（1）实验目的：掌握常用信号处理算法的应用。
（2）实验步骤：① 对信号进行滤波处理，如低通滤波、高通滤波等；② 对信号进行压缩处理，如均方根压缩、对数压缩等；③ 对信号进行解调处理，如幅度解调、相位解调等。
四、实验结果与分析1. 信号时域分析结果（1）正弦波信号的时域波形图显示了信号的幅度、频率和相位。
（2）方波信号的时域波形图显示了信号的幅度、频率和相位。
2. 信号频域分析结果（1）正弦波信号的频域谱图显示了信号的频率成分。
（2）方波信号的频域谱图显示了信号的频率成分。
3. 信号处理算法结果（1）低通滤波处理后的信号降低了高频成分，保留了低频成分。
（2）均方根压缩处理后的信号降低了信号的动态范围，提高了信噪比。
（3）幅度解调处理后的信号恢复了原始信号的幅度信息。
五、实验结论通过本次实验，我们掌握了信号处理的基本概念和方法，熟悉了信号时域和频域分析的基本方法，了解了常用信号处理算法的应用。
生物医学信号处理与分析实验报告
生物医学信号处理与分析实验报告实验目的：本实验的主要目的是研究生物医学信号的处理与分析方法，探索在实际应用中的相关问题。
通过对信号处理和分析技术的学习和应用，加深对生物医学信号的理解和认识，并应用所学知识解决实际问题。
实验材料与方法：1. 生物医学信号采集设备：使用生物医学信号采集设备采集心电图（ECG）信号。
2. 信号预处理：通过去噪、滤波和放大等预处理技术对采集到的生物医学信号进行预处理。
3. 特征提取与分析：对经过预处理后的生物医学信号进行特征提取，包括时域特征和频域特征等。
4. 信号分类与识别：利用机器学习算法对提取到的特征进行分类和识别，以实现对生物医学信号的自动分析和判断。
实验结果：通过对多组心电图信号的处理与分析，得到了如下结果：1. 信号预处理：对原始心电图信号进行去噪、滤波和放大等预处理操作，使得信号更加清晰和易于分析。
2. 特征提取与分析：通过计算心电图信号的R波、QRS波群和T波等特征参数，得到了每个心电图信号的特征向量。
3. 信号分类与识别：应用支持向量机（SVM）分类器对提取到的特征向量进行分类和识别。
通过对多组心电图信号进行训练和测试，得到了较高的分类准确率。
讨论与分析：在本实验中，我们成功地应用了生物医学信号处理与分析技术对心电图信号进行了处理和分析，并取得了良好的实验结果。
通过对心电图信号的特征提取和分类识别，可以辅助医生进行心脏疾病的诊断和治疗。
然而，我们也发现了一些问题和挑战：1. 信号噪声：在实际应用中，生物医学信号常受到各种噪声的干扰，如肌电噪声、基线漂移等。
这些噪声对信号的正确分析和判断造成了较大的困难，需要进一步的研究和改进去噪算法。
2. 数据采集与标注：在实验中，我们采集了一定数量的心电图信号，并手动标注了相应的类别。
然而，由于人为因素的影响，标注结果可能存在一定的主观性和误差，需要更多的数据和专业医生的参与来提高分类的准确性。
3. 数据可视化与解释：通过对心电图信号的处理和分析，我们可以得到丰富的特征信息。