该论文研究了神经网络方法在胃电信号(EGG)分析和识别中的应用.该课题来源于数字信号处理实验室与美国Oklahoma城医学研究中心的国际合作项目.论文涉及神经网络在胃电信号预测、去噪声、特征提取以及自动识别各个方面的应用,提出了一套完整的基于神经网络的胃电信号分析与识别方案.论文的主要内容包括以下几部分:第一部分,采用一种基于自适应反向传播学习算法的时延神经网络模型建立EGG信号的预测模型,成功地将其应用于动作干扰噪声的检测及滤除,弥补了频率滤波方法在消除频带覆盖较宽的噪声干扰方面的不足.这种方法可直接应用于EGG信号的记录仪器中,随时监视EGG信号中出现的异常,并进行实时处理.第二部分,从新的角度研究了EGG信号的特征提取,建立了主分量分析神经网络模型,将递归最小二乘(RLS)学习算法和自联想神经网络结构相结合,实现自适应主分量提取.第三部分,研究了神经网络在EGG信号自动识别中的应用,分别建立隐马尔可夫模型(HMM)和Kohonen的自组织特征映射(SOFM)模型对EGG信号中的节律障碍进行识别,获得了较理想的结果.鉴于神经网络有监督学习和无监督学习各自的优缺点,给出了监督学习和无监督学习相结合的两个方案,进一步提高了识别性能.第四部分,针对一种具体的常见病症胃排空延迟的诊断中,实际应用研究小组所建立的神经网络方案,获得了理想的结果.通过与Oklahoma城医学研究中心的分析结果对比,体现了神经网络方法的优越性,从而验证了基于神经网络方法的EGG信号分析与识别在临床诊断应用中的可行性.该论文的意义在于从神经网络的角度研究对胃电信号的分析,体现了神经网络方法在这一领域的应用价值与前景.