發(fā)布時間：2020-10-31 14:35

　　 無論是便于攜帶的單導聯(lián)心電采集設備,還是多導聯(lián)的心電采集設備,采集到的心電信號均可能包含呼吸、運動和導聯(lián)脫落等導致的噪聲。心電偽差的出現(xiàn)會導致心電特征參數(shù)(如RR間期、QT段等)失真,引起基于心電圖疾病診斷的誤診或漏診。嚴重的心電偽差可能掩蓋真實的心電信號,使得被掩蓋的心電信號失去輔助診斷和監(jiān)護心臟疾病的價值。因此,識別并去除心電偽差可以有效提高心電圖質量。房顫是一種常見的心律失常疾病。隨著城市化和社會老齡化速度的加快,其發(fā)病率不斷增長。高效、準確的房顫自動識別方法是實現(xiàn)大規(guī)模房顫監(jiān)護和管理的技術保障。為此,本文采用支持向量機(SVM)技術,開展了心電偽差和房顫識別方法研究,并在此基礎上,開發(fā)了一套常見心律失常監(jiān)護系統(tǒng)模型,為提高基于心電信號的多種心律失常早期判別與監(jiān)測以及任何時間、任何地點的健康狀態(tài)實時監(jiān)護提供技術保障。具體研究內容如下:(1)基于支持向量機的多特征參數(shù)心電偽差識別研究。提取心電信號的第一主成分貢獻率、R波幅值的標準差、模板匹配的相關系數(shù)、QRS波能量占比和樣本熵等5個心電信號質量指標(SQI),并采用網(wǎng)格參數(shù)尋優(yōu)方式的支持向量機算法,構建偽差和心電信號分類識別模型。將PhysioNet Challenge 2011、PhysioNet Challenge 2017、MIT-BIH Arrhythmia Database和Noise Stress Test Database 4個心電數(shù)據(jù)庫的偽差數(shù)據(jù)和非偽差數(shù)據(jù)融合,構建了一個驗證數(shù)據(jù)集,并采用10折交叉驗證該模型的性能。實驗結果表明,本文方法的敏感度、特異度、陽性預測率和準確率分別達到98.33%、98.14%、98.04%和98.24%,具有較強的心電偽差檢測識別能力。(2)基于不均衡多分類支持向量機的房顫識別方法研究。首先從現(xiàn)有研究中收集房顫、非房顫、偽差和正常心電信號相關的134個候選特征�？紤]到P波難以準確定位,因此去掉P波相關的24個特征。然后對剩下的110個候選特征做兩兩相關分析,再濾除相關系數(shù)大于0.9的冗余特征和復雜度較高的特征,形成一個有效特征集,用于房顫、非房顫、偽差和正常心電信號的分類識別。接著,通過分析各類樣本數(shù)量的分布情況,設計一種不均衡四分類支持向量機,并與有效特征結合建立了一種識別房顫、非房顫心律失常、偽差和正常4類心電信號的方法。最后,采用PhysioNet Challenge 2017比賽提供的數(shù)據(jù)驗證本文方法并與其他相關方法比較。實驗結果表明,本文方法整體上獲得了較好的性能。進一步,采用MIT心律失常數(shù)據(jù)庫和MIT房顫數(shù)據(jù)庫中的數(shù)據(jù)對本方法選擇的有效特征進行驗證。實驗結果表明,本文方法在上述兩個數(shù)據(jù)庫上識別房顫的分數(shù)均達到0.97及以上,識別非房顫心律失常、偽差和正常的分數(shù)均達到0.9以上,在房顫輔助診斷和監(jiān)測方面具有良好的應用前景。(3)房顫與非房顫心律失常監(jiān)護系統(tǒng)模型設計與實現(xiàn)。根據(jù)房顫及其他心律失常監(jiān)護與管理的真實需求,設計了一種基于心電信號的房顫與非房顫心律失常監(jiān)護系統(tǒng)模型。采用心電信號獲取模型模擬真實系統(tǒng)的數(shù)據(jù)采集過程,采用心電信號無線傳輸模型模擬各數(shù)據(jù)之間的傳輸過程,采用心電信號智能處理模型模擬真實系統(tǒng)的信號處理過程,采用心電信號顯示模型模擬真實系統(tǒng)對判別結果的展示。測試結果表明,該模型功能全面、實時性和可操作性強、界面友好,使用方便,為實際應用提供了理論和技術保障。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TH772
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 心電偽差識別研究現(xiàn)狀現(xiàn)狀
        1.2.2 房顫識別算法研究現(xiàn)狀
        1.2.3 基于心電圖的監(jiān)護系統(tǒng)國內外研究現(xiàn)狀
    1.3 本文的研究內容及創(chuàng)新點
    1.4 本文的結構安排
第二章 基于支持向量機的多特征參數(shù)心電偽差識別研究
    2.1 心電圖與心電圖偽差基本知識
        2.1.1 心電圖基本知識
        2.1.2 ECG信號與偽差信號
    2.2 偽差信號識別方法設計
        2.2.1 提取識別偽差特征參數(shù)
        2.2.2 偽差識別算法
    2.3 實驗結果與分析
        2.3.1 實驗數(shù)據(jù)
        2.3.2 改進樣本熵算法計算方法的性能與效率
        2.3.3 單一特征參數(shù)與組合特征參數(shù)識別能力比較
        2.3.4 與其他方法比較
    2.4 本章小結
第三章 基于不均衡多分類支持向量機的房顫識別方法研究
    3.1 引言
    3.2 房顫檢測方法設計
        3.2.1 心電信號預處理
        3.2.2 候選特征提取
        3.2.3 有效特征提取
        3.2.4 分類
        3.2.5 分類性能評估
    3.3 實驗結果與分析
        3.3.1 實驗數(shù)據(jù)
        3.3.2 被提取的有效特征
        3.3.3 新方法性能與比較
    3.4 本章小結
第四章 房顫與非房顫心律失常監(jiān)護系統(tǒng)模型設計與實現(xiàn)
    4.1 引言
    4.2 系統(tǒng)需求分析
    4.3 監(jiān)護模型系統(tǒng)設計與實現(xiàn)
        4.3.1 心電信號獲取模型
        4.3.2 心電信號無線傳輸模型
        4.3.3 心電信號智能處理模型
        4.3.4 心電信號結果顯示模型
    4.4 監(jiān)護模型系統(tǒng)測試與分析
        4.4.1 心電信號獲取模型測試結果
        4.4.2 心電信號無線傳輸模型測試結果
        4.4.3 心電信號智能處理模型測試結果
        4.4.4 心電信號結果顯示模型測試結果
    4.5 本章小結
第五章 總結與展望
    5.1 全文總結
    5.2 展望
致謝
參考文獻
攻碩期間取得的研究成果

【參考文獻】

相關期刊論文 前7條

1 周翔;黃麗雅;吳宏美;;一種基于工作站的心電監(jiān)護系統(tǒng)的研究與軟件設計[J];臨床醫(yī)學工程;2011年07期

2 楊寶峰;蔡本志;;心律失常發(fā)病機制研究進展[J];國際藥學研究雜志;2010年02期

3 王恒迪;朱堅民;藺利峰;梁麗;;洛倫茲散點圖及其在房顫自動診斷中的應用[J];生物醫(yī)學工程學雜志;2007年02期

4 朱偉芳;齊春;;一種實用的去基線漂移濾波算法[J];蘇州大學學報(工科版);2006年01期

5 王興玲,李占斌;基于網(wǎng)格搜索的支持向量機核函數(shù)參數(shù)的確定[J];中國海洋大學學報(自然科學版);2005年05期

6 蘇麗,趙國良,李東明;心電信號QRS波群檢測算法研究[J];哈爾濱工程大學學報;2005年04期

7 周洪建,吳小玲,李桂英;心電監(jiān)護系統(tǒng)的設計[J];醫(yī)療衛(wèi)生裝備;2000年06期

相關博士學位論文 前1條

1 黃超;動態(tài)心電圖中房顫自動檢測算法研究及其臨床應用[D];浙江大學;2013年

相關碩士學位論文 前4條

1 陳義;心電信號的異常心律分類算法研究[D];重慶大學;2016年

2 楊陽;基于單導聯(lián)心電圖的常見心律失常判斷算法研究[D];電子科技大學;2016年

3 寇明春;心電信號質量評估方法研究[D];蘭州理工大學;2014年

4 杜曉川;房顫T波末端定位方法研究[D];電子科技大學;2013年

本文編號：2864079