郑鹏[1]2010年在《基于小波与神经网络的心电信号自动分析技术研究》文中指出本论文主要对心电信号的预处理、波形检测、特征参数提取、心电信号的自动分类及疾病诊断等问题进行了较为全面的研究,完成了心电信号自动分析算法的设计与实现。首先,本文对心电信号的干扰进行分析,并针对工频干扰、肌电噪声及基线漂移等噪声采取相关的消噪方法;此外,采用了一种基于小波变换的心电信号去噪算法,对小波分解重构法以及小波阈值法进行了研究,分析了两者应用于心电信号去噪的特点并将其进行有机结合,通过仿真可以看出该算法可以去除心电信号中的工频干扰、基线漂移、肌电噪声等多种主要干扰,并能较好保持原始心电信号的特征,具有较高的实用价值。而后,采用经典差分阈值法对心电信号中关键的QRS波进行检测,并针对传统差分阈值法的局限性,提出了利用双正交二次B样条小波来精确定位QRS波群的实时检测算法。该算法利用小波变换与信号奇异点的关系,在23尺度下识别R波,在21尺度下对QRS波的起点和终点进行检测。仿真结果表明,算法对QRS波的平均识别率高达99.64%,能够对QRS波群进行精确检测和定位。最后,在目前心电监护仪常用检测标准的基础上,设计了一种基于包括RR间期,R波峰值,QRS间期,RS下降斜率等特征量的神经网络自动诊断模型,讨论了该神经网络的设计和训练过程。经MIT-BIH标准心律失常数据库验证,基于L-M算法的BP网络不仅能有效检测出心电中存在的房性早搏与室性早搏波形,而且可以根据病人心电波形的自身特点来进行差异性参数阈值选择,对于多种心律失常类心电也能达到满意的诊断效果。
高彩红[2]2010年在《心电信号临床信息的自动识别研究》文中研究说明心电图检查是临床常规检查项目之一,其对于心脏疾病的及早发现及治疗具有重要的意义。医生从心电图中得到所需的临床信息,根据这些信息对病人作出诊断和治疗。从常规12导联心电图到动态心电图,其过渡的一个关键是心电信号临床信息的自动识别,即心电信号自动分析技术。目前的心电图自动分析并不能完全取代人工分析,大多只用来辅助心电专家对病人进行诊断,其主要原因是现有的心电自动诊断技术精度不够,不能完全达到临床应用的要求。因此提高心电自动分析系统的准确性和实用性,对实现自动化分析有着非常重要的意义。本文在对已有的心电自动分析算法研究的基础上,采用了一种新的基于希尔伯特-黄变换(HHT)的心电信号滤波算法,能很好地滤除基线漂移、肌电干扰和工频干扰等噪声,具有良好的适应性和鲁棒性。用改进的积分阈值算法进行QRS波检测,有效地减小了误检率。在此基础上,用极值搜索法检测Q、S波以及P、T波,定位各波的起始点,并计算相应的特征参数。利用计算的RR间期和QRS波宽度值,采用逻辑分支判断法对12种常见的心律失常进行判别分类,该分类算法不仅判别精度高,而且分析速度较快,这对于临床应用是十分重要的。本文以MATLAB为平台来进行各算法的设计,并采用MIT-BIH心律失常数据库来对算法的性能进行评价,经验证本文所设计的算法均达到比较理想的结果,有较高的可靠性和实用性。心电自动分析技术是一个庞大的课题,还有许多方面需要进一步研究和完善。
赵玲[3]2005年在《心电图自动诊断系统的设计》文中研究指明心电图自动诊断一直是人们的研究热点,它的实现将有力的促进医疗事业发展。本课题研究的心电图自动诊断系统能够实现心电信号QRS 波的正确检测,并根据波形特征参数值利用专家知识进行诊断,给医生提供诊断建议,并实现对病人信息及心电图信息的查询。本论文主要内容包括心电信号预处理技术、特征点检测技术以及诊断技术的研究。心电信号预处理部分采用平滑滤波滤除工频干扰和肌电干扰引入的高频噪声。波形识别部分主要探讨了QRS 波、P 波、T 波的基于特征点定位的波形检测技术,并由此得到各个波的起点、终点的位置及相应的参数值。QRS 波的识别采用了改进的基于波峰定位的实时、准确的R 波检测算法。构建了用来存储心电图诊断专家知识的心电图病理数据库,为推理诊断提供求解问题所遵循的规则以及求解问题所需要的知识。数据库中同时存储了有关病人的基本信息、心电图相关信息等重要的临床资料。采用数据库形式进行存储管理,方便查询、更新。诊断系统利用得到的心电图波形参数值,根据存储在心电图病理数据库中的专家知识进行诊断,并给出诊断建议。由于医学诊断依据多为专家经验具有不确定性,在本系统中,参考MYCIN 模型,采用了不确定性推理。由于心电图病理数据库中心电图信息是重要的医学临床资料,为了方便使用这些信息,系统中开发了查询系统。
张岩[4]2011年在《基于FPGA的心电信号自动诊断技术研究》文中提出随着人们生活水平的提高、生活节奏的加快,心血管疾病的发病率迅速上升,已成为威胁人类身体健康的主要因素之一。由于心脏病发作具有突发性的特点,患者不可能长时间地静卧在医院,但又需实时得到医护人员的监护,所以研发高性能的便携式心电监护仪就具有十分重要的意义。在现有的医疗、社会、科技背景下,医学监护领域己经朝着个人化、便携化和多功能化的方向发展。针对以上所述,本文进行了一种基于SOPC技术的心电监护系统的方案设计,构建了以Altera公司CycloneII系列EP2C20为核心芯片的FPGA系统平台。系统的硬件设计包括心电信号的预处理模块和FPGA内部功能模块的设计。嵌入式软核NiosII作为系统的处理器,系统的软件设计主要在NiosII IDE中进行,采用NiosII定制指令的方式编写C语言应用程序,应用程序包括对基于FAT文件系统的SD卡存储程序、LCD显示控制程序、A/D,D/A转换控制程序。心电信号的预处理模块由模拟滤波和数字滤波两部分组成。模拟滤波主要是由心电调理模块来完成,包括心电信号提取电路、滤波电路、放大电路,对心电信号进行了前端滤波和放大,使放大后的心电信号偏置到A/D转换电路的输入范围,并对工频干扰有一定的抑制作用。针对数字滤波器的设计,采用Altera公司提供的FIR滤波器IP核进行设计,首先在DSP builder里进行功能的仿真,再通过MIT-BIH数据库中的数据对其进行了验证。将已经实现的各个功能模块和其他外部接口集成到Avalon总线上来,构成一个基于NiosII处理器的嵌入式系统。充分利用NiosII处理器灵活性能来完成数据采集、传输、存储、通信和显示等整个系统工作流程的控制。论文还针对国内外近年内发展起来的各种心电自动诊断方法进行了总结,采用支持向量机方法对心电相关数据进行处理,建立分类模型,训练分类器,进而对冠心病进行辅助诊断。该算法在Matlab软件上进行了建模仿真,并结合UCI冠心病数据库中的数据进行实验分析,使用网格优化算法对分类器的参数进行寻优,最后得到了较高的分类准确率。
叶文宇[5]2003年在《心电自动诊断技术的研究》文中研究表明心电自动诊断一度是人们的研究热点，其真正的实现将有力促进医疗事业发展，也将是人工智能在医疗领域中应用的重大突破。其主要内容包括预处理技术、波形检测技术以及诊断技术的研究, 而所涉及的基础理论与基础技术繁多，是一个庞大的课题。本研究总结了前人的成果，提出了一种医师经验与工程分析手段结合的研究模式。由于涉及内容过多，实际研究采用了一种动态可扩展的框架。在现阶段的研究中，主要以模拟医师临床诊断经验为主，并结合工程上的数据分析手段进行部分病例的判别的研究。目前，本研究主要展开了以下几方面的工作：1. 构建了研究支撑平台。研究平台包括了MIT－BIH数据库及其重采样数据库、同步12导数据库、虚拟心电信号发生器。其中的MIT－BIH重采样数据库是按照250Hz进行的重采样，该采样率为国内工频的整数倍，以便于研究中采用统一的信号处理方法。同步12导数据库建立的目的是为研究提供12导同步样本，并作为后续知识求精用的实例库。虚拟心电信号发生器则是用于模拟产生研究所需的样本，以便研究中能及时采用有关样本对算法进行测试。2. 借鉴专家系统的基本思想，构建了可利用临床经验进行心电自动诊断的推理解释系统。系统通过中间规则的引入，使知识可以采用通用数据库引擎管理，为知识的进一步分析利用打下了基础。此外，该推理解释系统还包括了草稿库、与规则库、解释系统等内容，增强了系统的易变更、易调试性和推理结果的可解释性。3. 进行了心电信号预处理和基本特征点检测的研究。在预处理方面主要进行了高频干扰抑制、基线漂移及工频干扰抑制的研究。对于心电特征点检测，讨论QRS波、P波、T波及其起点和终点的检测方法。4. 进行了临床经验描述的常用术语符号的解释及部分诊断规则的定义。在符号解释中，定义了P、QRS、T各波形特征点间的时限符号、各波的振幅符号、各波形的形状特征符号及一些常用的临床术语的解释方法。并在这一基础上，进行了部分诊断规则的定义。5. 进行了依据数学指数进行心电类别判断的研究。这里主要讨论了VT、VF的识别问题和基于SVM的多种心电波形分类问题。对于VT、VF的识别，主要讨论了滤波法、概率密度法及贯序假设检验的方法。在基于SVM的心电分类的<WP=4>研究中，对SVM进行了推广，使之可以应用到多类分类中。研究中采用MIT数据库中的样本对该分类器进行了测试，并与神经网络方法进行了对比试验。虽然这一方法比传统的神经网络的范化性有所增强，但大样本测试集的结果表明，这一方法仍具有较大的局限性，心电自动诊断不易通过这一方法直接实现。本研究的特色及创新处在于：1. 借鉴专家系统的基本思想，结合数学分析手段，提出一种新的医师经验与工程分析手段结合的心电自动诊断研究框架，并首次对这一框架进行了真正的实践性探索。研究中采用符号解释的方法实现了由原始数据到部分诊断用基本符号的映射，而后通过推理解释系统对基本符号的推理，得出相应的诊断结论。2. 搭建了研究用的基础平台，采用国际标准MIT数据库及其重采样数据库、临床数据库和虚拟心电信号发生器结合的方式进行了研究。平台中，首次引入了虚拟心电信号发生器，用于生成临床上不易获得的各种变异信号，极大提高了科研效率。3. 首次进行了心电诊断知识规范化存储的研究。通过一定知识表达结构的转换，实现了采用通用数据库管理系统进行诊断知识的存储管理，为知识的有效利用、更新与挖掘打下了基础。4. 在工频干扰抑制方面，提出了一种新的自适应相干模板法改进方案。改进后方法的陷波频带的中心位置可自动跟踪工频信号的频率变化，很好的实现了工频干扰的抑制。5. 针对ECG信号变异种类过大，很多变异波形不易从临床上获得的特点，将对小样本具有更好分类推广性能的基于结构风险最小化的SVM分类器用于ECG波形分类的研究。由于SVM是针对二分类的情况提出的，研究中提出一种将SVM用于多类判别的新方法，并首次用于多类ECG波形分类的探索性研究。
汤征[6]2008年在《引入异常心电节律分析的心拍分类算法研究》文中研究指明心血管疾病已成为威胁全人类生命和健康的头号杀手,如何有效地诊断和治疗心血管疾病,降低心血管疾病发病率与死亡率,已经成为一个当前迫切需要解决的重大公共卫生问题。心电图(electrocardiogram,ECG)直接记录了心脏搏动过程微弱电流的有规律的变化,是心血管疾病诊断的主要工具,以其无创、快速、准确的特点在临床诊断中发挥了不可替代的作用。如何借助计算机强大分析和数据处理能力实现心电图的快速自动分析,对于提高临床诊断的效率和准确性有着十分重要的意义,日益受到广大学者的关注。本文在前人研究的基础上,引入了异常心电节律分析,并结合心拍模板分类和形态参数分析,实现了叁种心拍的自动分类。本文的主要内容包括:1.从心电信号预处理、波形检测及相关参数提取和心律失常自动诊断叁个方面介绍了心电自动分析技术的研究方法和研究现状,对部分现有算法作了简要阐述,并对其临床实际应用现状和前景作了相应探讨。2.在已有的QRS波检测结果的基础上,应用心拍模板分类法检测异常非窦性心拍,并结合QRS波形态特征参数的提取结果实现了部分参数阈值的自动判断。3.通过心率特征和特殊波形分析检测心电异常节律,实现了叁种异常节律(房颤、房扑和室上性心动过速)的自动分析,提高了处于异常节律下心拍分类的效果。4.在上述分析结果的基础上,通过一系列逻辑分支判断实现叁种心拍(室性早搏心拍、房性早搏心拍和正常窦性心拍)的自动分类,并使用MIT-BIH数据库评估算法分类结果。5.设计并实现了相关心电算法分析平台和心电自动分析系统软件。经过MIT-BIH心律失常数据库检验,算法对叁类心拍的整体分类效果较好,对房性早搏和室性早搏心拍分类结果的灵敏度分别达到了96.9%和99.7%。通过异常心电节律分析,算法显着降低了因特殊节律造成心拍误判,提高了分类结果的准确性和可靠性。
陈颖[7]2007年在《心电自动分析软件检测算法的研究》文中研究说明近年来,以计算机为主体的现代信息技术与现代医学科学的结合,使得心电图的自动诊断和分析成为计算机在生物医学领域里应用最成功的范例之一。目前,国内生产心电图仪与心电信息分析软件的公司和科研单位很多,生产的产品和软件质量良莠不齐,其心电图成像的质量和自动分析诊断的结果差别较大,使得医生对患者诊断的准确程度受到影响,严重的甚至会导致误诊。因此,如何评价这些心电图仪的性能和其自带的自动分析诊断程序的准确性,就成为一个非常重要和迫切的任务。本文首先概述了心电自动分析软件性能检测方法的国内外研究现状和研究意义,然后简要介绍了心电学基本知识,心电自动分析系统的相关知识及心电自动分析学中国内外心电图波形检测的各种算法。接下来详细描述了检测心电自动分析软件性能的五种检测算法。重点介绍了心电自动分析软件的性能评估指标和检测原理,并对心电自动分析软件的检测算法进行了较为深入的探究。文章最后对检测算法在心电自动分析软件性能检测系统中的实现加以介绍。包括心电自动分析软件性能检测系统的系统框架设计、主要功能,该系统中支持检测算法的国人临床心电数据库的构造和设计,接口问题的具体解决方法及检测算法在该系统中的具体实现。
商卫波[8]2005年在《心电信号自动分析与诊断处理方法研究》文中认为心电信号能够用来分析与鉴别各种心律失常,所以心电信号自动分析技术具有很高的临床价值,是当前国内外学者研究的热点之一。由于心电信号具有非常复杂的非线性特性,增加了分析的难度,使得计算机对心电信号的自动诊断效果还不能达到专家的诊断效果。因此,研究者还在不断地改进传统的方法并探索新的解决方案。 本文就如下几方面进行了深入研究: 1.心电信号的预处理 首先介绍了几种常用的滤波器设计方法后,本文采用了小波变换去噪方法来消除工频干扰、基线漂移和肌电干扰,以提高心电信号识别的准确率。 2.心电信号特征提取 在比较了几种常用的参数提取算法后,采用多分辨率分析方法,并利用Mallat算法对心电信号进行4尺度分解、奇异点检测,最后对心电信号进行精确定位并提取其特征值。 3.心律失常事件自动分类 首先介绍了当前主流的模式识别和人工神经网络方法。本文针对正常波形和四种类型的心律失常波形,采用BP神经网络和概率神经网络这两种方法对心电信号进行分类,其中BP神经网络的识别率高达97.62%。 4.对心房纤维性颤动的自动诊断 首先提取特征参数,然后计算被测心电信号特征参数与样本的欧式距离,最后采用K—近邻法进行决策。试验结果是敏感度为90.0%,特异度为87.5%,正确性为78.9%。
刘莉[9]2012年在《心电信号检测及自动分析技术研究》文中指出心脑血管疾病一直是威胁人类身体健康和生命安全的主要疾病之一,而心电信号是心脏活动状态在体表的反映,是诊断疾病的重要依据。心电信号的预处理及波形检测与参数提取技术是正确分类识别心脏疾病的前提,因此心电自动分析技术的研究成为现在信号处理领域中的热点之一。本文设计了心电信号的前端检测电路,通过一定的设备可以采集到实时心电信号进行分析,并且对心电信号的预处理及波形检测技术做了详尽的介绍。特别是对心电信号的预处理技术进行了算法的研究工作,并取得了良好的效果。本论文的主要工作如下：1、本文首先阐述了心电信号的产生机理,介绍了心电信号的特点及其干扰来源。心电信号属于低频弱小信号,容易受到各种噪声的影响,如工频干扰、基线漂移、肌电干扰等。针对不同噪声干扰的特点,介绍了抑制干扰的方法。2、针对ECG噪声干扰的特点,分析了心电信号的检测要求。通过设计合理的滤波器及放大器参数,设计了心电信号前端检测电路。3、研究了基于小波变换的心电信号预处理算法。在Donoho固定阈值形式的基础上,使用加权平均法对小波阂值进行了改进,并利用MIT-BIH心电数据库中的数据与实时检测数据分别进行算法的仿真分析。实验结果表明该算法可以有效地去除心电信号中的高频干扰和基线漂移。4、分析了心电信号中各个波形的特点和生理意义,并对检测算法进行了研究。针对QRS波群的检测,本文介绍了差分阈值法和小波变换法。本文采用基于样条小波和差分法相结合的检测方法,经MIT-BIH心电数据库数据检验,R波检测准确率较高,Q波起点及S波终点的定位也较准确。5、在检测出QRS波群的基础上提取出RR间期和QRS波群宽度两个特征参数,计算出了ECG信号的心率。并根据心律失常信号的特点,定义了十种心律失常疾病的病理特征及自动分类阈值,设计了基于分支逻辑的心律失常分类识别算法。
唐庆余[10]2007年在《基于小波变换的异常心电自动分析系统研究》文中研究指明在过去的几十年间,以医院为中心的传统医疗模式正悄然变化,逐渐发展成为以预防为主、以社区医疗为中心的新型模式。这也要求传统心电仪器微型化、智能化、个性化。随着大规模集成电路的不断发展,性能优异的DSP新产品为心电信号的实时自动分析提供了坚实的硬件基础。信号处理技术的进步,尤其是小波理论的发展,为心电信号特征点检测提供了算法基础。在本课题中,采用双CPU构建了便于家庭使用的异常心电自动分析系统。硬件设计的主要内容包括:基于仪表放大器设计心电信号前置放大电路,采用单片机MSP430F149作为主机实现心电信号数字化、预处理功能,采用TMS320VC5402芯片作为从机实现心电特征检测算法。本课题基于小波理论设计软件算法,提出了模极值线群方法,抽取心电信号中若干具有临床价值的特征:QRS波群组态及其起点和终点、T波、S-T段。并将这些特征用于心肌缺血以及梗死病人的监护、诊断。采用国际公认的心电数据库的数据对所提出的算法进行了实验研究,验证了算法的精确性和有效性。整个系统计算能力强、实时性好、算法可扩展性强。可以满足心电信号采集和实时分析的需要。
参考文献：
[1]. 基于小波与神经网络的心电信号自动分析技术研究[D]. 郑鹏. 苏州大学. 2010
[2]. 心电信号临床信息的自动识别研究[D]. 高彩红. 江苏大学. 2010
[3]. 心电图自动诊断系统的设计[D]. 赵玲. 重庆大学. 2005
[4]. 基于FPGA的心电信号自动诊断技术研究[D]. 张岩. 河北工业大学. 2011
[5]. 心电自动诊断技术的研究[D]. 叶文宇. 天津大学. 2003
[6]. 引入异常心电节律分析的心拍分类算法研究[D]. 汤征. 浙江大学. 2008
[7]. 心电自动分析软件检测算法的研究[D]. 陈颖. 中国海洋大学. 2007
[8]. 心电信号自动分析与诊断处理方法研究[D]. 商卫波. 西北工业大学. 2005
[9]. 心电信号检测及自动分析技术研究[D]. 刘莉. 兰州大学. 2012
[10]. 基于小波变换的异常心电自动分析系统研究[D]. 唐庆余. 西安电子科技大学. 2007