朱凌云[1]2003年在《移动心电监护系统ECG信号的智能检测与分析方法研究》文中指出移动心电监护系统是一种基于移动通信网络的、面向家庭和社区的新型远程心电监护系统。针对心脏疾病的发作具有随机性和危险性的特点，该系统对传输到计算中心的动态心电信号进行实时检测和心脏疾病的自动诊断，为用户提供紧急救护、疾病预警、医学咨询和指导等多种服务，从而保证了用户心电监护的质量。因此，移动监护系统ECG信号实时检测和自动诊断结果的准确性如何，将直接关系到整个心电监护系统性能与服务质量的好坏，甚至和用户的生命息息相关。另一方面，目前心电信号的自动检测和分析方法还存在诸多的不足之处，在理论研究和实际应用方面仍有改进和创新的余地。针对这种现状，论文从移动心电监护系统ECG信号的智能检测和分析方法着手，对动态ECG信号的实时检测、心电信号的多域特征信息的提取、心电信号的自动分类与疾病诊断等问题进行了理论研究和临床实验。论文的主要研究工作和创新点在于：(1) 针对传统差分阈值法检测QRS波群的局限性，提出了利用二阶差分极小值和一阶差分过零点来精确定位心电信号QRS波群的实时检测算法。该算法通过对ECG信号的二阶差分和一阶差分信号进行四点平滑滤波，提高了二阶差分信号和一阶差分信号的信噪比，更有利于信号特征点的检测；具有自适应和自学习功能的检测阈值的设置，提高了QRS波群精确检测和定位的准确率，增强了算法的抗干扰能力和鲁棒性；该算法的对特征波形定位的搜索时间窗不到0.02秒，使其更适合于动态ECG信号的实时处理。通过对MIT/BIH心律失常数据库、模拟动态心电信号、临床动态心电信号进行的测试，QRS波群的检测准确率分别达到了99.12%、99.92％和99.97％，说明该实时检测算法是切实可行的。(2) 首次采用粗糙集理论来提取ECG信号的特征信息。目前心电信号特征信息的提取都是凭经验和研究者的主观臆断，没有理论依据可借鉴。论文采用粗糙集理论的知识表达系统，将ECG的各种信息作为心电知识表达系统的条件属性，把各种ECG信号的诊断结果作为其决策属性，建立了ECG信息的决策表；应用粗糙集的知识约简理论来对决策表的条件属性进行化简，所得的条件属性核就是心电信号的特征信息。由于粗糙集理论具有严格的数学定义，使得ECG信号的这种特征提取方法具有充分的理论依据，提高了特征信息的科学性和可靠性。(3) 对ECG信号进行多域特征信息的提取和处理。针对目前心电信号特征信息的提取仅依靠时域、频域或小波域中某一域的信息，论文基于数据挖掘和数据融合的思想，首次提出了心电特征信息应由患者的静态信息特征子集、ECG信号<WP=6>的时域特征子集、频域特征子集和小波域特征子集构成。论文用粗糙集理论对ECG信号的时域、频域、小波域的特征信息的提取方法进行了详细的阐述，将多域特征子集的并集作为ECG的特征信息集，使其能够更全面、客观、充分地反映ECG信号所代表的疾病信息，提高了特征信息的准确性和完备性。(4) 对基于支持向量机的心律失常自动分类方法进行了研究。针对目前心电自动分类方法存在推广性较差的缺点，论文提出了采用支持向量机来实现ECG信号的自动识别和分类。由于SVM分类器多用于二元模式识别，论文首次提出了具有明确数据流向和逐级识别功能的基于二叉树支持向量机的ECG模式分类方法，并对影响SVM分类器性能的参数设置问题进行了研究。论文还对支持向量机、BP神经网络和径向基神经网络等叁种算法的典型心律失常的分类性能和结果进行了比较分析。研究表明，基于SVM的ECG分类优于其它两种分类算法，更适合心脏疾病的自动诊断。
尹登峰[2]2003年在《动态ECG分析中QRS波检测算法的研究》文中提出随着计算机技术、数字信号处理技术、人工智能等先进理论的发展，心电计算机自动分析技术的研究也不断向纵深发展。将心电自动分析技术用于动态心电图中，使用计算机对所记录的长达24小时的心电数据进行自动分析处理，可以大大减轻海量数据给医生带来的负担。 QRS波检测是动态心电分析中的关键。然而，动态心电检查中伴随的干扰、不同病人心电波形之间的差异，以及同一病人心电随时间的变异等因素，给QRS波检测带来了很大的困难。另一方面，要在较短的时间内对24小时的心电数据进行处理，速度和存储量的要求限制了算法的复杂性，因而，一个既能方便、快速地实现，又能满足准确度要求的QRS波检测算法，仍然是众多研究者不断追求的目标。 本文的研究工作，就是围绕适用于动态心电分析的QRS波检测方案而展开，主要包括以下几方面： 首先，对动态心电自动分析进行综述，并对动态心电分析中QRS波检测面临的问题进行了分析。 从生理学角度出发，探讨心电产生的原理和正常心电图各波的形态和意义，对临床常见的正常和异常心电QRS波形态进行研究，并对QRS波的特点进行了归纳和小结。 根据动态心电分析的特点，分析了适用于动态心电处理的QRS波检测算法应当满足的要求。 对历年来QRS波检测算法的研究成果进行分类回顾和小结，尤其是对基于滤波和阈值检测的方法进行了深入研究，通过对各类方法的特点和对于动态心电分析的适用性的讨论，从而得出结论：只有基于滤波和阐值检测的方法才能满足实时检测的要求。 提出了一种基于包络波形的QRS波检测方案，该方案也是基于滤波和阈值检测思想的，因而具有较快的处理速度；同时，经过MIT-BIH和AHA心电数据库部分数据的测试，该方案的准确度分别达到了99.11％和97.09％以上。实验证明，该方案在速度和准确度等两方面都达到了满意的效果。
邹娜[3]2011年在《基于Android手机的泛在人体健康监护系统数据挖掘程序的研究与设计》文中研究指明随着医疗事业信息化进程的迅速推进，相关医疗设备虽然实现了基于有线网络的网络化，但是成本高、维护难是一大弊端。为此，具有灵活性和移动性的无线网络方案应运而生。本文则是在无线体域网（WBAN，Wireless BodyArea Network）系统上设计满足要求、人性化的Android应用程序，实现各项生命体征信息的传输、显示，数据挖掘及诊断决策等功能。它充分利用手机等终端设备的移动便携性，可以随时随地的实现有效的个人健康信息监护。然而，WBAN系统中智能终端的资源(包括存储能力、计算能力、无线通信能力和能量等)往往都是受限制的，因此要构造简单易用和低成本的应用系统，就必须考虑内嵌入式轻量级的数据挖掘算法的设计和实现，不仅能让用户对自身健康状况有即时了解，同时避免额外的健康监护设备的开发，既节约了成本，又满足了人们的健康需求，发展前景广阔。传统的数据挖掘算法主要在普通的PC机上使用，算法复杂，所需的运算量较大，通常是在分布式的计算环境下进行，本文将数据挖掘应用到移动终端的环境中，是对数据挖掘研究理论上和现实应用上的创新。为了实现在资源受限设备上对健康状况做出初步诊断，尤其是动态心电图(ECG)信号实时分析的要求，本文给出利用动态ECG信号的二阶差分极小值和一阶差分过零点来实现QRS波精确定位的实时检测算法。通过在Android智能手机上的开发，经过实际的测试验证，QRS波检测的准确率可达95.5%以上，智能诊断的结果也与标准心电仪保持一致，表明该算法切实有效；在此基础上将不包含QRS波信息的无效波段剔除，可以在保证服务器端数据真实有效的情况下，最大限度节省了资源占用，实现了一定意义上的高效传输，为个人健康监护服务的实际发展提供了参考。
李刚[4]2005年在《移动心电监护系统的研制》文中提出远程医疗是采用通信技术为远离医院的患者或用户提供医疗、保健和咨询的服务系统。而远程监护(Telemonitoring)和家庭护理技术(Home Health Care, HHC)则是近年来远程医疗非常重要的一个研究领域,也是一个相对薄弱的研究领域。由于心脏病和高血压的发作具有突发性和危险性的特点,一般将心电图的远程监护和报警作为家庭监护的一个重要应用。本论文开发的基于移动通讯的无线智能心电监护系统是一种集本地智能报警、实时监测、诊断与急救指导、心脏保健与咨询为一体的新型院外监护系统。监护中心能通过移动通信的无线传输将可以达到上百名的院外患者的心电进行在线、实时和长期监测。该系统既可作为院内监护(ICU/CCU)的延续,也可用来协助医生诊断不明原因的心悸、胸闷、胸痛和晕厥患者的病情;或用于急性心肌梗塞后,以及室性心律失常、高血压病等高危患者的检测和指导治疗。本论文主要的研究内容为以下叁个方面:1) 智能报警,并且能够实时传输数据的心电监护终端。智能移动终端采用一块MSP430 单片机作为数据采集的主要部分。本设计采用有源电极的设计方法有效地提高了信号的质量。在体积方面,除了单片机本身的体积很小外,该单片机还将大量的外围模块整合到片内,减少了很多其他的外围电路,都使中心处理单元微型化。同时有源电极的设计令放大电路前移以及采用了其他微型元器件(电源稳压芯片、电平转换器等)进一步使中心处理单元微型化。信号经过放大和初步的处理后由串行通讯接口传输到终端的主机。主机的管理和处理部分采用ARM7TDMI 结构的SAMSUNG S3C44B0X。采用嵌入式操作系统ucLinux 作为平台开发心电数据分析、分类和管理软件。使用ucLinux 的TCP/IP协议栈和PPPOE 协议,控制移动通信模块将识别出来的需要报警的心电数据实时的上传到监控中心。移动通讯的模块既可以采用GPRS,也可以采用CDMA 模块。2) 移动网络的数据传输和数据网关移动网络分为两个部分,无线部分和Internet 网。根据方式不同无线部分分为GPRS 和CDMA 网络。无论采用何种方式数据都被发送到无线基站,通过无线基站的数据网关发送到Internet 网的相应的服务器上(通过IP 地址指定)。无线发送数据的模块为GPRS modem 或CDMA modem。不管是那种modem它们都使用相近或相同的AT 指令集控制modem 和收发数据。通常不用直接使用AT 指令集,由ucLinux 调用这些命令控制modem。建立数据链路以后,通过ucLinux
张飞[5]2005年在《心电信号检测算法研究》文中研究表明心血管疾病是威胁人类生命的主要疾病之一,而心电信号(electrocardiogram,ECG)则是评价心脏功能的主要依据,因此,关于心电信号检测处理的研究一直为各方所关注。随有计算机技术的进步,所采用的方法也在不断的改进中。 心电信号受人体生理状态的影响而呈现复杂的形态,同时个体的差异也使心电信号千差万别,测量系统的随机干扰也会耦合到心电信号劣化波形。从信号处理角度研究心电信号,具有以下性质:1 准周期性信号;2 低频窄带信号,心搏的生物学机理决定心电信号的频谱分布在0.5～50Hz范围内;3 非平稳信号,心搏受到各种生理状态的综合影响;4 非线性时变信号。这些都对心电信号的检测造成了一定的困难! 本文首先简要综述了心电波形检测处理算法的现状,并对目前己有的心电检测算法作了比较,对它们各自的有代表性的几种算法进行了描述,分析其特点和不足之处。 针对以往心电检测处理算法的不足,本文提出了基于小波神经网络的心电检测算法。小波神经网络算法具有自学习自适应的特点,因此能够对心拍的波形形态信息进行实时更新。然后本文选取了4个参量进行检测,通过MIT/BIH心电数据库数据的实验研究证明,其检测精度和房颤的灵敏度分别高达99.51%和96.84%,这是以往的特征检测算法所不能达到的。并且,由于其特征检测规则,该算法在分析速度上也达到了令人满意的效果。
钱垚[6]2008年在《远程心电监护系统的研究与设计》文中研究表明远程医疗系统是采用通信技术为远离医院的患者或用户提供医疗、保健和咨询的服务系统,是近年来非常重要的一个研究领域,也是一个相对薄弱的研究领域。由于心脏病和高血压的发作具有突发性和危险性的特点,一般将心电图的远程监护和报警作为监护的一个重要应用。本课题的研究是基于GSM网络的无线智能心电监护系统,是一种集本地智能报警、远程实时监测、诊断为一体的新型院外监护系统。其特点是监护中心能通过移动通信的无线网络,实时、动态地监测上百名院外患者在移动状态下的心电异情。该系统既可作为院内监护(ICU/CCU)的延续,也可用来协助医生捕捉不明原因的心悸、胸闷、胸痛和晕厥患者的病情信息,或用于急性心肌梗塞后,以及室性心律失常、高血压病等高危患者的检测和指导治疗。本系统终端采用HK-2000B型传感器采集心脏脉动,使用32位的高性能、低功耗ARM7作为系统主处理器,引入新型LMS算法滤除低频信号,改进了差分阈值法用来检测R波,并在MIT-HIB库中验证了算法的可靠性和准确性。传输部分采用TC35GSM短信模块实现了心电报警信息的无线传输,并提出利用手机的语音模块传输心电数据的方法。系统服务器端由手机/GSM模块和PC机组成,可通过声卡和串口接收用户端的心电数据。终端软件界面采用Visual Basic语言编写,完成心电数据的显示、分析、用户病例的查询和进行远程诊断,采用Access2003作为存储患者数据的数据库。
朱承皓[7]2015年在《基于可穿戴传感器的远程健康监护技术研究》文中提出随着国内老龄化、空巢化现象的日趋严重,老年独居群体的日常健康保护问题逐渐得到人们的广泛关注,类似移动医疗、网络医院等新颖的远程医护概念也逐渐被人们所了解并认可。论文以远程健康监护系统作为研究背景,首先分析阐述了可穿戴传感器技术、ZigBee通信技术以及无线传感器网络在远程健康监护系统中的应用价值。其次,论文研究了两项基于可穿戴传感器采集的重要体征参数:心电信号和人体行为状态。根据系统的实际需求,论文对现有检测算法进行了相应的优化工作,在计算精确度、时间复杂度等方面均取得了不错的改进效果。针对传感器节点的功耗控制以及ECG信号的噪声抑制问题,论文提出了基于小波变换和短时自相关变换的动态ECG检测算法,以心电信号R波的类周期特性取代传统算法中QRS波段特征来作为算法研究的核心。论文提出的算法利用Mexican-hat小波对心电信号进行多尺度分解逼近,对肌电干扰、运动伪迹、基线漂移、工频干扰等常见干扰有很好的抑制的作用。另外,考虑到传感器节点的功耗控制问题,算法采用短时自相关函数提取R波的类周期特性并进行峰值检测,在保证心率计算精确度的基础上,有效降低了节点的计算复杂度。最后,为了对监护对象的身体状态做出更准确更全面的判断,论文提出了基于多阈值判断的跌倒检测算法。该算法选用SMV、能量以及倾角叁个跌倒特征量,并对叁者的计算方法进行了优化,从而取代常用的单阈值跌倒检测算法以提升跌倒检测的精确度。最后,利用Tiny-OS平台的shimmer节点采集不同状态下的跌倒数据,通过实验分析验证,结果表明本文提出的算法在跌倒判断精确度方面符合实际应用需求。
洪玮[8]2001年在《ECG波形分类算法研究》文中认为心电图的自动分析对于心血管疾病的分析和诊断有着十分重要的意义。随着心电图在临床中日益广泛的应用，如何对海量的心电图数据记录进行更加精确和快速的计算机自动分类作为一个综合和复杂的课题，也就越来越受到广大研究者的重视。 本文首先简要综述了心电图波形分类的基础技术——波形检测技术的现状，并对目前已有的波形分类的两大类算法——模板匹配算法和特征提取分类算法作了比较，对它们各自的有代表性的几种算法进行了描述，分析其特点和不足之处。 其次，本文提出了基于模板匹配和特征提取相结合的室性早搏分类算法。模板匹配算法应用了基于轮廓限围理论的可变区域模板技术，具有自学习自适应的特点，因此模板能够对心拍的波形形态信息进行实时更新。然后本文选取了4个参量进行特征模糊识别和分类，建立了一套室性早搏分类规则。通过MIT/BIH数据的实验研究证明，其判别室性早搏的特异度和灵敏度分别高达99.51％和96.84％，这是以往的模板匹配算法和特征分类算法所不能达到的。并且，由于其简单的模板匹配原理和简化了的特征分类规则，该算法在分析速度上也达到了令人满意的效果。 最后，基于这种新的分类算法，本文开发了一个心电图分析中心。在对心电图数据的高精度分类结果的基础上，实现了室性早搏连发事件的计测、全套心率变异性指标的统计、ST段参数的测量与描述，解决了心电图分析中的典型问题。
王丽苹[9]2013年在《融合领域知识的心电图分类方法研究》文中研究说明计算机辅助心电图(Electrocardiogram ECG)分类是模式识别研究的典型应用,能有效拓宽医学专家的诊疗范围、提高医疗诊断效率和服务质量,在可穿戴ECG设备、动态ECG诊断、重症监护以及疾病与心脏活动关系研究等方面具有重要的临床价值。由于ECG标准数据库的局限,传统的分类研究方法忽视了实际环境中数据分布差异和随机干扰的问题,使得实验环境中准确率极高的算法,在实际应用中的准确率急剧下降。为了突破传统ECG分类方法的局限,本文以临床数据分类为目标,以领域知识的融合为研究主线,从数据管理、视觉特征表达、个体内时间序列数据分析、分类模型构建四个方面开展关于计算机辅助ECG分类方法的创新性研究。首先从临床需求出发,研究ECG领域数据的管理方法,按知识量分级管理数据,并用具有反馈机制的半自动化标注方法提高数据特征的标注效率。在此基础上,本文开展有别于传统工作的开放集下的ECG分类方法研究,主要的工作包括：(1)从视觉信息表达的角度研究ECG特征的表示问题,定义了包括23种经典数值特征和视觉形态特征的更为完整的领域特征集,并分别给出了QRS波以及P、T波形态的提取算法。使用Shannon熵评估QRS形态特征和经典数值特征。·用主成分分析法对QRS波原始信号进行白化处理,然后用负熵的固定点算法得到信号的基向量,进而用QRS波在基向量上的投影系数来表示其形态特征。·用基于最佳区间划分的动态基线法对P、T波进行预处理,以最大限度的保留视觉形态,用夹角、幅值、方向、比例等多个参数描述P、T波形态特征。(2)为了减少数据分布不确定性和类别不确定性对分类模型的影响,从新的视角思考分类问题,研究了个体内部的时间序列数据分析问题,并针对QRS主波相似性、主波间期、特征判断等问题分别提出分析算法。·用QRS相似性分析法识别ECG记录中心拍形态的变化。首先对信号进行重采样并用移动平均法进行平滑处理,进而用动态和静态结合法对信号符号化,然后用本文改进的IBSI函数来度量符号序列距离,并用层次聚类分析符号距离,从而在无监督模式下识别QRS形态异常。实验结果表明：与四类距离函数相比,本文提出的度量函数能够获得更好的类别区分度。·用基于移动分段的主波间期分析算法,分析非平稳序列的心率。用包括时间序列分析和多导联分析的多参数决策模型(MPLDM)解决多导联多参数ECG典型特征的判断问题。首先用迭代搜索算法分析矩阵参数和序列参数,得到决策向量(或决策值),然后基于决策结果并结合领域知识,构建具有不同策略的多导联决策模型。MPLDM主要应用于P波和T波的形态以及R波幅度等典型特征的分析中。(3)从特征级融合、未标注数据的筛选及在线分类模型的构建叁个方面研究提升分类器准确率的方法,提出了基于多核学习的ECG特征级融合分类算法、多特征空间的未标注样本信息度量方法以及面向临床数据的多叉树结构的混杂分类模型。·采用高斯径向基核建立针对数值特征和QRS形态特征的核矩阵,将原特征空间映射到不同的再生核希尔伯特空间。利用SimpleMKL算法求解核矩阵的权值及支持向量机的参数。对叁种形态表示方式和四种分类器的对比实验结果表明基于多核学习的ECG特征融合可提高分类器准确率。·以从ECG的记录标签到心拍标签的下推问题为基础,用K近邻和多特征空间的信息熵度量方法筛选得到对在线模型最有价值的样本,多组对比实验表明,该方法在等样本量下可改善分类结果。用多叉树结构来构建包含个体内时间序列分析及统计分类器的混合分类模型。21组临床数据的测试结果表明分类模型具有良好的稳定性。综上所述,本文一方面通过个体内部时间序列分析、特征级融合算法、混合分类模型等方法来提高ECG分类算法在临床数据中的分类效果。另一方面根据新问题的需要,逐步完善了ECG疾病数据库,拓展了ECG分析研究的实验平台。面向临床数据的主动学习方法及分类模型评估将是下一步的研究方向。
李雪飞[10]2007年在《心电自动分析系统的研究》文中研究说明心血管疾病是当今危害人类健康的主要疾病之一,心电图检查是临床上诊断心血管疾病的重要方法。心电图准确的自动分析与诊断对于心血管疾病的诊断起着关键作用。随着计算机技术、数字信号处理技术、人工智能等先进理论的发展,心电计算机自动分析技术的研究也不断向纵深发展。将心电自动分析技术用于动态心电图中,使用计算机对所记录的长达24小时的心电数据进行自动分析处理,可以大大减轻海量数据给医生带来的负担。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。由于涉及的内容过多,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研究。目前,本研究主要展开了以下几方面的工作:①介绍一种以提升小波变换实现心电信号滤波处理的方法。原始心电信号中存在叁种主要干扰:肌电干扰、基线漂移和工频干扰。该方法首先采用提升小波变换将原始心电信号分解为不同频段下的逼近信号和细节信号。其次根据心电信号的特征,用阈值滤波方法对细节信号进行处理,最后再用提升小波逆变换重建心电信号,就能实现心电信号中主要干扰的消除。②研究了基于下采样的心电特征点的标定。该方法首先对滤波后的心电信号进行下采样,使得心电数据量大大减少;其次在下采样的心电信号中利用幅值和一阶导数划分各个心拍及对每个心拍的P波、Q波、R波、S波、T波的识别;最后对下采样得到的各个特征点进行更新,从而完成心电特征点的标定。下采样检测算法基本不受采样频率的影响,幅值和一阶导数采用自适应阈值选择技术,并采用回溯技术对可能遗漏的R波进行再次检测,使得R波的识别能够达到较高的准确率,从而为后续的分析工作奠定了良好的基础。③研究了心律失常和波形分类的识别算法。该方法通过检测每个心拍中各个特征点之间的时间差和幅度差,以及与临近心拍之间的各个特征点的时间来确定心拍是否正常。对每类心律失常的波形进行相似性划分,使得众多心拍被划分为十几种不同特征的波形。该检测算法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,并且能够达到满意的分类效果。④研究了嵌入式平台的构建。嵌入式系统可运行于多种硬件平台,可裁剪,性能优异,应用软件丰富,使用成本低,强大的网络功能,GUI(图形用户界而)开发支持和丰富的开发技术资源使得它在医疗软件开发中的地位越来越显着,嵌入式平台采用linux操作系统,linux系统源码开放,并且有个庞大的支持者群体,开发技术文档齐全,对于编写GUI程序提供了良好的开发平台。⑤编写了嵌入式心电自动分析软件。该软件采用qt开发编写的。软件包括病历库的管理,心电波形的显示,心电信号的滤波,特征点标注、心律失常分析、波形分类等功能。该软件可以处理不同采样频率的心电数据,一至十二通道的心电数据,并可局部放大心电信号供医师查看和编辑。同时软件对上述算法进行了直观的验证。
参考文献：
[1]. 移动心电监护系统ECG信号的智能检测与分析方法研究[D]. 朱凌云. 重庆大学. 2003
[2]. 动态ECG分析中QRS波检测算法的研究[D]. 尹登峰. 浙江大学. 2003
[3]. 基于Android手机的泛在人体健康监护系统数据挖掘程序的研究与设计[D]. 邹娜. 华中科技大学. 2011
[4]. 移动心电监护系统的研制[D]. 李刚. 重庆大学. 2005
[5]. 心电信号检测算法研究[D]. 张飞. 中南大学. 2005
[6]. 远程心电监护系统的研究与设计[D]. 钱垚. 东华大学. 2008
[7]. 基于可穿戴传感器的远程健康监护技术研究[D]. 朱承皓. 南京邮电大学. 2015
[8]. ECG波形分类算法研究[D]. 洪玮. 浙江大学. 2001
[9]. 融合领域知识的心电图分类方法研究[D]. 王丽苹. 华东师范大学. 2013
[10]. 心电自动分析系统的研究[D]. 李雪飞. 重庆大学. 2007