论文部分内容阅读
心电图作为一种可靠而又明确的体现心脏状态的信息载体,在临床上对于心脏疾病诊断起着重要的作用。心电图自动诊断技术的发展与应用一是在很大程度上可以提高对心电图分析的准确性和效率,从而辅助实现对心脏疾病的精确诊断;二是可以极大地减轻心电图医生的负担;三是可以为临床诊断提供客观依据,避免诊断结果对临床医生主观性和经验的依赖。现阶段交界性逸博主要基于学习算法来进行分类识别。现有方法对数据集要求比较高且耗时较长。这些缺点限制了基于心电图的交界性逸博实时分析。房颤和房扑识别虽然已经有很多方法取得了较好的分类识别效果,但适应于不同心电采集设备的刚性还需要提高。为此,本文提出一种基于波形特征的交界性逸博算法,可以实现对1分钟心电数据内出现的交界性逸博进行高效准确识别,可以满足实时性要求。接着,本文创新性地提出一种基于高阶累积量的房扑房颤识别算法。具体研究内容如下:(1)基于RR间期、特征P波的交界性逸博识别算法设计与实现。把心电信号分成6s一段的数据段,逐段输入,先对信号进行P、Q、R、S波形定位,然后计算PR间期、RR间期、相邻两个QRS复合波的相关系数以及P波形态状况(直立、不存在或者倒置)。将三者作为特征并结合起来对交界性逸博进行识别。采用MIT-BIH心律失常数据库中的真实心电数据验证本文算法。实验结果表明,该算法在保证高效性的同时,对交界性逸博能够达到93.7%的识别准确率。(2)基于高阶统计量的房扑、房颤识别算法设计与实现。利用房扑、房颤以及窦性心律在SQ段的明显差异,我们把SQ段提取出来,计算其高阶统计量特征,用于KNN分类器进行分类识别,采用MIT-BIH心律失常数据库中的真实心电数据验证本文算法并与相关算法比较。实验结果表明,该算法在识别房扑/房颤上能够取得比相关算法更好的分类效果。