黄敏松[1]2008年在《心电信号特征点检测的算法研究》文中认为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)是心脏电活动在体表的综合反映,因此,临床心电图检查对于检测和诊断心脏疾病具有重要意义。然而,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而劣化波形。这些都给心电信号的检测造成了一定的困难!因此,对心电信号检测处理进行研究具有重要的理论意义和应用价值。本文在研究和分析心电信号检测与处理领域各种方法的基础上,对心电信号的检测算法做了进一步的深入研究。本文对人体心电信号的产生机理进行了详细分析并介绍了心电信号中各波形和间期所代表的生理意义。在对心电信号检测算法进行分析和研究的同时重点指出了目前检测方法中存在的问题,从而为构造新的心电信号检测算法奠定基础。针对在心电信号检测中传统的小波方法受锢于二进小波变换的尺度只能是按2的整次幂取值的缺陷,本文利用连续小波变换在尺度取值上可选取非二进尺度的特性,系统研究了连续小波变换在心电信号检测中的应用,并提出了一个基于连续小波变换的心电信号检测算法。利用MIT-BIH心律失常数据库对该算法进行了检验,结果表明该算法对QRS复合波的正确识别率为99.6%,灵敏度为99.74%,阳性预测率为99.86%。证明了该算法的有效性。由于小波变换在运用中存在一个小波基选择以及分解的尺度数目确定的问题,这导致了小波变换对心电信号的分解不是完全自适应的,因此本文利用经验模式分解理论能克服小波分解中存在的母小波选择和尺度确定的问题,研究和分析了经验模式分解理论在心电信号检测领域的应用,并提出了一个基于经验模式分解的心电信号检测算法。利用MIT-BIH心律失常数据库对该算法进行了验证,结果表明该算法对QRS复合波的正确识别率为99.34%,灵敏度为99.77%,阳性预测率为99.56%。实验结果表明经验模式分解理论在心电信号检测与分析领域的应用是可行的,从而为后续的研究奠定了一个坚实可靠的基础。
王芳[2]2014年在《基于双树复小波变换的微弱生物医学信号处理及其应用研究》文中研究说明生物医学信号一般都是被强噪声淹没的低频微弱非平稳信号，它们对研究人体生理状态和临床诊断具有重要价值，且其处理方法都是以数字信号处理方法为基础的。生物医学信号处理如干扰噪声的滤除、特征信息的提取能力等决定着这些信号是否真正为人们所用。到目前为止，已有多种以傅里叶变换为基础的时频分析被应用于提取微弱生物医学信号中对科学研究和临床诊断有价值的特征信息。以傅里叶变换为基础的小波变换，沿用了短时傅里叶变换的时频局域化思想，同时又改善了时间窗不随频率变化的局限性，成为继傅里叶变换以来在工程领域上新的里程碑，被誉为信号分析的“数学显微镜”。尽管离散小波变换因为其时频分析和多分辨率分析能力而被广泛使用，但它仍有几方面不足，如信号变换有平移敏感性、频率混迭现象、方向选择性少等。在信号处理过程中，这些缺点导致信号细节信息丢失或结果不精确等后果。针对传统离散小波变换的不足，论文提出了一种基于双树复小波变换的微弱生物医学信号处理方法。双树复小波变换特有的平移不变性、抗混迭效应和多方向选择等性质，可以克服传统离散小波变换的上述缺点。文中分别对心阻抗微分信号、心电信号、心音信号和医学图像4种生物医学信号进行基于双树复小波变换的去噪、特征提取或图像融合等处理。经实验证明：双树复小波变换比传统离散小波变换去噪能力更强，信号边缘、纹理等有用特征得到较好地保留和提取，且融合图像更清晰、含信息量更多。因此双树复小波变换可以作为一种微弱生物医学信号处理的新方法。
胡玥[3]2010年在《远程监护系统心电信号特征快速提取方法研究》文中研究指明由于生活水平的提高,近年来对居民的医疗保障关注程度也在加强,特别是对于医疗设施水平的要求也越来越高。作为诊断心血管疾病的主要依据心电信号的实时监测,也是近年来国内外关注的焦点。心血管疾病患者一旦犯病很快就会危及生命,所以必须要有一种系统能够及时的将患者的病情反馈到医院,让患者能得到及时的救治。因此,研究远程心电监护系统是十分有意义的。本文针对患者随身携带的心电监护器采用了无线通信来实现心电信号的远距离传输,由于在线监测的数据量大,须首先提取异常数据,以便上传分析。该系统主要是围绕心电信号的去噪和特征提取等问题进行深入分析,同时根据心电信号的特点选择了小波分析理论对心电信号进行处理,完成异常信号的提取。在用小波对信号进行去噪的过程中,本文选用了二次样条小波作为小波基函数,对叁种主要噪声本文采用一种改进的软、硬阈值折中的方法去处肌电干扰和工频干扰,经过仿真实验,效果良好。在心电信号的特征提取中,本文分别检测出P波、T波和QRS波的起点终点,并分别做了仿真,效果理想。特别是对R波峰值的的检测,本文采用了R波快速检测方法,R波峰值的检测效果明显提高,对于S-T波特征参数的提取利用J+X法检测特征点,为后期疾病的诊断提供重要的依据。最后本文对远程心电系统进行了设计。选择了无线通信来实现远程心电监控系统,然后以Visual Studio 2005为开发平台,以SQL server 2000为后台数据库,实现了该监控软件。
蒋德育[4]2009年在《基于小波（包）变换的心电信号特征提取方法研究》文中认为情感计算是实现高级人机交互的关键技术之一,情感识别则是情感计算研究的重点,也是当前情感计算研究的热点。情感识别研究的对象多种多样,包括面部表情、语音、姿态和生理信号等。在基于生理信号的情感识别中,心电信号是主要的研究对象之一。基于心电信号的情感识别研究中,其核心方法是对心电信号进行预处理,获取有效特征,进行情感状态的识别。因此,提取出有用的心电信号特征,分析特征的变化趋势,找出能体现情感状态变化的特征子集则是提高情感识别的基础。本文进行了基于心电信号的情感识别研究,主要包含以下两个方面的工作:1.由于现有能用于情感分析的心电信号数据很少,为了获取不同情感状态下的有效心电信号,我们进行了心电信号数据采集工作,为后续研究提供了研究数据。2.本文把小波(包)变换应用到心电信号的特征提取中,从而降低心电信号波形误检,提高了情感识别率。其主要方法是:首先采用最优小波去噪方法去除心电信号的噪声影响;其次应用小波变换对心电信号的P波、QRS复波、T波进行辅助检测:然后分别计算P波,QRS波,T波波段能量,并分析各波段能量在情感状态间的变化趋势;最后根据这种变化趋势提取特征,通过分类算法验证提取出的特征的有效性。使用该方法对一种生理信号(心电信号)进行处理,与德国Augsburg大学四种生理信号的试验结果对比,较少的特征获得了相近的平均识别率,而采用本文方法的高兴识别率提高了近10%。对自采心电数据采用该方法进行特征提取,使用Fisher进行分类,高兴和悲伤的识别率分别为80%和80%实验数据表明,从心电信号提取出来的特征能不同程度的反应情感状态的变化;小波变换的使用,有助于从心电P-QRS-T波中提取出能体现情感状态变化的特征,提高了基于心电信号的情感识别率,证明本文的特征提取方法是有效的。
商卫波[5]2005年在《心电信号自动分析与诊断处理方法研究》文中进行了进一步梳理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%。
徐亚[6]2010年在《基于心电信号的情感识别研究》文中指出情感计算是一个高度综合化的新兴研究领域,目的是通过赋予计算机识别、理解和适应人类的情感能力来建立和谐的人机环境,并使计算机具有更高的、全面的智能。情感识别是情感计算的一个重要部分,它研究的内容包括语音信号、身体姿态、面部表情和生理信号等方面。由于生理信号具有真实的、可靠和难以伪造的特点,用生理信号进行情感识别成为其中的一个热点方向。美国麻省理工学院媒体实验室情感计算研究小组首先用生理信号作为研究对象进行情感识别,且取得一定的硕果,这也为生理信号情感识别的研究提供了可靠的支撑。心电、心率信号蕴含丰富的情感特征,可以明显的反映出人类在不同情感状态下的变化。因此文中利用心电、心率信号来进行情感识别,并验证了在高兴、惊奇、厌恶、悲伤、愤怒和恐惧这六种情感状态下情感用户模型建立的可行性。其过程有四个主要步骤：1、情感数据采集；2、情感信号的特征提取；3、情感信号的特征子集选择；4、分类器的设计。文中设计了周密的方案保证用于研究的心电、心率信号包含着某种特定情感：选取有效的电影片段激发被试情感,且让被试记录当时看完后片段的感受,也通过隐藏的摄像头观察被试观看电影片段的情况,并在Superlab采集软件上做上相应的标记。采用美国Biopac公司提供的多导生理记录仪MP150,为了有效地激发被试情感,文中只对300位西南大学在校大一学生进行信号的采集,建立了情感心电、心率信号数据库。这个方案中对素材电影片段的有效选取、被试的要求,保证了采集的信号包含有某种特定情感,文中激发被试的情感状态有：高兴、惊奇、厌恶、悲伤、愤怒和恐惧六种情感；心电信号的特征提取关键在于P-QRS-T波位置检测,然而,采集的心电信号容易存在基线漂移等噪声干扰而难以准确进行P-QRS-T波的检测。小波变换具有良好的时、频局部化,在时频域都具有表征信号局部特征的能力,且在图像分析、去噪和压缩等方面得到广泛的应用。文中采用连续小波变换将原始心电信号进行5层分解,根据R波的频率范围,使用第一层小波系数准确检测到R波位置,然后检测Q,S,P和T波位置,且能自动检测出信噪比过小的信号段,对该信号段不进行特征提取以保证研究结果的正确性,然后通过几何平均法去除了心电的高频噪声,对心率信号的高频噪声也进行了平滑处理。由于提取到的大量冗余和无效的心电、心率的特征会影响情感识别的效果,需要使用特征选择筛选出有效的特征用于情感分类。特征选择问题是一个组合优化问题,其计算复杂度随着维数的加大成指数倍的增加,它需要使用有效的搜索算法来解决。离散二进制粒子群算法(BPSO)是一种智能的全局优化算法,它因具有计算速度快、算法参数简单和易于实现而被广泛应用,目前已应用于组合优化问题、函数优化、信号处理、神经网络训练、数据挖掘和数据聚类等应用领域；序列后向选择算法(SBS)也是一种有效的搜索算法。因此,论文研究将BPSO、SBS算法应用于心电、心率的特征选择问题上,以提高情感状态的识别率。针对BPSO易陷入局部导致早熟收敛现象,文中提出两种改进策略：一种改进算法是基于邻域搜索的方法(IBPSO),让粒子群有更多机会的跳出局部最优,向全局最优方向前进；另一种是将遗传操作(交叉和变异)引入到BPSO中,用来增加种群的多样性。同时,由于fisher分类器具有高效、准确率高的特点,文中采用fisher分类器,并且将其与BPSO、SBS算法结合共同解决特征选择问题。实验结果表明,心率特征用于情感识别优于心电特征,特别是在恐惧、惊奇情绪下,在两种改进的BPSO算法中,心率最佳特征组合的平均验证识别率都高于心电特征10个百分点左右。对两种改进的BPSO来说,对于完全相同的训练集、测试集和验证集却得到了不同的最佳特征组合,导致得到的验证识别率有较大的区别。一般来说,IBPSO算法得到的平均验证识别率都高于或和GBPSO算法相差不大(除了高兴情绪状态),而且IBPSO算法得到的平均特征维数也明显少于GBPSO算法,这表明IBPSO算法得到的最佳特征组合更适用于情感用户模型的建立。而就SBS算法而言,虽然选择的最佳特征组合的测试、验证结果都差于两种改进的BPSO算法结果,但是在进行高兴情感状态的识别中,获得了很少的特征,却达到了与BPSO算法一样的效果,而且此时选中的特征很大一部分在BPSO算法中也被选中,证明这个特征组合适合于高兴情感用户模型的建立。
徐现红[7]2004年在《12导联同步心电信号检测与分析系统研究设计》文中提出心电信号的检测与分析是心脏疾病临床诊断中的关键环节，其采集精度和分析结果将会直接影响医护人员对患者病情的判断以及后续的治疗效果。12导联同步心电信号检测即同时在12导联上记录同一心动周期的心电信号，通过分析12个同步导联上的心电信号，可以获得较单导心电信号更为详细的心脏活动信息，能够更全面的了解心脏的活动状况。 本课题完成的12导联同步心电信号检测与分析系统包括心电数据采集盒和运行于PC机的心电分析与控制软件，前者负责心电信号的采集，后者负责心电信号的分析处理。 心电数据采集盒由80C196KB单片机控制，能够同步采集8个并行心电信号调理通道调理过后的心电信号，并将模拟心电信号转换为数字心电信号，数字化后的心电信号通过串口传输到PC机。数据采集盒采用了高性能的集成仪表放大器和多级放大技术来实现对心电信号的有效放大，并采用高性能的采样保持器来控制信号采样的同步性。 PC机的分析与控制软件根据12导联之间的相互关系，将接受到的8个导联的数字心电信号进行组合，从而获得标准12导联信号。系统采用了数字滤波技术来对数字心电信号进行预处理，利用小波变换技术来提取心电信号的特征点，取得了很好的分析效果。在心电信号分析中，QRS波群的定位是分析的关键和基础，利用小波变换方法可以准确的确定QRS波群的位置，在此基础上通过分析不同尺度上小波变换的结果，可以对P波和T波进行较准确的定位。在12导联QRS波的综合判断上引入了误差分析的基本思想，.叫，.，.........，月一—一摘要简化了QRS波综合分析算法，提高了QRS波定位的准确性，降低了误判和漏检的概率。 本系统中数据采集盒控制软件由汇编语言完成，分析和控制软件由BorlandC十十语言设计完成。分析和控制软件提供了对数据采集盒的控制接口，并创建了用户数据库管理程序，使心电信号的采集、分析和管理有效的集成在一起，操作非常方便。 关键词:心电信号12导联同步数据采集盒小波变换QRS波
刘为斌[8]2017年在《异常心电信息识别与基于分类决策树的心电预测研究》文中提出心脏类疾病一直是高发类疾病,随着老龄化加剧,基于心电信号的自动分析诊断技术将是健康医疗的重要发展方向。心脏异常的预测和诊断以心电信号的特征点和特征波段信息为基础展开,但是在获取特征信息前需要保证数据的准确性,所以需要对信号作滤波处理。此外,依据心电特征信息进行异常预测和诊断需要采集和使用大量心电数据,利用机器学习中的挖掘算法能快速有效对常见异常作出诊断。本文针对心电信号的预处理,心电特征提取和挖掘算法实现进行研究,主要研究内容如下:1.对心电信号预处理即对心电信号去噪。采用平稳小波变换结合阈值去噪法对MIT-BIH心电库中的心电信号进行二次滤波,主要去除了信号中残留的基线漂移和肌电干扰。为了克服使用软阈值函数滤波带来的信号失真和使用硬阈值函数由于信号不连续带来的伪吉布斯现象,本文提出自适应软阈值函数滤波法,使用全局自适应阈值和软阈值函数对信号进行重构。仿真结果证明这种方法对基线漂移和肌电干扰有良好的滤除作用,性噪比和失真率性能良好。2.在特征识别工作中实现心电信号波形检测。选择二次B样条小波作为小波函数对心电信号进行4层小波分解,通过在第四尺度上识别R波的模极值对进行波形检测,采用自适应加窗校验的方式实现R波检测。以R波为基础在第二尺度上用同样的方法实现对Q,S,P,T波的识别,使用二次差分阈值的方法实现对波群起始点的识别。3.按照心电节律划分出12类异常心电波形,依据识别的波形将心电异常的诊断标准量化,实现异常特征提取入库。使用分类决策树算法实现心电异常诊断和预测,通过K-Folds交叉验证和随机森林算法相结合的方法改进心电异常诊断模型,使用验证数据集对预测模型的性能进行验证。
万相奎, 秦树人, 梁小容, 叶顺流[9]2005年在《小波变换在心电信号特征提取中的应用》文中研究表明采用分段阈值和模极大值对斜率判据相结合的补偿策略,提出了一种精确提取QRS波群特征值的算法。经过对MIT/BIH心电数据库和临床实测的心电信号的大量实验,结果显示即使在有严重噪声干扰的情况下,运用本算法也很容易实现对QRS波群特征的有效提取,特别是对R波峰具有相当高的定位精度(其误差不超过一个采样点)和分析精度(没有累积误差)。
姚成[10]2012年在《心电信号智能分析关键技术研究》文中研究表明伴随着人们生活水平的逐步提高，人们的健康意识不断增强；而现今心脏病的发病率也在逐年升高，已严重地危害了人类的生存和健康。但由于心血管疾病的发病时期不规律，且发病现象较隐蔽；因此，人们试图通过各种方式来提前预防和治疗心血管疾病比较困难。而院外监护、初步诊断、积极预防与及时治疗是行之有效的心脏疾病处理手段，这也对研究心电信号分析、诊断技术及心电监护产品提出了更高的要求。本文以珠海市高新技术领域科技攻关及高新技术产业化项目“院外多生理参数监护诊断系统”（2010B020102021）为背景。依据项目的研究内容，针对目前心电信号处理、分析和智能诊断算法中存在的不足，就心电信号的预处理（去噪）、波形检测、波形特征向量的选择与提取以及波形自动分类等关键技术进行研究。针对算法面向心电监护仪等硬件应用平台移植的关键技术也做了相应的探讨。旨在提高计算机智能分析的准确率和实用性，提高异常心电波形自动分类的精度和性能，这对于加快国内心电监护医疗器械的研制，取得具有自主知识产权的心电信号智能分析核心技术，提高心电智能监护的质量，普及心电智能监护的应用都具有非常重要的现实意义和很好的经济效益。本文对心电信号智能分析关键技术的研究取得了一定的成果，主要工作集中在：1、心电信号预处理（去噪）算法的研究充分研究了心电信号中噪声的特性。依据小波去噪原理，构造了一种基于软、硬阈值之间的新阈值函数；构造了一种加权阈值收缩函数，并提出了基于两种新阈值函数的心电信号去噪算法。利用MIT-BIH数据库对两种去噪方法进行了实验，结果表明，两种方法都比以往小波阈值去噪法在心电信号去噪的效果上有所改善，并且提出的基于加权阈值收缩去噪法，可以更好地保留心电信号P、T波形的细节特征，满足心电信号波形特征识别的需要。2、心电信号波形特征识别算法的研究提出了基于连续小波变换的心电信号QRS波识别算法。该算法采用高斯函数一阶导数作为小波基函数，利用考察小波变换相应层次中的模极大值对位置作为搜索QRS波中R波顶点的范围；根据R波顶点位置，结合平均心电周期，提出了一种P、T波搜索窗口宽度自适应方法，在此窗口中利用原信号的差分值，确定P、T波形的关键点。该算法对QRS波和P、T波各关键点的检出准确率较以往算法有所提高。3、面向硬件实现心电信号处理和分析快速算法的VLSI实现研究提出了基于DB4小波提升的心电信号处理和识别快速算法。该算法利用小波提升速度快的特性，使算法整体执行速度大大提高。对于算法向硬件平台移植的关键难点DB4小波提升的VLSI实现问题进行了研究，提出了利用FPGA实现DB4小波提升分解和重构的方案，通过实验验证了以上算法的有效性和方案的可行性。4、异常心电信号分类算法的研究提出了一种对平均心电周期长度具有自适应性的心电波形向量提取算法，提出了一种利用逻辑判断提取正常心电波形的判断依据，并提出了一种将逻辑判断（Logic）、聚类（Clustering）和模糊聚类（FCM）叁者结合对异常心电实现准确聚类的算法（LCFCM）。算法对存在个体差异的心电信号具有很好的适应性，依据提取的心电向量波形进行聚类和模糊聚类分析，保证了算法对象信息的完整性，使算法整体具有很好的准确性。最后利用MIT-BIH数据库作为样本进行实验，LCFCM算法对异常心率分类的准确率达到了93%。
参考文献：
[1]. 心电信号特征点检测的算法研究[D]. 黄敏松. 南京信息工程大学. 2008
[2]. 基于双树复小波变换的微弱生物医学信号处理及其应用研究[D]. 王芳. 重庆大学. 2014
[3]. 远程监护系统心电信号特征快速提取方法研究[D]. 胡玥. 郑州大学. 2010
[4]. 基于小波（包）变换的心电信号特征提取方法研究[D]. 蒋德育. 西南大学. 2009
[5]. 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
[6]. 基于心电信号的情感识别研究[D]. 徐亚. 西南大学. 2010
[7]. 12导联同步心电信号检测与分析系统研究设计[D]. 徐现红. 四川大学. 2004
[8]. 异常心电信息识别与基于分类决策树的心电预测研究[D]. 刘为斌. 北京邮电大学. 2017
[9]. 小波变换在心电信号特征提取中的应用[J]. 万相奎, 秦树人, 梁小容, 叶顺流. 北京生物医学工程. 2005
[10]. 心电信号智能分析关键技术研究[D]. 姚成. 吉林大学. 2012