论文部分内容阅读
理论背景:随着存储技术和医学数字信号处理技术的飞速发展，动态心电图系统(Holter监测系统)在临床中得到了广泛应用，心电的数据容量呈指数速度增长。因此，快速地从海量的心电序列中提取特征信息，准确、实时地将心律失常的心拍与正常的心拍区分开来是至关重要的。目前，对心律失常的心电序列分析主要是通过对QRS波群的特征指标(QRS波的宽度、面积、主波的极性或QRS波在其他变换域的变化值等)进行评判分类。由于分析的对象只局限于QRS波，而且它所提供的心脏生理信息也是有限的，导致算法结果存在较大的聚类误差，得出的检测结论也不够精确。互关联后继树(inter-relevant successive trees，IRST)是胡运发教授根据序列字符的有序性和冗余性而提出的一种新型海量全文存储、索引模型。曾海泉等人对该模型进行扩展并应用到时间序列的相似性查询、特征模式挖掘和关联规则挖掘等领域，取得了很好的效果。所谓频繁模式就是指频繁出现的具有一定时间跨度的、用线段对模式进行描述拟合后的线段序列。本文提出了一种新颖的、基于互关联后继树模型的频繁模式的ECG波形分类方法，该算法是将心电序列的幅值和时间用斜率和长度来表征，最大的特点是在挖掘过程无需生成候选模式，这大大提高了挖掘的效率。
实验结果表明，该方法简单、直观、高效、具有实用价值。