论文部分内容阅读
本文在所研制的多体征远程监护系统的基础上，介绍QRS波检测算法、心电图分类方法和其它各种体征获取算法。 检测QRS波是心电图分析的基础。为了满足采集器、移动终端、会诊端三种不同的应用环境，本文提出了三种QRS波检测算法。第一种是具有缓冲区需要少、复杂度低、检测延时极短的快速QRS波检测算法;第二种是具有高准确率、实时性、较低计算复杂度的基于香农能量包络顶点的单导联QRS波检测算法;第三种是两导联互参的QRS波检测算法。三种方法都达到了设计初衷。 随后，本文引入了基于深层学习技术的心电图分类方法，其中基于卷积神经网络的ECG-CNN心拍分类器获得了两个数据集上较好分类准确率，并且具有可变参数个数基本不随输入数据维数变化、所需要缓冲区和计算时间是输入维数的O(n)量级的良好特性，这使得ECG-CNN可以方便地扩展成用于整幅心电图的分类器。扩展后的ECG-CNN-Record1分类器在来自临床的11760条心电图中测试验时达到了83％的准确率。 在ECG-CNN-Record1基础上，本文设计了多分类器融合的整幅心电图正异常分类器ECG-MC。该分类器包含了基于RR间期分类器、基于QRS波幅度的分类器、检查ST-T异常的分类器以及普通ECG-CNN-Record2正异常分类器。ECG-MC分类器取得了在检测精度-P为95％时灵敏度为66％的分类效果，比ECG-CNN-Record1提高了27.4个百分点。 最后，本文总结了多参数远程监护系统现有工作，并针对正异常分类准确率不高等不足，提出卷积神经网络和深层可信网络相结合的未来研究思路。