论文部分内容阅读
J波是心电图上QRS波与ST段相交处由电位的异常变化而形成的驼峰形、顿挫形或尖峰状波形。J波的出现往往预示着恶性心律失常或其他严重的心血管疾病,已成为致残或致死的重要引导因素。目前对J波相关疾病的诊断主要依靠医生的临床经验,容易导致漏检或误判。因此设计一种能够准确快速地检测J波的分类模型,为临床诊断提供可靠的依据,对于减小这些疾病的致死率等方面,具有重要的研究意义。本文从信号处理角度出发,基于特征优化的思想,提出了J波识别优化算法,主要研究内容如下:(1)提出基于特征选择的J波识别优化算法。在该算法中,首先对建立的数据库信号进行预处理,即去噪与特征点检测之后,分别从时域与时频域角度对信号进行特征提取,获取时域的形态学特征、时频域的小波包分解特征以及基于小波包分解的统计特征构成特征集;其次,使用遗传算法对所提取的特征进行选择,从而确定主要特征并消除其中的冗余特征,以促进具有最佳J波识别性能的模型的建立;然后,通过特征的相关性计算,辅助证明特征之间的相互独立性。最后利用选择后的特征对支持向量机进行训练,进行算法有效性验证。(2)提出基于遗传算法与主成分分析相结合的J波识别优化算法。在基于特征选择的J波模型建立的基础上,选择出的特征中的高维特征会使J波识别模型的复杂度提高而且有可能会产生维数灾难。因此进一步利用主成分分析技术对高维累积量特征进行降维,充分降低模型复杂度,简化计算量,达到提高分类精度与效率的目的。通过仿真,本文提出的基于特征优化的J波检测方法可以达到97.5%的准确率、96.9%的敏感度、98.4%的特异性以及98.9%的阳性预测值,分类性能明显高于其他算法。同时,本文方法利用优化后特征对信号进行分类检测时,分类时间可以缩减到2.3s,达到更高的分类效率。