论文部分内容阅读
近年来,心血管疾病的患病率不断上升,心血管疾病患者往往会在患病初期出现心律异常的现象,如果能够实时的检测并发现病人的心律异常的类型,进行预警提示,并进行针对性的治疗,这对于预防心血管疾病的患病率有着重大的意义。心电图记录了心脏搏动过程中微弱电流的变化,是检测心律异常类型的重要手段。目前,对于心律异常的检测主要是通过医生专业的医学知识和工作经验对心电图信号进行识别判断,然而心电信号数据较复杂,数据大,医生每天需要处理大量的心电波识别,很容易造成误判。因此,对心电图表示的心电信号的智能识别处理也成为近年来的研究热点。心电信号产生心律异常的现象在心电图上的表现为:出现反常的时间和形态形成的心拍,即出现异常心拍。因此在对心电信号做心律失常分类的一个重要步骤就是进行心拍的识别分类的研究。尽管对于心电信号智能处理的研究较多,但由于心电信号原信号波形和噪声干扰都比较复杂,心律失常的内容划分繁多,对心电信号的心律失常类型的分类并未达到期望的实时识别和准确识别,也还未能满足临床的要求。本文从心电信号每一搏的心拍类型识别问题进行深入的研究,并设计了一种改进遗传SVM识别分类器的心拍辅助识别系统,实现了6类常规心电信号心拍的辅助识别,进而作为医师的辅助手段去准确判断心律异常的类型;尤其是对于动态心电信号的每一个心拍的实时识别,准确找到心律异常的原因,在实现实时报警等方面具有很重要的现实意义。首先,根据心电信号的产生机理及特点,分析了其噪声干扰的类型。在小波理论的基础上,设计了一种自适应性小波阀值去噪的滤波器,该算法较好的滤除了噪声信号的干扰;其次在心电信号波形特征点的检测上,设计了一种基于小波多尺度,根据信号奇异点与小波变换模极大值的关系,实现各特征点检测的识别算法;第三方面,为了更好的提取心电信号的特征信息,本文从时域、频域、时频域角度,从数学统计学和波形形态学的角度比较全面的提取了信号的特征向量。但是如果特征向量过多,将会出现特征信息的冗余,故本文又设计了极大似然估计的降维PCA算法,较好的进行了特征信息的优化,提高了数据的运算速度;第四方面,设计了两种分类器对心电信号异常心律心拍进行识别分类,分别为采用BP神经网络和改进遗传SVM两种分类器。通过MIT-BIH数据库数据对两种分类器进行了性能评估,结果表明两种算法都能较好的对心电信号心拍进行比较准确的识别,但改进遗传SVM分类识别的算法准确率更高,对于一组测试数据也能够达到实时识别;最后,根据本文对心电信号异常心律识别的整体算法流程,设计了对心电信号异常心拍的辅助识别系统。