心电信号(ECG)自动分析技术

• 作 者: 王晓燕
• 机 构: 中国科学院大学
• 出 处: 天津大学
• 发表日期: 1998年期
• 关键词: 心律失常 心电信号 心拍分类 多尺度卷积神经网络 特征提取

心电信号(ECG)是诊断心脏疾病的重要依据。心律失常是极为常见的心脏疾病，心律失常的自动分类在可穿戴设备、动态检测及辅助医疗诊断等方面都具有重要的意义。分类的关键在于特征提取。传统的分类算法依据先验知识和经验，对特征进行人工选择，不仅提取工作难度大，而且不能充分挖掘信号的隐藏特征。　　本文旨在研究ECG信号自动分析的方法，搭建了多尺度卷积神经网络，将特征提取与分类结合在一起，对五种常见的心律失常心拍进行分类。算法主要包括预处理、波形检测和心拍分类三部分，工作如下:　　(1)为去除心电信号的基线漂移、工频干扰和肌电噪声，提出了一种基于相关性的小波熵阈值去噪算法。对相邻尺度的小波系数进行相关性计算，可以有效分离信号和噪声;以剩余噪声的标准差计算小波熵阈值，具有自适应性。实验结果表明算法可以在一次小波分解中同时去除三种噪声。　　(2)为提取特征和自动分割心拍，采用小波变换和局域变换法，对心电信号的QRS波群、P波和T波的峰值和起止点进行定位。采用二次B样条小波变换，定位小波系数的模极大值对的过零点，来定位信号的峰值。根据峰值利用局域变换法来确定各个波段的起止点。实验结果显示QRS波的检测率可达99％以上。　　(3)针对传统心拍分类算法特征提取过程复杂和卷积神经网络尺度单一的问题，设计了基于多尺度卷积神经网络的心拍分类算法。直接输入分割的心拍信号，自动提取多个尺度上的特征并实现分类，避免了人工提取特征的过程，降低了波形检测的难度。实验结果表明，所提算法的分类准确率可达99.36％，优于基于特征提取+SVM分类的算法、深度卷积神经网络和全连接神经网络。