论文部分内容阅读
随着人们生活水平的提高,心血管疾病的发病率与死亡率逐年显著增加,心血管疾病已经成为全球人类生命健康的主要杀手之一。在所有的心血管疾病中,心律失常是其中最为常见的一种疾病,也是诱发心脏性猝死的根源,因此能够对心电信号自动分析处理技术中的心电信号预处理、特征检测及心律失常自动诊断进行研究,对预防心血管疾病具有重要的实际意义。针对目前心电信号自动分析处理技术仍存在易受到噪声干扰,特征检测准确率较低及心律失常诊断不够准确的问题,本文从心电信号预处理、心电信号特征检测、心律失常诊断模型的建立与优化等三方面展开技术研究。首先针对心电信号中的噪声频域广且与有效信号频域部分重叠不易抑制的问题,利用经验模态分解与小波变换两者的优点,将经验模态分解与小波变换结合的新阈值函数降噪法应用于心电信号的预处理降噪中;其次针对心电信号特征波形幅值变化的特点,基于小波变换理论,提出了奇异点检测算法并结合多种限制算法的心电信号特征参数检测方法;最后利用心电信号的特征参数检测提取心电特征向量,设计了一种基于K-CV的多分类诊断SVM模型,并利用交叉验证法对诊断模型惩罚参数c和核函数g进行参数寻优,对正常窦性心律、左束支传导阻滞(LBBBB)、右束支传导阻滞(RBBBB)、房性早搏(APC)以及室性早搏(PVC)五种类型的心拍进行自动诊断。为验证心电信号预处理、特征检测及心律失常自动诊断算法,通过仿真与搭建整体测试平台,验证算法的可行性与准确性。结果表明,本文使用的经验模态分解与小波变换相结合的新阈值函数降噪法相较于传统的带通滤波器,能够在最大程度保留原始波形细节信息的条件下抑制心电信号中的基线漂移、肌电干扰、工频干扰等噪声;本文提出的基于小波变换奇异点检测算法并结合多种限制算法对波形检测的误检率为0.18%,相较于当前己有的心电检测提取算法,具有准确率高的优点;基于本文的心律失常数据做模型诊断,本文设计K-CV的多分类诊断SVM模型对于心律失常诊断平均预测敏感度达到97.41%,相比传统的检测算法,具有更强的泛化能力。