论文部分内容阅读
随着人口结构的老龄化,房颤的发病率也在逐年提高。作为临床上最常见的心律失常疾病之一,房颤对人们的生活和健康影响严重,其诊断与治疗的研究也越来越受人们的重视。由于心电图复杂多变,且P波识别难度较大,基于心房活动特征的房颤自动识别算法准确率普遍不高。因此本文基于RR间期特征对房颤自动识别算法展开了研究。经MIT-BIH心律失常数据库验证,本文提出的改进方法能提高阳性预测率和灵敏度,从而帮助医生减少阅读心电图片段的数量,提高他们的工作效率和诊断准确率。本文的主要研究内容包括:(1)对R波识别算法展开研究。首先采用二阶差分阈值法对R波进行初筛。然后引入了指数移动平均(Exponential Moving Average,EMA)的方法验证初选出的R波,避免漏检或多检情况的发生。最后为提高检测速度,设定一个窗口,跳过心脏功能不应期的时间。(2)通过多次的实验和对比分析发现,部分心电样本中出现的负向S波、大T波和心率增大会影响R波识别的准确率,基于这三点,本文提出了相应的改进方法。出现很大的负向S波时,峰值参数小于零,需将所有的心电数据加一个zero值,使心电图整体上移。大T波的出现可能会被误检为R波,需同时计算一阶差分值,寻找同时满足二阶差分和一阶差分相应阈值的交叉点作为R波所在位置。心率增大会导致R波漏检,需实时调整窗口时间。改进后的R波识别算法阳性预测率可达98.7%,灵敏度可达99.7%,能满足后续房颤识别算法研究的需求。(3)对房颤识别算法展开研究。首先采用RR间期比值法筛选出疑似房颤片段。然后基于临床经验,提出了三条判别规则,分别是将连续两个RR间期差值大于0.1s的片段认定为心率不齐,将房颤片段持续时间的阈值设置为8s,以及重点关注病人是否患有房颤和房颤所属类型。最后对疑似房颤片段进行验证,筛选出有临床指导意义的房颤片段。改进后的房颤识别算法阴性预测率可达98.5%,特异性可达97.8%,高于其他常用算法。