论文部分内容阅读
心血管疾病是威胁人类健康的主要疾病之一，利用有效的手段对心血管疾病进行检测是目前全世界关注的重要课题。心电图(ECG)自动分析是现代医学中诊断心血管疾病的主要方法，利用计算机对ECG进行自动准确的分析已经得到了快速的发展。
利用ECG自动诊断各种心血管疾病，本质上就是提取ECG的特征数据对ECG进行分类的过程。具体方法是首先分析ECG的数据，提取能够全面地反映ECG形态的特征属性，组成一个特征向量。然后通过具体的识别模型，为每一个心电图找到一种准确的描述，然后借此对各种心血管疾病进行自动分析和诊断，成为临床心电监护的一项重要课题。
本文首先利用Haar小波对经过去均值处理的心电信号进行1～32尺度的小波变换，利用小波变换的模极大值与信号奇异性的关系，以及结合房性早搏的心动特点，对QRS波群和P波进行有效的定位，然后并利用特征参数估计法和小波变换法提取出三组有效的特征矢量。
对于最为关键的识别模型的建立，本文采用了支持向量机(SVM)识别模型对两类(正常心搏、房性早搏)心搏进行分类。SVM研究如何构造学习机，实现模式分类，在解决非线性和高维学习问题上有很好的表现。它克服了神经网络分类和传统统计分类方法的许多缺点，较好地解决了样本的分类问题。同时，实验结果表明SVM在分类的稳定性、快速性及分类精度上都有比较好的效果。