结合心电信号与临床因素的心衰预警技术研究

发布时间：2020-09-07 20:04

　　 心力衰竭是目前全球范围内最常见的致死因素之一,它给患者、患者家庭以及全社会都带来巨大的精神与经济负担。建立可靠的心衰自动预警模型对心衰疾病的管理有着至关重要的意义,也成为近年来医生和决策者日益关注的问题。本文以多参数智能监测数据库中的心电信号、临床检查变量及人口统计学资料为研究对象,将信号处理与机器学习技术引入该领域初步建立了心衰自动预警评估模型。研究内容主要包括:(1)根据心电信号为典型时序序列的特点,建立基于长短时记忆网络的心衰疾病自动诊断模型。在本模型中,首先将心电信号经过去噪、心拍分段、Z-Score标准化等预处理操作,然后利用同步压缩小波变换提取心电信号固有模态及模态能量熵与排列组合熵特征,最后将提取的特征输入搭建的长短时记忆网络,实现是否为心衰病人的分类;(2)结合心电信号特征、临床检查变量与人口统计学资料,在得到有无心衰诊断结果的基础上,建立基于粒子群优化的随机森林预警模型,进一步对心衰患者5年内是否死亡作出预警。首先,分别提取5年内生存和死亡心衰患者的心电信号熵特征,将之与临床检查变量及人口统计学资料融合之后,输入粒子群算法优化的随机森林分类器中,对心衰病人5年内是否死亡作出预警并对其死亡风险因素进行排名分析。实验结果证明,本文提出的心力衰竭自动诊断模型可以达到97.50%的分类准确率,并且在后续的心衰疾病预后评估过程中,ROC曲线下面积也达到0.80以上。由此,本文提出的模型在一定程度上可以为医生的临床治疗、随访管理以及患者的自我管理提供有效指导。
【学位单位】：太原理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R541.6;TN911.7
【部分图文】：

太原理工大学硕士研究生学位论文宽度为 w 。则0t 也是母小波伸缩变换之后的 (t /a)的时间 a t 。根据傅里叶变换的性质， (t /a)的傅式变换结果为 a ， w /a为其频带宽度。由上，母小波 (t)的时宽带宽积为 (t /a)的时宽带宽之积也为 t w，和a无关，且下式 2-5 成Q w/ w ( w/a)/(w/a)波变换最重要的性质之一恒 Q 性质，Q 为母小波 (t)的品波变换时频分析特点示意图 2-1。该图可以直观地反映出随信号 f (t)时的时频域宽以及频率、时间中心的变化情况。

图 2-2 原信号及同步压缩小波变换结果Fig.2-2 Original signal and the Resules based on SST在上图中，(a)为原始信号，(b)为同步压缩小波变换的时频图，(c)~(e)为通过 SS提取的信号固有模态。

图 2-2 原信号及同步压缩小波变换结果Fig.2-2 Original signal and the Resules based on SST在上图中，(a)为原始信号，(b)为同步压缩小波变换的时频图，(c)~(e)为通过的信号固有模态。

【相似文献】

相关期刊论文 前10条

1 沈智勇;苏

本文编号：2813779