心电信号检测与老年人常见心电异常的识别分类

发布时间：2020-11-16 01:24

　　 随着我国老龄化程度的日益加深,心血管疾病已严重影响人们的生活质量和社会稳定。目前关于老年人健康监护和疾病诊断的研究受到广泛关注和认可,其研究的重点是异常心电信号的分析诊断。现阶段,有关异常心电识别的研究主要集中在常见心律失常分类等方面,尚存在心电信号识别精度不高、分类器的训练时间过长等缺点。本文针对老年人常见异常心电信号的分类进行深入研究,通过改进去噪和信号特征提取等过程来提高分类准确度,实现了七种老年常见心电信号类型的准确识别。本文的主要工作内容如下:1.分析心电信号常见干扰的特点并结合去噪算法完成了心电信号的预处理。相比于其他文献使用单一方法进行去噪,本文则是对最主要的三种噪声做针对性处理,即使用中值滤波和改进的LMS滤波器来去除基线漂移和工频干扰;对影响最大的肌电噪声则是采用小波变换和稀疏分解两种方法进行研究并利用人工蜂群算法来提高稀疏分解中原子的匹配速度。实验结果表明,本文所设计的预处理方法能够在保证心电信息不丢失、波形不畸变的前提下实现常见干扰的滤除,去噪效果更加优秀。2.重点完成心电信号特征波的识别定位以及特征提取等工作。首先,本文提出了差分阈值结合相空间重构技术的新方法,在实现R波精准定位(误检率降低一半)的同时系统耗时也缩短了近5倍;然后对特征波起止点的检测结果进行了修正,即采用前向差分法寻找到开始稳定变化的点作为修正后的起止点。该方法有效地避免了残留噪声对特征提取的干扰;考虑到ST段具有重要的临床意义且与心肌梗死等疾病密切相关,故采用曲线拟合等方法对其进行重点分析,最终实现了ST段九种形态的识别。3.设计了用于老年人常见心电异常信号识别的分类器。本文选择在处理小样本和非线性数据上具有极大优势的支持向量机为基础模型进行分类器的设计。为进一步优化系统的性能,本文首先通过数据降维来简化特征参数从而达到缩短训练时间的目的,其次利用各种参数优化算法调整分类器的参数。最后确定了KPCA+GA+SVM的分类器设计方案。本文所使用的心电数据均来自国际标准心电数据库,而用于分类器训练的样本也是根据专家的注释文件进行提取的,因此实验结果具有极高的可靠性和说服力。与传统SVM分类器相比,本文所设计的心电波形分类器的平均准确度高达98.79%,而训练时间缩短了11.46%。
【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】：R540.4;TN911.7
【部分图文】：

图 3-10 稀疏分解的理论模型.3-10 A theoretical Model of sparse decomp所以对任意信号利用字典进行分解时最稀疏表示。0Y Dx and x m 非零元素的个数； 代表原是稀疏系数； 是心电信号的采：假设 代表希尔伯特空间，待分解, 代表字典中的第 个绝对值有关。设待分解信号第一次匹：匹配部分 和残差
【相似文献】

相关期刊论文 前10条

1 胡年炜;杨建伟;姚德臣;;稀疏分解方法综述及其在旋转机械故障诊断中的应用[J];现代制造工程;2018年11期

2 刘辉;杨俊安;黄文静;;声信号并行稀疏分解去噪方法研究[J];电路与系统学报;2012年06期

3 尹忠科;;稀疏分解及其在图像压缩中的应用研究[J];学术动态;2007年02期

4 张勇;;基于共振稀疏分解的滚动轴承早期微弱故障诊断[J];中国工程机械学报;2017年02期

5 李星;于德介;张顶成;;基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断[J];振动工程学报;2015年06期

6 孙云嵩;于德介;陈向民;李蓉;;基于信号共振稀疏分解的阶比分析及其在齿轮故障诊断中的应用[J];振动与冲击;2013年16期

7 隋中山;李俊山;张姣;樊少云;孙胜永;;张量低秩表示和时空稀疏分解的视频前景检测[J];光学精密工程;2017年02期

8 肖波;;基于稀疏分解的心电信号特征波检测及心电数据压缩[J];科技创新导报;2013年26期

9 赵东波;李辉;;一种优化稀疏分解的雷达目标识别方法[J];现代电子技术;2017年23期

10 郭莹莹;赵学智;上官文斌;张春良;;基于稀疏分解的轴承声阵列信号特征提取[J];振动.测试与诊断;2018年04期

相关博士学位论文 前10条

1 黄秋燕;高分辨率遥感图像的稀疏分解与线性纹理信息提取研究[D];南京大学;2014年

2 蔡得龙;基于稀疏分解的电能质量分析研究[D];华中科技大学;2018年

3 严保康;低速重载机械早期故障稀疏特征提取的研究[D];武汉科技大学;2014年

4 付金山;基于稀疏分解理论的声矢量阵信号处理[D];哈尔滨工程大学;2012年

5 王宏超;基于稀疏分解及图像稀疏表征的滚动轴承微弱故障诊断[D];上海交通大学;2015年

6 梁巍;管道缺陷检测中超声信号稀疏解卷积及稀疏压缩方法的研究[D];上海交通大学;2008年

7 戎凯旋;基于投影替代与矩阵低秩稀疏分解的多光谱图像融合[D];西安电子科技大学;2016年

8 余发军;机械故障稀疏特征提取及诊断方法研究[D];武汉科技大学;2016年

9 王春光;基于稀疏分解的心电信号特征波检测及心电数据压缩[D];国防科学技术大学;2010年

10 张新鹏;压缩感知及其在旋转机械健康监测中的应用[D];国防科学技术大学;2015年

相关硕士学位论文 前10条

1 朱荣亮;心电信号检测与老年人常见心电异常的识别分类[D];太原理工大学;2019年

2 刘伟豪;雷达多视角增强成像技术[D];国防科学技术大学;2016年

3 刘洋;蜂群算法与低秩稀疏分解融合的图像去噪方法研究[D];东北石油大学;2018年

4 杨双双;基于矩阵低秩稀疏分解的船舶交通流量预测研究[D];武汉理工大学;2017年

5 张旋;基于振动信号稀疏分解的风电机组故障诊断方法研究[D];华北电力大学(北京);2018年

6 郭源耕;基于信号共振稀疏分解的风电齿轮箱故障诊断方法研究[D];燕山大学;2018年

7 陶欣;基于稀疏分解和支持向量机的高速铣削刀具磨损状态监测[D];中国科学技术大学;2017年

8 肖俊安;基于稀疏分解算法的局部放电信号干扰抑制技术的学习与思考[D];华中科技大学;2016年

9 刘红柳;基于原子稀疏分解的风电功率实时预测研究[D];东北电力大学;2017年

10 张坤;基于改进小波—原子稀疏分解算法的超短期风电出力预测[D];燕山大学;2017年

本文编号：2885450