心电信号自动识别算法与心电监测系统的设计与研究
发布时间：2021-02-15 11:17
近年来,人们现代化、快节奏、亚健康的生活方式,使得心血管系统的疾病越来越普遍化,严重危害着全人类的健康与生命。心电信号（electrocardiogram,ECG）诊断技术是目前广泛采用的对心律失常等各种心脏功能疾病的检查和诊断的重要措施。随着电子科学和信息技术的进步与发展,心电信号自动识别技术已被广泛地用于心脏病监测和诊断的研究。本文主要针对心电信号的自动识别算法进行了深入研究,并进行了心电监测系统的软硬件设计,主要研究工作如下:（1）针对心电信号采集过程中的各种干扰和噪声,设计了心电信号的预处理方法与信号质量评估方法。预处理方法根据各类型噪声的特点对信号进行了充分滤波,信号质量评估方法给出了信号被噪声污染程度的评价指标。（2）针对传统的心电信号QRS波检测算法存在的抗干扰性差、漏检和误检率高的问题,提出了一种基于决策树与回溯校验的QRS检测算法。该算法设计了峰值有效性检测、冷却窗口、自适应阈值等一系列校验规则,以降低漏检和误检的可能。测试结果表明,本文的心电信号QRS检测算法获得了较高的检测灵敏度与准确率,极大程度上减少了R波的漏检和误检。（3）针对心电信号形态复杂导致特征提取困难...
【文章来源】：西安建筑科技大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
正常心电信号波形图
西安建筑科技大学硕士学位论文10值填充脉冲位置即为起搏器脉冲消除。2.4.2基线漂移滤波设计对于基线漂移，本文采用中值滤波法进行预处理，同时，在QRS波群检测时添加了针对基线漂移的校验算法。如图2.2所示为中值滤波的流程，设心电信号y的长度为L，以第n(n>=N-1)个采样点y(n)为例，首先提取采样点前长度为奇数的一段窗口数据，如数据段y(n-N+1)~y(n)。将y(n-N+1)~y(n)作为新数组，并进行排序，取数组中值做为第n个采样点的中值滤波数据，即y1(n)=temp[(N-1)/2]。如此循环处理，对ECG信号进行中值滤波即可拟合出漂移的基线。最后，将原始心电信号与基线相减，得到滤波后的心电信号y’(n)=y(n)-y1(n),(n=0,1,...,L-1)。图2.2中值滤波流程图2.4.3工频干扰和肌电干扰滤波设计工频干扰和肌电干扰相对于心电信号主成分都属于高频噪声，可以采用巴特沃兹（Butterworth）低通滤波进行噪声抑制。Butterworth低通滤波器的信号振幅与信号频率的函数关系可以表示为：ncaΩΩjΩH22)(11)((2-1)式中，n为低通滤波器的阶数，cΩ为截止频率，由公式(2-1)可知，当Ω=0时，结果为1，当Ω=cΩ时，结果为1/2，即dBjΩHa3|)(|20lg。jΩH|)(|2是Ω的单调下降函数，随着阶次n的增加，从低频到高频的幅值下降速度越快，频谱通带逐渐平稳，过渡带逐渐变窄，2jΩH|)(|越趋近于理想低通滤波器。设Butterworth的系统函数为Ha(s)，则：ncaajΩsssHH2)(11)(-)((2-2)
西安建筑科技大学硕士学位论文14图2.3含起搏器脉冲心电波形图2.4为起搏器脉冲检测的差分波形，可以看到脉冲上升与下降阶段的差分绝对值远大于人体心电信号的差分绝对值。图2.4起搏器脉冲检测差分波形图2.5为起搏器脉冲消除后的心电波形，可见本文的起搏器脉冲抑制法可以有效地过滤起搏器脉冲信号。图2.5起搏器脉冲消除后心电波形
【参考文献】：
期刊论文
[1]基于云计算的智能健康监测系统设计与实现[J]. 李润川,冯盼盼,王淑红,王海燕,张行进,陈刚,王宗敏. 计算机应用与软件. 2019(07)
[2]基于机器学习的心律失常信号分类算法研究[J]. 刘腾,唐虹,张士兵. 计算机应用研究. 2020(03)
[3]基于深度学习和模糊C均值的心电信号分类方法[J]. 吴志勇,丁香乾,许晓伟,鞠传香. 自动化学报. 2018(10)
[4]卷积神经网络在心拍类识别中的应用[J]. 原永朋,游大涛,渠慎明,武相军,魏梦凡,朱萌博,耿旭东,贾乃仁. 计算机应用. 2018(12)
[5]基于小波分析的智能心电监控系统的研究[J]. 黄俊. 电子设计工程. 2018(03)
[6]基于BP神经网络的心电信号智能诊断设计[J]. 陈茜,欧阳绳武,马新宇,谢泉. 现代电子技术. 2018(01)
[7]基于无线通信的心电生理信号远程监护系统[J]. 宁文双,梁婷,YUAN Yong J. 西南交通大学学报. 2016(01)
[8]本地和远程双监护的动态心电监护系统设计[J]. 郭芝源,李立,李臻,余琳. 物联网技术. 2015(12)
[9]基于小波变换和粗糙集的早搏信号识别算法[J]. 唐孝,舒兰,郑伟. 计算机科学. 2015(S2)
[10]基于小波变换和SVM的心电早搏信号识别[J]. 李四海,满自斌,张红. 计算机应用与软件. 2014(08)
博士论文
[1]可穿戴式系统心电信号压缩感知与心律失常分类研究[D]. 华晶.南昌大学 2018
硕士论文
[1]心电信号特征提取研究与应用设计[D]. 徐俊.湖北工业大学 2018
[2]社区医疗信息平台的研究与设计[D]. 马晓婷.西安工业大学 2018
[3]基于深度学习的心血管疾病分类识别方法研究[D]. 吕秋杰.郑州大学 2018
[4]基于LSTM的心律失常分类研究[D]. 李雪.兰州大学 2018
[5]基于小波包和神经网络的心电信号分类方法研究[D]. 袁丹阳.天津工业大学 2017
[6]基于深度神经网络的心电图自动分类方法研究与实现[D]. 樊承柱.山东大学 2016
[7]基于移动物联网的动态心电实时监测、管理和服务系统[D]. 李金桦.浙江大学 2016
[8]基于聚类的心电信号分类方法的研究[D]. 马国伟.华东理工大学 2013
[9]基于RBF神经网络的心电信号分类识别技术研究[D]. 李彩玉.云南大学 2012
本文编号：3034746
【文章来源】：西安建筑科技大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
正常心电信号波形图
西安建筑科技大学硕士学位论文10值填充脉冲位置即为起搏器脉冲消除。2.4.2基线漂移滤波设计对于基线漂移，本文采用中值滤波法进行预处理，同时，在QRS波群检测时添加了针对基线漂移的校验算法。如图2.2所示为中值滤波的流程，设心电信号y的长度为L，以第n(n>=N-1)个采样点y(n)为例，首先提取采样点前长度为奇数的一段窗口数据，如数据段y(n-N+1)~y(n)。将y(n-N+1)~y(n)作为新数组，并进行排序，取数组中值做为第n个采样点的中值滤波数据，即y1(n)=temp[(N-1)/2]。如此循环处理，对ECG信号进行中值滤波即可拟合出漂移的基线。最后，将原始心电信号与基线相减，得到滤波后的心电信号y’(n)=y(n)-y1(n),(n=0,1,...,L-1)。图2.2中值滤波流程图2.4.3工频干扰和肌电干扰滤波设计工频干扰和肌电干扰相对于心电信号主成分都属于高频噪声，可以采用巴特沃兹（Butterworth）低通滤波进行噪声抑制。Butterworth低通滤波器的信号振幅与信号频率的函数关系可以表示为：ncaΩΩjΩH22)(11)((2-1)式中，n为低通滤波器的阶数，cΩ为截止频率，由公式(2-1)可知，当Ω=0时，结果为1，当Ω=cΩ时，结果为1/2，即dBjΩHa3|)(|20lg。jΩH|)(|2是Ω的单调下降函数，随着阶次n的增加，从低频到高频的幅值下降速度越快，频谱通带逐渐平稳，过渡带逐渐变窄，2jΩH|)(|越趋近于理想低通滤波器。设Butterworth的系统函数为Ha(s)，则：ncaajΩsssHH2)(11)(-)((2-2)
西安建筑科技大学硕士学位论文14图2.3含起搏器脉冲心电波形图2.4为起搏器脉冲检测的差分波形，可以看到脉冲上升与下降阶段的差分绝对值远大于人体心电信号的差分绝对值。图2.4起搏器脉冲检测差分波形图2.5为起搏器脉冲消除后的心电波形，可见本文的起搏器脉冲抑制法可以有效地过滤起搏器脉冲信号。图2.5起搏器脉冲消除后心电波形
【参考文献】：
期刊论文
[1]基于云计算的智能健康监测系统设计与实现[J]. 李润川,冯盼盼,王淑红,王海燕,张行进,陈刚,王宗敏. 计算机应用与软件. 2019(07)
[2]基于机器学习的心律失常信号分类算法研究[J]. 刘腾,唐虹,张士兵. 计算机应用研究. 2020(03)
[3]基于深度学习和模糊C均值的心电信号分类方法[J]. 吴志勇,丁香乾,许晓伟,鞠传香. 自动化学报. 2018(10)
[4]卷积神经网络在心拍类识别中的应用[J]. 原永朋,游大涛,渠慎明,武相军,魏梦凡,朱萌博,耿旭东,贾乃仁. 计算机应用. 2018(12)
[5]基于小波分析的智能心电监控系统的研究[J]. 黄俊. 电子设计工程. 2018(03)
[6]基于BP神经网络的心电信号智能诊断设计[J]. 陈茜,欧阳绳武,马新宇,谢泉. 现代电子技术. 2018(01)
[7]基于无线通信的心电生理信号远程监护系统[J]. 宁文双,梁婷,YUAN Yong J. 西南交通大学学报. 2016(01)
[8]本地和远程双监护的动态心电监护系统设计[J]. 郭芝源,李立,李臻,余琳. 物联网技术. 2015(12)
[9]基于小波变换和粗糙集的早搏信号识别算法[J]. 唐孝,舒兰,郑伟. 计算机科学. 2015(S2)
[10]基于小波变换和SVM的心电早搏信号识别[J]. 李四海,满自斌,张红. 计算机应用与软件. 2014(08)
博士论文
[1]可穿戴式系统心电信号压缩感知与心律失常分类研究[D]. 华晶.南昌大学 2018
硕士论文
[1]心电信号特征提取研究与应用设计[D]. 徐俊.湖北工业大学 2018
[2]社区医疗信息平台的研究与设计[D]. 马晓婷.西安工业大学 2018
[3]基于深度学习的心血管疾病分类识别方法研究[D]. 吕秋杰.郑州大学 2018
[4]基于LSTM的心律失常分类研究[D]. 李雪.兰州大学 2018
[5]基于小波包和神经网络的心电信号分类方法研究[D]. 袁丹阳.天津工业大学 2017
[6]基于深度神经网络的心电图自动分类方法研究与实现[D]. 樊承柱.山东大学 2016
[7]基于移动物联网的动态心电实时监测、管理和服务系统[D]. 李金桦.浙江大学 2016
[8]基于聚类的心电信号分类方法的研究[D]. 马国伟.华东理工大学 2013
[9]基于RBF神经网络的心电信号分类识别技术研究[D]. 李彩玉.云南大学 2012
本文编号：3034746
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3034746.html
