面向移动平台的常见异常心电信号分类方法研究与实现

发布时间：2020-05-20 09:48

【摘要】：心脏疾病近年来倍受关注,尽早预防和诊断心脏疾病可以大大降低死亡率。心电信号能够表征心脏活动,对心电信号分析可以掌握心脏健康状况。目前心电信号分析方面存在两方面问题:第一,传统心电信号自动分类方法存在波形定位不准确和选取特征人为性的问题,因此,不能保证分类的正确性;第二,传统分类算法应用于工程时迁移难度大、适用性较低,并且目前面向移动平台的心电信号分析系统较少,缺少对异常心电信号的分析。因此,开发出对常见异常心电信号自动分析的移动平台系统,实现对心电信号进行实时监测分析,成为一个亟需解决的问题。针对上述问题,通过对比多种传统分类算法,本文采用深度卷积神经网络算法为基础框架,针对异常心电信号存在的数据不平衡问题对算法做出了改进,提出了基于权重的深度卷积神经网络心电信号自动分类算法。通过对MIT-BIH心律失常数据库的心电数据进行预处理,得到实验数据集训练算法模型,并将算法模型迁移至工程中。在系统设计与实现上,通过对比心电监护系统平台优缺点,根据系统的实现目标,从功能需求和性能需求上进行了系统的总体设计,开发出了能够实现常见异常心电信号分类的移动平台系统。该系统能够进行长时间监测,并且可以调用心电信号自动分类算法模型对心电信号进行分析。最后详细介绍了系统中各个主要功能模块的实现,包括蓝牙转发模块、数据接收模块、心电图显示模块、心电信号自动分析模块等,并在Android系统平台上完成了系统的开发。为了验证该移动平台分析系统的逻辑设计合理性与实现正确性,本文对该系统主要功能模块进行了功能逻辑测试以及性能测试。测试结果表明本系统可以稳定运行,并且可以进行长时间的心电信号监测,能够正确调用基于深度卷积神经网络的心电信号自动分类算法,对心电信号进行分析,实现显示心电信号波形、分析心拍类型以及计算平均心率值等要求,达到了心电信号实时连续监测与分析的目标。
【图文】：

波形图,心电信号,波形图,波群

IR 和 FIR 滤波器去除心电信号主要的三种噪声，并1]。号特征提取国内外现状信号自动分类对特征提取有比较高的要求，当提取大提高下一步的训练分类识别准确率。如图 1-2 所的波形，心电波形是由 P 波、QRS 波群、T 波以的特征值提取第一步是将心电信号的 QRS 波群检础上向前或向后检测出 T 波、P 波等。当检测完 Q些转化为能够体现波形的频域值和幅值，比如 P-R 间为下一步分类识别算法的输入。S.Z. Mahmoodabadi提取心电信号特征，对比不同长度的小波滤波器波形检测灵敏度 99.18%[12]。H.-Y.Lin 等人使用离散索窗和软阈值法对 QRS 波群和 T 波、P 波检测，其99.94%，P 波和 T 波检测灵敏度分别为 99.75%和 9

心脏传导系统

然后对 MIT-BIH 心律失常数据库做了详细说明[21]，最关技术理论和基本知识进行了简单介绍[22]。本心电相关知识介绍电图产生的原理全身血液以及身体循环主要是心脏不断泵送血液的结果。而促使基是心脏细胞不断产生除极以及复极的电生理现象。而心电信上对这一现象和过程进行记录，客观反映了心脏在运作过程中状况，因此人体产生的心电信号在医学分析上有着巨大意义。 2-1 所示是心脏传导系统[23]，，心脏传导系统是由位于心肌内能够特殊心肌细胞构成，其包括前结间束、房间束、窦房结、结间束束支和浦肯野纤维等。窦房结是正常心率的起搏点，位于上腔静间的心外膜下方；结间束是窦房结和房室结进行连通的桥梁，其结间束以及后结间束。房室结位于房间隔右侧心内膜下方，横卧窝与三尖瓣隔瓣上缘之间的区域内，房室束就在下方的延长处。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R540.41;TN911.7

【参考文献】