基于确定学习和非线性动力学分析的心肌缺血检测及其实现

发布时间：2020-07-22 15:55

【摘要】：心肌缺血/心肌梗塞是一种常见的心血管疾病,严重威胁着人们的生命健康。心电图(electrocardiogram,ECG)是一种诊断心血管疾病首要选择。它具有无创、操作简单、价格低廉等优势。然而,心电图检测冠心病/心肌缺血准确率不高(60%左右)。最近,借助确定学习理论对ECG数据的准确动力学辨识,发展了一种相比ECG具有更高的准确率的方法(Cardiodynamicsgram,CDG)。基于非线性动力学分析方法,本文主要研究了基于CDG的心电特征提取,分类识别与应用实现等问题。首先,运用功率谱法和主成分分析法对心电动力学进行非线性特性分析,基本确定心电动力学中存在混沌特性。其次,选取四个典型的非线性动力学特征:关联维数、最大Lyapunov指数、_0C复杂度和近似熵,对心电动力学进行定量指标提取,并以箱线图的形式对病态与非病态心电动力学进行特征分布分析,初步分析各特征对心肌缺血检测的有效性。通过上述特征,结合两种常见的分类器(SVM、KNN)对心肌缺血进行分类识别。结果表明,以上非线性心电动力学特征在心肌缺血分类中有较明显的区分,所有单特征的准确率均在70%以上。其中分类效果最好的是C_0复杂度(准确率83.79%、敏感性84.21%、特异性81.38%)。再次,把以上四个特征综合考虑,基于多个特征对心肌缺血进行分类识别。结果显示,多特征的分类结果可达准确率86.64%、敏感性85.82%、特异性87.45%,与已有的临床结果相符。针对于多特征的数据可视化表示问题,通过雷达图表示法与SVM最优分类面相结合,得到一种多边形判别图,为临床诊断心肌缺血提供直观且有效的判别信息。最后,基于MATLAB和MySQL数据库开发了面向心肌缺血的心电工作站,工作站能够支持心电信号的本地采集、自动分析、数据管理等功能,实现了本文中非线性心电动力学特征的程序计算,为医生诊断心肌缺血提供定量的指标参量供临床诊断参考,同时也为医务人员管理医案信息提供便捷。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R540.41;TP18;TP391.41
【图文】：

波形,波群,波幅,波极化

图 2-1 心电图波形一个心动周期中，首先出现的一个小而圆钝的波，称为 P 波极化过程。P 波的起点激动自窦房结达到心房，其终点表示常时程为 0.08～0.11 秒，波幅不超过 0.25mV。表示以 P 波为起点到 QRS 波群起点这一段的时间间隔。QRS 波群起点代表心室开始去级。：继 P 波之后，出现的一个短时程、较高幅度及波形尖锐RS 波群反映左心室和右心室的去极化过程。典型的 QRS 波动组成，分别是第一个向下的波，即 Q 波，第一个向上的波之后向下的波，即 S 波。S 波群后的一个持续时间较长、波幅较低的向上的波，称为程。T 波的方向与 QRS 波群的击波方向相同。如果出现 T为 T 波改变，主要反映心肌缺血。

神经网络结构,神经网络

第二章预备知识结合神经网络思想，这就形成了 RBF（radial basis function）神经网络。是一种基于径向基函数的三层前馈式结构的神经网络，如图 2-2 所示，其入变量传递到隐含层的神经元中，隐含层神经元通过核函数对输入数据进出到输出层，输出层再对其进行线性加权，即得到神经网络的最终输出。可以处理系统内难以解析的规律性，具有良好的泛化能力，已成功应用于近、动态模式识别、时间序列分析、故障诊断、图像信息处理等领域。

时间序列,心电,三维显示,动力学

a) 患病受试者 b)健康受试者图 3-1 心电动力学三维显示图3.3 心电动力学的非线性特性分析确定学习理论实现了非线性系统未知动态的准确辨识和建模。心电动力学图（CDG）就是以确定学习为理论基础对心电信号 ST-T 环进行局部准确辨识后的三维表现结果，既包含了状态信息，也包含了动力学信息，是心电信号的动态信息表达。判断心电动力学是否存在混沌现象是对其进行非线性动力学混沌分析的前提。目前关于混沌的定义没有统一的标准，一般认为，混沌是指在确定的系统在一定条件下所呈现的不确定的或不可预测的随机现象。混沌现象的三个基本特征分别是内在随机性、初值敏感性和非规则的有序性。确定一个系统或者时间序列是否存在混沌需要从多方面加以分析，结合定性分析机理，一些常用的判别系统或时间序列是否具有混沌特性的方法有：Poincare 截面法、功率谱法、主成分分析法和相图法等[38]。下面我们选取功率谱法和主成分分析法对

【参考文献】