心电数据的预处理与分类算法研究

发布时间：2020-12-14 10:55

　　近年来随着计算机辅助诊疗系统的发展,对心电图进行分析研究不仅极大地缓解医生工作压力,也有助于为患者提供及时诊疗,能够一定程度提升诊断准确率。心电信号是一种微弱的生理信号,在采集过程中容易受到干扰,因此需要首先对心电图进行预处理;对心电图研究的最终目的是疾病诊断,目前的方法大部分在特征提取上展开研究,随着深度学习在生物医学数据分析中取得的成功,研究者们逐步将其应用于心电图,但仍有提升空间。本文针对心电图的预处理和分类展开研究,主要研究以下内容:（1）针对集合经验模态分解方法在去除心电数据噪声时,噪声IMF分量难以选择且将噪声分量直接舍弃会导致数据失真,提出了一种基于EEMD的自适应阈值算法。首先对含噪ECG数据进行EEMD分解,得到固有模态函数根据马氏距离进行信号IMF分量和噪声IMF分量的判定,然后通过果蝇优化算法确定噪声IMF的阈值,将经过阈值去噪的新的分量和剩余分量重构得到去噪后的ECG数据。最后,使用MIT-BIH数据库中的心电数据进行实验,实验结果表明,该方法在去噪同时能够较好地保留数据细节。（2）为了提高心电数据分类准确率,采用基于EEMD的多尺度模糊熵特征提取策略。首先,对... 

【文章来源】：中北大学山西省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

正常心电图波形示意

中北大学学位论文集过程中会受到噪声和伪迹的影响，这就使得 ECG 被如果直接使用这些原数据去分类，会因为噪声的存在降预处理。这些干扰的来源可能是生理性的，例如肌肉活的，例如相邻电子设备或设备的不正确使用[41]。常见的：当 ECG 被肌肉收缩伪影污染时，表现为如图 2.2 所致，当被试者心理紧张或者体表温度出现变化时会出现z，频谱特征接近于高斯白噪声[42]。

扰：当 ECG 被肌肉收缩伪影污染时，表现为如图 2.2 所致，当被试者心理紧张或者体表温度出现变化时会出现z，频谱特征接近于高斯白噪声[42]。图 2.2 肌电干扰噪声移：该噪声与被试者的运动有关，由皮肤和电极之间的可如呼吸活动），频率较低约为 0.1Hz[43,44]。基线漂移会从而严重影响医生对心脏疾病的诊断。

【参考文献】：
期刊论文
[1]ST段压低的分析[J]. 张夏琳,刘墨青.  实用心电学杂志. 2017(04)
[2]ECG去噪算法的设计与实现[J]. 马晓婷,尚宇.  国外电子测量技术. 2017(07)
[3]急性ST段抬高型心肌梗死患者的心电图特征分析[J]. 肖开怀.  临床医药文献电子杂志. 2017(50)
[4]基于深度信念网的心电自动分类[J]. 颜昊霖,安勇,王宏飞,牟荣增.  计算机工程与设计. 2017(05)
[5]房性早搏揭示的几个心电现象[J]. 魏莹,石娜,王倩,马立宁.  医学争鸣. 2017(02)
[6]基于卷积神经网络的心电特征提取[J]. 颜昊霖,安勇,王宏飞,牟荣增.  计算机工程与设计. 2017(04)
[7]基于集成学习的室性早博识别方法[J]. 周飞燕,金林鹏,董军.  电子学报. 2017(02)
[8]果蝇优化小波阈值超声检测信号去噪[J]. 李大中,赵杰,孙立江,张坤.  中国测试. 2016(07)
[9]一种基于心率和深层学习的心电图分类算法[J]. 李慧慧,金林鹏.  航天医学与医学工程. 2016(03)
[10]基于集合经验模态分解和小波收缩算法的自适应心电信号去噪问题研究[J]. 宋美.  生物数学学报. 2015(04)

博士论文
[1]缩短QT间期药物潜在致心律失常风险及其标志物的研究[D]. 邱博.河北医科大学 2017
[2]基于深度学习的心电信号降噪和T波自动检测研究[D]. 熊鹏.燕山大学 2016
[3]基于健康体检大数据的人群异常ECG与冠脉斑块分布谱及其影响因素研究[D]. 李江冰.山东大学 2016

硕士论文
[1]基于特征学习的ECG身份识别[D]. 骆腾飞.吉林大学 2017
[2]长QT间期综合征患者的脑电分析[D]. 胡良慧.安徽医科大学 2017
[3]心电信号特征提取及心律失常分类算法研究[D]. 史梦颖.天津工业大学 2017
[4]基于稀疏自动编码器和边缘降噪自动编码器的深度学习算法研究[D]. 邓俊锋.武汉科技大学 2016
[5]基于EMD的心电信号去噪方法研究及实现验证[D]. 张磊磊.重庆邮电大学 2016
[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]心律失常ECG信号的多尺度时频特征提取与分析研究[D]. 母远慧.北京理工大学 2015



本文编号：2916299