心电信号波形检测与心律失常分类研究

发布时间：2017-04-13 15:23

  本文关键词：心电信号波形检测与心律失常分类研究，由笔耕文化传播整理发布。

【摘要】：近年来,随着人们生活水平的提高,心血管疾病的患病率显著增加,因病死亡人数也呈逐年上升趋势。而在所有的心血管疾病中,心律失常是较常见的一种疾病,也是诱发心脏性猝死的一个根源,因此及时准确的检测出病人的心律失常,对预防心脏病和心脏猝死具有重要的意义。早期心律失常的诊断主要依靠医生对心电图波形的分析得出具体的心律失常类型,受医生的经验影响很大,同时由于心律失常种类繁多导致对应的心电波形纷繁复杂,仅靠人工分析已不能满足病人的要求。随着计算机的出现,利用智能处理技术实现心电信号波形检测及心律失常的分类成为近年来研究的热点,但由于噪声干扰、个体差异等原因,要实现准确的波形检测和分类还存在一些难题。本文针对心电信号的波形检测及心律失常的分类进行研究,主要工作内容及创新成果如下:(1)提出一种新的自适应阈值估计方法,该方法在小波分解的不同层采用不同的阈值,能够自适应的去除心电信号中的基线漂移、肌电干扰及工频干扰等噪声。采用基于软阈值的小波变换进行去噪的仿真实验,结果表明,自适应的阈值估计方法优于其他方法,能够较好的去除各类噪声,最大限度的保留信号的原始特征。同时将基于软阈值小波变换的自适应去噪算法采用FPGA实现,在modelsim上的仿真结果表明,基于硬件的去噪效果和软件实现相当。(2)提出一种基于组合阈值的QRS波群检测算法,首先利用差分运算确定信号的局部极值点,再利用幅度阈值确定R峰的候选点,最后利用小波阈值确定最终的R峰。仿真实验结果表明,算法的计算量明显减小,具有较高的准确率、实时性与鲁棒性。(3)提出一种先全局后局部、逐级筛选的精英遗传算法用于心电信号的特征选择,在算法实现中,提出三种遗传算子,分别是“优胜劣汰扩空间”选择算子、拼接算子和切断算子。结合朴素贝叶斯分类器,仿真实验结果表明,算法能够找到最优的分类特征子集,实现对心律失常的准确分类。(4)提出一种基于遗传算法优化的极限学习机(GAELM)用于心律失常的分类,其中,遗传算法用于优化单隐含层前馈神经网络隐含层的学习参数。同时提出一套基于小波变换、核主成分分析及GAELM的组合方法实现心电信号的波形检测及心律失常分类。实验结果表明,所提方法较其他算法运行时间更快,准确率更高。
【关键词】：心律失常分类 小波变换 FPGA 精英遗传算法 极限学习机
【学位授予单位】：河北工业大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：R541.7;TN911.23
【目录】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 绪论15-29
• 1.1 课题研究背景及意义15-16
• 1.2 心电信号16-20
• 1.2.1 心电信号产生的基本原理16
• 1.2.2 心电信号基本波形及其意义16-17
• 1.2.3 心律失常的分类17-20
• 1.3 心电信号检测技术及心律失常分类的研究现状20-26
• 1.3.1 心电信号预处理技术的研究现状20-22
• 1.3.2 心电信号波形检测与特征点定位的研究现状22-24
• 1.3.3 心电信号特征提取的研究现状24-25
• 1.3.4 心律失常分类的研究现状25-26
• 1.4 实验数据来源26-27
• 1.5 论文主要工作内容及章节安排27-29
• 第二章 基于小波变换的自适应心电信号去噪方法29-48
• 2.1 心电信号的噪声类型29-31
• 2.2 小波变换去噪理论31-37
• 2.2.1 小波变换31-34
• 2.2.2 小波去噪方法34-35
• 2.2.3 阈值函数35-36
• 2.2.4 阈值估计方法36-37
• 2.3 基于软阈值小波变换的自适应去噪方法37-41
• 2.3.1 算法总体流程37-38
• 2.3.2 小波基函数的选取38-40
• 2.3.3 小波分解层数的确定40-41
• 2.3.4 自适应去噪算法41
• 2.4 仿真实验结果及分析41-46
• 2.4.1 去噪效果的评价标准41
• 2.4.2 不同阈值估计方法对去噪效果的影响41-44
• 2.4.3 小波分解层数对去噪效果的影响44
• 2.4.4 心电信号去噪结果44-46
• 2.5 本章小结46-48
• 第三章 软阈值小波去噪算法的FPGA实现48-63
• 3.1 FPGA基础知识48-52
• 3.2 算法原理52-56
• 3.2.1 Mallat算法52-53
• 3.2.2 分布式算法53-55
• 3.2.3 信号边界延拓55-56
• 3.3 总体结构设计56-59
• 3.3.1 数据精度56
• 3.3.2 总体结构56-59
• 3.4 各功能模块设计59-61
• 3.4.1 信号输入模块59
• 3.4.2 小波分解模块59-60
• 3.4.3 阈值处理模块的设计60-61
• 3.5 实验仿真与结果分析61-62
• 3.6 本章小结62-63
• 第四章 基于组合阈值的QRS波群识别算法63-73
• 4.1 常用的QRS波群检测算法63-65
• 4.1.1 差分阈值法63-64
• 4.1.2 小波变换法64-65
• 4.2 基于幅度阈值和小波阈值的QRS波群识别算法65-68
• 4.2.1 R峰检测原理65-66
• 4.2.2 幅度阈值及小波阈值的确定方法66-67
• 4.2.3 Q波和S波的检测67
• 4.2.4 附加策略67-68
• 4.3 仿真实验结果及分析68-72
• 4.3.1 评价指标68
• 4.3.2 实验结果及分析68-72
• 4.4 本章小结72-73
• 第五章 基于改进精英遗传算法的心电信号特征选择73-90
• 5.1 特征选择算法概述73-76
• 5.1.1 完全搜索算法74
• 5.1.2 启发式搜索74-75
• 5.1.3 智能算法75-76
• 5.2 标准遗传算法76-77
• 5.3 改进的精英遗传算法77-82
• 5.3.1 相关定义78-79
• 5.3.2 适应度函数79
• 5.3.3 全局寻优阶段79-80
• 5.3.4 局部寻优阶段80-82
• 5.4 改进的精英遗传算法在心电信号特征选择中的应用82-88
• 5.4.1 实验数据集82-83
• 5.4.2 候选特征集83-84
• 5.4.3 特征选择的评价标准84-86
• 5.4.4 实验结果及分析86-88
• 5.5 本章小结88-90
• 第六章 基于改进极限学习机的心律失常分类90-100
• 6.1 核主成分分析90-92
• 6.1.1 主成分分析90-91
• 6.1.2 核主成分分析91-92
• 6.2 基于遗传算法优化的极限学习机92-96
• 6.2.1 极限学习机92-95
• 6.2.2 遗传算法优化的极限学习机95-96
• 6.3 基于改进极限学习机的心律失常分类96-99
• 6.3.1 实验数据集96
• 6.3.2 不同维数约简算法对心律失常分类性能的影响96-97
• 6.3.3 不同分类器对心律失常分类性能的影响97-98
• 6.3.4 GAELM算法在MITDB心律失常数据库上的分类性能98-99
• 6.4 本章小结99-100
• 第七章 结论和展望100-103
• 7.1 工作总结100-101
• 7.2 未来工作展望101-103
• 参考文献103-112
• 致谢112-113
• 攻读学位期间所取得的相关科研成果113

【参考文献】

中国期刊全文数据库 前6条

1 孙京霞,白延强,杨玉星;一种抑制心电信号50Hz工频干扰的改进Levkov方法[J];航天医学与医学工程;2000年03期

2 刘雄飞;黄茁;;基于小波神经网络的心电诊断算法的研究[J];计算机仿真;2009年04期

3 王利琴;顾军华;梁志刚;;一种实时鲁棒的QRS波群检测算法[J];计算机应用与软件;2013年12期

4 赵勇;洪文学;孙士博;;基于多特征和支持向量机的心律失常分类[J];生物医学工程学杂志;2011年02期

5 李晓磊,邵之江,钱积新;一种基于动物自治体的寻优模式:鱼群算法[J];系统工程理论与实践;2002年11期

6 侯澍e，

本文编号：303892