可穿戴心电信号特征提取及分类

发布时间：2023-04-20 05:00

　　心血管疾病在近几年呈现越来越高的发病率,已经成为全球疾病的死亡率之首,因此日常心电监护正在成为研究热点。可穿戴设备在日常心电监护中承担着重要的角色,主要利用心电信号中的QRS波群位置和心率变异性的一些时域频域指标进行计算,推测出心脏的健康状况。因此,本文首先对心电信号进行QRS波群检测,然后基于心率变异性的时域特征和频域特征设计了五种不同的分类器,对不同心律类型进行分类,最后基于Android平台搭建了一个ECG实时监测软件。在可穿戴设备的应用场景中,用户的姿势或周围环境的噪声会给QRS波群的检测带来很大干扰,本文在前人的一种基于斜率阈值的SC算法基础上进行改进,提出了一种抗干扰能力强、适用于可穿戴设备的QRS波群检测算法—ISC算法。该算法增加了自适应幅值筛选、自适应斜率比较阈值、RR间隔修正以及最大值修正等机制,有效提高了R波检测的正确率和算法的抗干扰能力。用MIT-BIH心律失常数据库数据验证的ISC算法的平均P+为99.12%,平均Se在95%以上;对MIT-BIH噪声压力测试数据库中的基线漂移、肌电干扰和电极运动干扰三种类型的噪声具有较强的干扰抑制能力,Se和P+均超过94%...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 论文背景与研究意义
    1.2 国内外研究现状
        1.2.1 可穿戴设备发展现状
        1.2.2 心电信号特征提取研究现状
    1.3 主要研究内容及安排
第二章 数据采集与预处理
    2.1 心电数据库简介
        2.1.1 MIT-BIH心律失常数据库(mitdb)
        2.1.2 MIT-BIH噪声压力测试数据库(nstdb)
        2.1.3 MIT-BIH正常窦性心律数据库(nsrdb)
        2.1.4 BIDMC充血性心力衰竭数据库(chfdb)
        2.1.5 运动状态数据库
    2.2 心电数据预处理
        2.2.1 去除工频干扰
        2.2.2 去除基线漂移和运动噪声
    2.3 本章小结
第三章 基于斜率阈值法的QRS波检测
    3.1 R波检测
        3.1.1 So and Chan (SC)算法
        3.1.2 Improved So and Chan(ISC)算法
        3.1.3 R波检测小结
    3.2 Q波检测
        3.2.1 基于差分最值法的Q波检测原理
        3.2.2 Q波检测结果
    3.3 S波检测
        3.3.1 基于最值法的S波检测原理
        3.3.2 S波检测结果
    3.4 本章小结
第四章 基于心率变异性的多种心脏疾病分类
    4.1 HRV特征提取与选择
        4.1.1 时域特征提取
        4.1.2 频域特征提取
    4.2 基于BP神经网络的心律分类器
        4.2.1 BP神经网络基本理论
        4.2.2 多类别心律分类器设计
        4.2.3 实验结果分析
    4.3 本章小结
第五章 Android终端软件设计
    5.1 APP整体框架
    5.2 关键技术的实现
        5.2.1 数据传输
        5.2.2 心电数据处理
        5.2.3 实时绘制心电波形
        5.2.4 紧急联系人功能
        5.2.5 数据的存储和生成心电图
    5.3 本章小结
第六章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
在校期间发表的学术论文与研究成果



本文编号：3794938