异常心电信息识别与基于分类决策树的心电预测研究

发布时间：2020-07-29 21:31

【摘要】：心脏类疾病一直是高发类疾病,随着老龄化加剧,基于心电信号的自动分析诊断技术将是健康医疗的重要发展方向。心脏异常的预测和诊断以心电信号的特征点和特征波段信息为基础展开,但是在获取特征信息前需要保证数据的准确性,所以需要对信号作滤波处理。此外,依据心电特征信息进行异常预测和诊断需要采集和使用大量心电数据,利用机器学习中的挖掘算法能快速有效对常见异常作出诊断。本文针对心电信号的预处理,心电特征提取和挖掘算法实现进行研究,主要研究内容如下:1.对心电信号预处理即对心电信号去噪。采用平稳小波变换结合阈值去噪法对MIT-BIH心电库中的心电信号进行二次滤波,主要去除了信号中残留的基线漂移和肌电干扰。为了克服使用软阈值函数滤波带来的信号失真和使用硬阈值函数由于信号不连续带来的伪吉布斯现象,本文提出自适应软阈值函数滤波法,使用全局自适应阈值和软阈值函数对信号进行重构。仿真结果证明这种方法对基线漂移和肌电干扰有良好的滤除作用,性噪比和失真率性能良好。2.在特征识别工作中实现心电信号波形检测。选择二次B样条小波作为小波函数对心电信号进行4层小波分解,通过在第四尺度上识别R波的模极值对进行波形检测,采用自适应加窗校验的方式实现R波检测。以R波为基础在第二尺度上用同样的方法实现对Q,S,P,T波的识别,使用二次差分阈值的方法实现对波群起始点的识别。3.按照心电节律划分出12类异常心电波形,依据识别的波形将心电异常的诊断标准量化,实现异常特征提取入库。使用分类决策树算法实现心电异常诊断和预测,通过K-Folds交叉验证和随机森林算法相结合的方法改进心电异常诊断模型,使用验证数据集对预测模型的性能进行验证。
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R540.4;TN911.7
【图文】：

心房,电位差,心室肥大,间期

图２－１标准心电波形图逡逑反映左右心房除极时体表电位差变化。正常心电图中除了邋ａＶＲ均向上，通常Ｐ波的间期为０．０８ｓ？０．１１ｓ，幅值不超过０．２５ｍＶ，，说明左右心房的传导出现了问题。逡逑期：代表了房室传导过程所需的时间，由于电位较弱，因此在是一段处于基线附近的线段。健康人体的Ｐ－Ｒ间期为０．１２ｓ？０．２ｓ，室之间的传导受到阻碍，会导致该间期变长。逡逑群：反映了心室肌除极化过程的电位变化，由连续的负向的Ｑ波和负向的Ｓ波组成。当心室增大或者肥厚时，就会出现ＱＲＳ发生变形现象。逡逑ＱＲＳ波群的终点与Ｔ波起点之间的波段称为ＳＴ段，这段波形极的信息。这段时间内，心室肌处于除极状态，心室肌的各处位差。因此，健康人的心电图中的ＳＴ段向上偏移不超过０．０５ｍＶ缺血或者坏死时，就会使ＳＴ段向上或者向下有较大的偏移量。化可能对应着心室肥大，心肌梗塞，心房和心室肥大等疾病，

值函数,原始信号,信号,心电信号

图４－４自适应软阈值函数滤波后的信号与原始信号对比逡逑去噪新能评估指标中的丨目噪比和失真率定义如下：逡逑ＳＮＲ邋＝邋ｌｏｇ邋Ｖ邋—＾￣－逦（４－１０）逡逑卜丨［难）－）．’（，0］、逡逑ＥＲＲ邋＝N！：？）二），逦（４－１１）逡逑Ｎ邋七逦ｘ0ｉ）逡逑中，．中0是原始心电信号，ｊ，（》）是经过滤波处理后的心电信号。由以上两式逡逑知，ＳＮＲ越大，ＥＲＲ越小去噪效果和失真效果越好。当采样的数据个数Ｎ由逡逑２３逡逑

波峰值,心电信号,过零点,小波系数

逑等效的，同理可得，信号．吻）经外0处理后得到信号．ｖ（0，对其求二阶导可得ｙ２＞0），逡逑与用ｄ：即）／ｄｒ２对吨）进行处理等效，处理等效图如图５－１所示：逡逑ｄＷ逡逑图５－１导数的等效处理逡逑若一个函数的一阶导数存在，则在时间域上，一阶导数等于零的点与原函逡逑数中的极值点对应，一阶导函数的极值点原函数的转折点对应；如果一个函数逡逑的二阶导数是存在的，则在时间域上，二阶导函数等于零的点与原函数中的转逡逑折点对应，二阶导函数的极值点与原函数中的极值点对应；对应关系如图５－２逡逑所示：逡逑0．２邋［逦＇邋ＩＴＴｒ逡逑０邋：逡逑４００逦！邋，邋！邋６００逡逑0．ｉ邋ｆ逦！逦■占逡逑：８：§Ｅ＿＿逡逑４００逦６００逡逑图５－２心电信号Ｒ波峰值点与小波系数过零点对应关系逡逑令，）Ｗ邋＝邋Ｍ１，＝逦由小波函数容许条件可知，采用ｖ／（＂（0或者逡逑ｄｒ逦ｄｒ逡逑，（／）对信号冲）进行小波变换，则信号RG的极值点和转折点都体现到经过小逡逑波变换后得到的小波系数中。如果采用Ｗ）作为小波函数对信号．州）进行小波逡逑变换

【相似文献】