基于RBF神经网络的心电信号分类识别系统研究

发布时间：2020-09-16 15:05

　　 (1)心电信号是心脏兴奋过程中所产生的生物电信号,能够直接反映心脏活动情况,利用心电信号进行心血管疾病诊断是临床上最常用的方法之一。因此,心电信号的分类识别技术成为国内外学者所热衷的课题。本文主要从心电信号分类识别系统中的预处理、特征提取以及分类识别三个方面进行研究,为了提高心电信号分类识别的准确率,本文主要做了如下工作。(2)由于心电信号是微弱的生物电信号,极容易受到干扰,其常见的噪声干扰有工频干扰、肌电干扰、基线漂移等,本文根据几种噪声的特点,分别设计FIR滤波器、Butterworth滤波器以及中值滤波器完成对心电信号中的噪声干扰滤除,并通过仿真结果发现噪声干扰被滤除且能够较好地保持原始心电信号的特征。(3)针对传统差分阈值法的缺陷,本文提出一种基于移动窗口结合一阶差分以及二阶差分平方的阈值法完成对心电信号中的R波波峰定位,并在此基础上通过截取R波波峰两侧62个数据点获取单个QRS波群。(4)由于小波变换能够较好地分析非平稳信号,因其压缩比高、压缩速度快,压缩后能够保持信号与图像的特征不变的特点,本文分别对单个QRS波群进行Harr、db2、bior2.4小波变换,通过实验对比,本文采用bior2.4小波对心电信号完成特征提取。(5)分别采用BP神经网络和RBF神经网络对心电信号进行分类识别,通过实验对比,选择RBF神经网络完成心电信号分类识别,然后针对传统RBF神经网络的需要人为确定隐藏节点的数量和径向基函数中心的缺陷,本文采用减聚类算法优化RBF神经网络学习算法,并提出根据与聚类中心的距离进行训练样本的筛选。(6)通过仿真结果显示改进后的神经网络学习算法对正常心搏、左束支传导阻滞、右束支传导阻滞、室性早搏的识别率相较于传统随机选择训练样本有明显提升,说明此网络对心电信号分类识别有较好性能。最后,本文在基于Visual Studio 2013平台,采用C#语言完成对心电信号分类识别系统的编写。
【学位单位】：西华大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP183;R54
【部分图文】：

波形,正常心电图,波形

正常心电图波形

流程图,心电信号,预处理,流程图

12.1 心电信号预处理流Preprocessing flow of E电信号，通常最大电图机通过人体表会对心电信号产生电信号，也会对心号采集过程中心电采取相应措施对后下几种[24]。

波形,基线漂移,滤除,波形

图 3.2 基线漂移滤除前后的波形Fig.3.2 Waveforms before and after baseline drift filtering3.2.2 工频干扰的滤除工频干扰主要是由 50Hz 的交流电产生的电磁辐射所引起的，当前常见的工频干扰滤波方法有：小波变换滤波、自适应滤波、模板匹配滤波以及经典滤波器等几种方法。前几种滤波方式的算法复杂度大，实现难度较大。而经典滤波器技术成熟，如平滑滤波器具有算法简单、速度快、滤波效果较好等特点，在数字滤波中得到广泛应用，但平滑滤波存在通带较窄，影响有用信号的分析等缺点。FIR 滤波器的滤波效果好，而且，FIR 滤波器具有严格的线性相位，没有相位失真的特点，这正好符合心电信号滤波的需要，因此本文采用 FIR 滤波完成对工频干扰的滤除。FIR 滤波器的方法有窗函数法、频率采样法和切比雪夫逼近法[26]。本文采用窗函数法进行设计。窗函数法的基本原理是利用窗函数截取无限长脉冲响应序列，得到有限长序列来逼近理想低通滤波器。Kaiser窗是一种参数可调，接近最优化窗结构的窗函数，因此本文采用 Kaiser 窗函数设计滤波器[27]。根据需要屏蔽 50Hz 工频干扰，设置滤波器参数：阻带截止频率

【参考文献】