心律失常ECG信号的多尺度时频特征提取与分析研究

发布时间：2017-08-24 12:21

  本文关键词：心律失常ECG信号的多尺度时频特征提取与分析研究

  更多相关文章： 心律失常 心率变异性 多尺度 非线性分析 散点图

【摘要】：心律失常是心血管疾病中较重要的一类疾病,是由于心脏活动的起源或传导障碍导致的心脏搏动频率或节律异常,它可能突然发作导致猝死,也会因为持续性累积而致心脏衰竭。心电信号是心脏活动时心肌激动产生的生物电信号,是分析心脏兴奋的产生、传导和恢复过程的重要客观指标。心率变异性(Heart Rate Variability,HRV)是指逐次心跳RR间期的微小涨落,蕴含了有关心血管系统神经和体液调节的大量信息,其复杂性能够反映心脏的生理功能和健康状态。通过分析ECG的HRV信息从而自动识别、区分不同类型的心律失常,对临床诊断和远程监控技术都是至关重要的。HRV信号的常用分析方法主要包括时域、频域以及非线性方法等。其中,非线性分析方法被普遍认为更有助于揭示人体心脏动力系统的本质特征。本文对体表心电信号进行预处理之后从中提取出心率变异性信号,并从多尺度熵、散点图、符号动力学等不同方面进行特征提取与分析。首先根据发生心律失常时心电信号不同频率层次信息量的变化提出了多尺度Renyi熵算法,并以房颤为例进行特征提取与分析,进行阵发性房颤的分类结果可以达到92%以上。本文还提出了改进的基于散点图的区域熵算法,可以反映出疾病发生时心电信号的非线性特征及复杂性变化,进行阵发性房颤的识别分类的准确率均可以达到90%以上。此外,本文提出一种基于散点图的符号序列熵算法,通过划分散点图平面对散点位置进行编码反映RR间隔序列的不同变化模式,并对不同心律失常类型的信号和正常窦性信号进行分类验证了该算法的有效性。拓展了符号动力学在心电分析中的应用方式。
【关键词】：心律失常 心率变异性 多尺度 非线性分析 散点图
【学位授予单位】：北京理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R541.7;TN911.7
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 第1章 绪论9-23
• 1.1 研究背景与目的意义9-10
• 1.2 心电信号和心率变异性信号介绍10-14
• 1.2.1 体表心电信号10-12
• 1.2.2 心率变异性信号12-14
• 1.3 心律失常和心率变异性研究进展14-20
• 1.3.1 心律失常研究现状14-15
• 1.3.2 心率变异性研究常用分析方法15-20
• 1.4 研究内容和章节安排20-23
• 1.4.1 研究内容20-21
• 1.4.2 章节安排21-23
• 第2章 体表心电信号预处理与心率变异信号提取23-31
• 2.1 引言23
• 2.2 体表心电信号预处理23-26
• 2.3 QRS波群定位与HRV信号提取26-30
• 2.4 本章小结30-31
• 第3章 改进的多尺度熵算法在HRV信号分析中的应用31-46
• 3.1 引言31
• 3.2 相关理论基础31-36
• 3.2.1 小波分析理论基础31-34
• 3.2.2 Renyi信息熵理论基础34
• 3.2.3 分类器相关基础34-36
• 3.3 算法描述36-37
• 3.4 基于多尺度Renyi熵的阵发性房颤识别37-44
• 3.4.1 实验数据38-39
• 3.4.2 实验验证及结果分析39-44
• 3.5 本章小结44-46
• 第4章 改进的散点图区域熵算法在HRV分析中的应用46-54
• 4.1 引言46
• 4.2 散点图理论和分析基础46-47
• 4.3 算法描述47-50
• 4.4 基于改进的散点图区域熵的阵发性房颤识别50-53
• 4.4.1 实验数据50
• 4.4.2 结果分析50-53
• 4.5 本章小结53-54
• 第5章 基于符号动力学的心律失常分析54-66
• 5.1 引言54
• 5.2 符号动力学基础理论54
• 5.3 实验数据54-55
• 5.4 基于HRV符号动力学的房颤自发终止预测55-60
• 5.4.1 算法描述56-57
• 5.4.2 结果分析57-60
• 5.5 基于散点图符号序列熵算法的心律失常分析60-65
• 5.5.1 算法描述60-62
• 5.5.2 结果分析62-65
• 5.6 本章小结65-66
• 第6章 总结和展望66-68
• 参考文献68-75
• 致谢75

【参考文献】

中国期刊全文数据库 前2条

1 何艳萍;胡晶华;;锻炼对心电图检查结果影响的研究进展[J];山西医药杂志(下半月刊);2013年11期

2 戚文航;心率变异性测定在心血管疾病应用中的展望[J];中华心血管病杂志;1995年01期

，

本文编号：731265