基于时域特征的房颤识别方法

针对便携式心电采集设备采集的手部心电信号质量较差、阵发性房颤识别困难问题,提出一种房颤自动识别方法,利用信息熵和连续小波变换(CWT,continuous wavelet transform)筛选奇异波形,准确识别心电信号中的R波,并利用R波信息提取心电信号的时域特征,利用BP神经网络构建阵发性房颤识别模型.在PCinCC2017和AFDB数据集上的实验表明,本文方法的房颤识别的灵敏度和特异性分别高于96%和98%,对失常10秒左右的短时阵发房颤的识别灵敏度和特异性均高于94%,可以应用于家庭便携式房颤监测.     

一种新的房颤心电融合特征提取方法

心房颤动(简称房颤)是临床上最常见的心律失常之一。阵发性房颤的发作具有突发性、反复性且发作时间短暂等特点,因而临床上往往难以及时捕捉到房颤心电而造成误诊漏诊等现象。它在心电图上的表征主要为:①P波缺失,代之房颤波(f波);②RR间期绝对不规则。针对这两个表现,文中提出了一种新的房颤心电融合特征提取方法。首先对心电信号进行去噪处理,并对去噪后的心电信号进行可调品质因子小波变换;其次,对QRS波群频带的重构信号进行R峰的自动检测,并计算RR间期变异系数与子串长度概率分布熵;然后,绘制P波频带范围内小波系数的T-lag散点图,并提取置信散度距离和与置信散度指数;最后将这两类特征构成房颤心电融合特征,并结合MIT-BIH心房颤动数据库与超限学习机完成房颤的自动检测,以验证所提方法的可行性与有效性。文中所提方法的平均检测结果的准确率、敏感度和特异度分别为96. 36%,94. 64%,98. 15%,表明所提方法能够有效地完成房颤心电的自动识别。     

基于灰度信息度量的阵发性房颤自动检测方法

针对心房颤动这类常见的心律失常疾病,提出了一种基于灰度信息度量的阵发性房颤自动检测方法。首先,采用离散小波变换将原始心电信号进行分解;其次,选择恰当的频率子带信号并对其小波系数进行差分运算,得到一阶中心差分散点图以及对应的灰度直方图;最终,分别计算灰度方差、灰度变异系数及香农熵,作为房颤心电的融合特征。将所提取的融合特征结合超限学习机,完成了阵发性房颤的自动检测。采用MIT-BIH数据库中的数值进行实验,结果表明,所提方法能够快速有效地完成房颤心电的识别,在交叉检验数值实验结果中,准确率、敏感度、特异度分别平均达到94.0%、94.6%、93.7%。     

一种新的房颤心电特征提取方法

心房颤动(简称房颤)是一种常见的心律失常疾病。由于阵发性房颤持续时间短暂、发作难以捕捉且易诱发形成致死性心血管疾病,故阵发性房颤的及时诊断具有非常重要的临床意义。为了提高诊断的准确性和实时性,文中提出一种新的房颤心电特征提取方法。首先采用50Hz陷波滤波器、35Hz低通数字滤波器、0.2Hz巴特沃兹高通滤波器进行数据去噪;其次,提取刻画心电信号散点图差异的度量指标作为房颤心电特征;最后,采用MIT-BIH房颤数据库并结合超限学习机完成阵发性房颤的自动检测,以验证所提方法的可行性与有效性。     

一种新的心电信号R峰自动检测方法

R波是心电(ECG)信号中最重要的组成部分,蕴含着重要的生理病理信息。在长时ECG信号上实现R峰自动检测是进行心率变异性分析、心血管疾病诊断、生物识别和ECG编码的关键步骤。文中提出了一种新的基于小波变换的R峰自动检测方法。首先,设计了一种改进的小波阈值法,并结合小波包分解对原始心电信号进行去噪处理;其次,将去噪后的心电信号进行小波变换,采用自适应阈值法在恰当的频率子带上检测出候选R峰,并将其位置逆变换于心电信号;最后,根据RR间期的局部变化趋势进行R峰的精细筛选,以最终完成R峰检测。文中选用MIT-BIH心律失常数据库中的2个心电记录对所提算法进行性能评估,采用错误检测率(DER)、真阳性率(+P)、敏感度(Se)和准确率(Acc)作为评价指标,平均检测结果分别可达0.395%,99.67%,99.95%,99.62%。     

用于身份识别的ECG特征筛选策略研究

为了解决基于心电信号(ECG,Electrocardiogram)中基准点特征适用度的问题,在理想化的特征计算结果的基础上,本文提出引入由于计算机识别心电波形基准点所带来的误差,从实际应用角度选择出在身份识别中具有应用价值的特征.研究首先采用小波变换处理心电信号,将心电波形的基准点与不同阶小波系数相对应,自动检测基准点并同时获得检测准确率.然后,设计并实现了由基准点检测准确率估算基准点构成特征的准确率策略,进一步利用逐步判别法进行特征选择,最后,获得特征在用于身份识别中的筛选结果排序.研究采用PTB心电数据库(PhysikalischTechnische Bundesanstalt,德国国家计量科学院心电数据库)作为实验数据,在60人的数据集上进行身份识别,获得98.7%的准确率.     

基于短时心电信号的疲劳驾驶检测算法

心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.     

基于一维离散小波变换的心电信号降噪研究

针对心电信号中含有噪声的现象,为了准确提取反映心电信号的特征信息,该文提出了应用一维离散小波变换实现对心电信号的降噪处理方法.研究结果表明,该方法能够有效地去除心电信号中的噪声,从而为进一步实现心电信号特征信息的提取提供了有效的参考价值.     

心电信号的降噪处理及其评价研究

为抑制心电信号中存在的噪声干扰,以利于准确提取反映心电信号的特征信息,文章提出应用一维离散小波变换实现对心电信号的降噪处理方法.通过对MIT/BIH心电数据库中的心电信号进行仿真,研究结果表明,该方法能够有效地去除心电信号中的噪声,对实现心电信号特征信息的提取具有一定的实用价值.     

基于CNN的心冲击信号阵发性房颤自动检测方法

阵发性房颤具有发作突然且时间短的特点，而目前其临床诊断方法——心电信号，不适于日常监护，因此，提出一种基于心冲击信号(ballistocardiogram，BCG)的非接触式房颤自动检测方法.研究不同输入数据长度与不同网络深度的匹配关系，获取应用一维卷积神经网络(convolutional neural network，CNN)检测阵发性房颤的最优组合.通过2000组数据的测试，所提模型的最佳性能为:测试准确性94.8%、敏感性97.2%、特异性92.7%，为基于BCG信号的心律失常检测与远程日常家庭监护提供了可能性.