检索历史 清除

摘要无论是便于携带的单导联心电采集设备，还是多导联的心电采集设备，采集到的心电信号均可能包含呼吸、运动和导联脱落等导致的噪声。心电伪差的出现会导致心电特征参数(如RR间期、QT段等)失真，引起基于心电图疾病诊断的误诊或漏诊。严重的心电伪差可能掩盖真实的心电信号，使得被掩盖的心电信号失去辅助诊断和监护心脏疾病的价值。因此，识别并去除心电伪差可以有效提高心电图质量。房颤是一种常见的心律失常疾病。随着城市化和社会老龄化速度的加快，其发病率不断增长。高效、准确的房颤自动识别方法是实现大规模房颤监护和管理的技术保障。为此，本文采用支持向量机（SVM）技术，开展了心电伪差和房颤识别方法研究，并在此基础上，开发了一套常见心律失常监护系统模型，为提高基于心电信号的多种心律失常早期判别与监测以及任何时间、任何地点的健康状态实时监护提供技术保障。具体研究内容如下:<br>　　(1)基于支持向量机的多特征参数心电伪差识别研究。<br>　　提取心电信号的第一主成分贡献率、R波幅值的标准差、模板匹配的相关系数、QRS波能量占比和样本熵等5个心电信号质量指标(SQI)，并采用网格参数寻优方式的支持向量机算法，构建伪差和心电信号分类识别模型。将PhysioNet Challenge2011、PhysioNet Challenge2017、MIT-BIH Arrhythmia Database和Noise Stress Test Database4个心电数据库的伪差数据和非伪差数据融合，构建了一个验证数据集，并采用10折交叉验证该模型的性能。实验结果表明，本文方法的敏感度、特异度、阳性预测率和准确率分别达到98.33%、98.14%、98.04%和98.24%，具有较强的心电伪差检测识别能力。<br>　　(2)基于不均衡多分类支持向量机的房颤识别方法研究。<br>　　首先从现有研究中收集房颤、非房颤、伪差和正常心电信号相关的134个候选特征。考虑到P波难以准确定位，因此去掉P波相关的24个特征。然后对剩下的110个候选特征做两两相关分析，再滤除相关系数大于0.9的冗余特征和复杂度较高的特征，形成一个有效特征集，用于房颤、非房颤、伪差和正常心电信号的分类识别。接着，通过分析各类样本数量的分布情况，设计一种不均衡四分类支持向量机，并与有效特征结合建立了一种识别房颤、非房颤心律失常、伪差和正常4类心电信号的方法。最后，采用PhysioNet Challenge2017比赛提供的数据验证本文方法并与其他相关方法比较。实验结果表明，本文方法整体上获得了较好的性能。进一步，采用MIT心律失常数据库和MIT房颤数据库中的数据对本方法选择的有效特征进行验证。实验结果表明，本文方法在上述两个数据库上识别房颤的分数均达到0.97及以上，识别非房颤心律失常、伪差和正常的分数均达到0.9以上，在房颤辅助诊断和监测方面具有良好的应用前景。<br>　　(3)房颤与非房颤心律失常监护系统模型设计与实现。<br>　　根据房颤及其他心律失常监护与管理的真实需求，设计了一种基于心电信号的房颤与非房颤心律失常监护系统模型。采用心电信号获取模型模拟真实系统的数据采集过程，采用心电信号无线传输模型模拟各数据之间的传输过程，采用心电信号智能处理模型模拟真实系统的信号处理过程，采用心电信号显示模型模拟真实系统对判别结果的展示。测试结果表明，该模型功能全面、实时性和可操作性强、界面友好，使用方便，为实际应用提供了理论和技术保障。