检索历史 清除

摘要心律失常是一种常见的心血管疾病，其发病过程中，有心率和心率变异性的改变，并可能直接导致心衰甚至引发猝死。心冲击信号（ballistocardiogram，BCG）表现为心脏的力学特征，可以用于描述心脏的功能信息。目前BCG信号在心律失常检测方面的研究中，检测类型单一、总准确率不高。针对上述问题，本文使用心冲击图记录仪获取多种类型心律失常的BCG信号，结合机器学习算法，深入研究了基于BCG信号的心律失常识别方法。主要工作有以下几点：<br>　　1.BCG信号和ECG信号心率变异性的相关性分析。使用BCG记录仪和心电（electrocardiogram,ECG）采集系统从临床上获取20例健康人、9例室性早搏和6例房颤的数据，并由专业医生对心律失常患者的ECG数据进行标注并记录时间。根据ECG信号、BCG信号以及心率变异性的线性和非线性特征，从20例健康人的BCG和ECG数据中分别提取心率变异性，共12项特征值，对比分析了BCG信号和ECG信号心率变异性的相关性。结果表明，由两种信号所获得的心率变异性没有显著性差异，即两种信号在提取心率变异性方面具有一致性，证明了BCG记录仪所采集的信号在基于心率变异性的分析中具有可行性。<br>　　2.基于随机森林算法（RandomForest,RF）的心律失常识别。从健康人和心律失常患者的BCG数据中分别提取心率变异性特征，将提取的12种特征值进行整理，构建特征数据集，采用RF分类器进行心律失常的识别，并与未经过提取心率变异性特征的非特征数据集进行对比，结果显示，分类总准确率达到98.5%，相比未提取特征的分类结果(67.8%)提高了30.7%。<br>　　3.基于卷积神经网络（convolutionalneuralnetwork，CNN）和RF混合模型的心律失常的识别。针对RF在非特征数据集上分类效果较差的问题，构建了CNN-RF混合模型，并在非特征数据集和特征数据集上进行了验证。实验结果表明，在提取心率变异性特征后，分类总准确率达到98.5%；且对非特征数据分类总准确率也达到97.2%。即该模型可以实现自动的心律失常识别，性能优于RF算法。<br>　　本文研究了基于BCG信号的心律失常识别，分别使用RF算法与CNN-RF混合模型在特征数据集和非特征数据集上进行验证，实验结果表明本文构建的CNN-RF混合模型性能够实现基于BCG信号的心律失常的自动检测，有望推动家庭中日常化的心律失常检测的发展。