论文部分内容阅读
心血管疾病是当今危害人类健康的主要疾病之一,心电图(ECG)检查是临床诊断心血管疾病的重要方法。利用计算机对ECG信号进行自动准确的分析是国内外学者热衷的课题。ECG自动分析的任务主要包括对ECG信号进行滤波预处理、进行波形特征点的检测等,最终目的是对心电波形进行分类识别,根据其波形特点或者特征参数自动地做出疾病诊断。在各种心血管疾病中,室性早搏(PVC)是一种最常见的心律失常,它的实时、正确检测是ECG自动分析的一项重要技术,对提高心律失常检测、监护系统和动态心电图分析系统的性能起关键作用,对改善心脏病诊断有重要的实用价值。 利用小波变换进行ECG信号滤波处理与波形检测、用模糊推理技术及神经网络进行ECG分类识别等,在国内外已有不少报道,但算法还都不够完善。本课题就是要对小波变换和模糊神经网络在ECG自动分析中的应用,进行深入的研究和探讨,在总结前人工作的基础上,主要做了以下几方面的工作: 1.对基于小波变换的ECG信号滤波方法进行改进,即:将小波变换与自适应滤波技术相结合。这也是本论文的创新之处。经实验仿真验证,采用本文改进的滤波方法,可以在有效地去除噪声、干扰的同时,减少有用心电信息的损失,较好地保持心电信号的波形特征。 2.利用小波变换的信号奇异性检测理论,深入研究和探讨了ECG波形检测方法,即构造Marr小波滤波器,从等效滤波器的角度分析ECG信号的离散二进小波变换,通过对ECG信号小波变换模极大值列的探测,准确检测出R波、QRS波起止点、P波、T波等波形特征点。在R波检测中,采用了可变阈值、不应期、Lipschitz指数判据等策略,极大地提高了波形检测正确率。 3.进行室性早搏自动检测算法的研究:将模糊逻辑与神经网络进行有机结合,即利用具有模糊化输入、输出的前向神经网络的分类识别能力,实现ECG信号中正常心拍和室性早搏的自动识别,用MIT—BIH心电数据库中的样本数据对该模糊神经网络进行训练、检验,证明该网络具有较高的PVC自动识别率。