论文部分内容阅读
房颤(Atrial Fibrillation,AF)是常见的心脏临床疾病,是一种危险性较高的心律失常疾病,极易引发多种创伤型并发症。因此其识别成为改善患者生存状态的主要手段。由于房颤具有隐蔽性,短时心电图(Electrocardiogram,ECG)很难发现,而长时心电图在长达几天的数据中准确寻找几秒、几十秒的房颤数据是研究的难点和热点。在房颤诊断和房颤监测中,房颤的自动识别对临床治疗是极其重要的。房颤的自动识别不仅可以给予心脏病专家做出准确、可靠的诊断结果提供重要的信息,而且也可以为个体随检者提供及时有效的建议。房颤识别的重要特征之一是判断心电信号中P波是否存在,本文提出了一种基于高斯模型的P波自动识别方法,以解决房颤的识别。本文按照P波形态分三类建立了不同的P波识别通用高斯模型,过程包括建立一个包含圆滑型P波、尖耸型P波以及双峰型P波三种类型的P波模型组,提取特征数据并利用高斯混合模型(Gaussian Mixture Model,GMM)训练成P波高斯模型组。然后利用马氏距离(Mahalanobis Distance,MD)训练相应的阈值范围。本文选取MIT-BIH Atrial Fibrillation Database作为实验数据,实验结果表明圆滑P波、尖耸P波、双峰P波以及直线型数据的识别正确率分别为80.50%、84.36%、67%和100%。由于心电信号是微弱信号,受环境影响很大,本文提出的P波识别机制会出现伪P波现象,影响房颤的诊断,为此,本文又提出了基于BP神经网络伪P波判别策略。将真P波数据和伪P波数据作为正反例,训练BP神经网络。实验数据来自MIT-BIH Atrial Fibrillation Database,实验结果表明伪P波识别别正确率为96.72%。