论文部分内容阅读
随着人们生活水平的提高以及计算机在各个领域的应用和发展,计算机和心电学的结合对心电图异常检测的研究起到了推动作用。在心电图异常的自动检测的研究中,心电图的预处理方法主要有带通滤波法和小波变换法,异常诊断方法主要有特征提取法、支持向量机法和神经网络法等,特征向量法的算法较为复杂,支持向量机法以及神经网络法都是基于模型检测异常的,且模型建立时间较长,故它们实时检测的效果较差。文章主要对心电图异常的自动检测进行了研究,主要分为心电图的预处理、特征参数的检测和异常的诊断三个方面。文章首先对麻省理工学院心律失常数据库(MIT-BIH数据库)中以二进制格式存储的心电图数据进行提取,然后对提取出的心电图数据实施第一阶段的操作,即预处理操作。心电图的预处理操作即去除心电图中的噪声,其中包括工频干扰和肌电干扰引起的高频噪声以及低频的基线漂移信号。首先使用小波变换法提取出心电信号中的低频分量和高频分量,通过对低频信号的处理滤除基线漂移噪声信号,然后比较和分析了阈值函数的选取方法以及阈值的选取方法,选择无偏似然估计阈值法选取阈值,并使用软阈值函数进行高频分量的平滑处理,从而实现高频噪声的过滤,实现了比较理想的预处理效果。预处理完毕后,首先通过一阶的差分运算获取极值点,结合波峰波谷的取值范围获取R波和T波位置参数,然后对Q波和S波进行识别,最后获取P波位置。在异常的诊断方面,利用心电图特征获取正常心电模板,采用多模板匹配法构建模板库,然后计算心电模板和待检测心电图的相关系数来进行模板匹配,通过相关系数判断两者的匹配度,进而分析心电图异常种类。在文章对心电异常自动检测的研究中,使用MIT-BIH数据库进行试验结果分析,能够很好地去除基线漂移,并去除大部分高频噪声信号,异常检测准确度较好。而对高频噪声的过滤效果仍有需改进的地方,异常检测的准确度也有待提升的空间。