论文部分内容阅读
心血管类疾病已经成为威胁人类生命的第一大杀手,其病死率之高令世人所畏惧。仅我国每年就有近60万心源猝死(Sudden-Cardiac Death,SCD)的病例,因此如何有效的提前预测心源性猝死成为目前医学界关注的焦点。大量的临床医学研究证实,心电图中的T波交替(T-wave alternans,TWA)现象与心源性猝死、心律失常等心脏疾病总是相伴发生。因此,TWA已经成为一种预测以上两类疾病的无创指标。所以,对T波交替检测关键技术的研究具有非常重要的临床价值和社会意义。本文的工作围绕T波交替检测框架展开,主要针对预处理阶段和交替检测阶段的算法进行了研究。预处理阶段。针对传统的R波识别方法易受到噪声和大幅度T波影响而出现漏检和误检的问题,本文提出了基于差分的自适应阈值改进算法。从信号自身、信号的差分、信号差分的平方三个维度上,通过RR间期阈值、差分平方阈值和R波幅度阈值来改善R波识别的准确性。最后利用仿真实验验证了本文算法的有效性和准确性。T波交替检测阶段。针对传统的TWA检测时域算法要么对工频干扰和基线漂移敏感,要么对T波对齐敏感；而频域方法虽然对信号质量要求比较低,但是不具备时间分辨率,无法跟踪非稳态的TWA的问题,本文提出基于Kalman最优化估计的T波交替检测算法。利用Kalman滤波器在抑制高斯噪声和准确跟踪方面的优越性能,对奇偶分组后的T波进行处理,并应用动态跟踪策略检测TWA。仿真实验表明该算法能准确的检测T波交替,而且对高频噪声和基线漂移具备很好的抑制作用,可以初步识别非稳态TWA。由于TWA具有非稳态特性,而心电信号中不仅包括高斯噪声,还包括有色噪声。因此,针对以上两点,本文又进一步提出了基于小波变换和Boostrap方法的非稳态T波交替检测算法。该算法首先使用小波变换对非稳态TWA进行有效的分段,将非稳态TWA变为几段稳态的TWA,再利用Bootstrap方法对各段进行非参数估计来检测TWA。通过仿真实验验证了该算法在非稳态TWA和包含有色噪声TWA检测方面具备优良的性能。