基于复杂度的心电图形态相关性分析

对健康人的正常心电图信号及MIT-BIH心律失常数据库中的心电信号进行分析,得到反映心拍间形态相关度的心电相关序列,用近似熵值分析其复杂度。结果表明,较之正常心拍,心律失常的心电信号,其心电相关序列的复杂度高。并且根据近似熵的动态分析,可看出:随着心律失常拍的发生与消失,心电相关序列的复杂度随之变化,出现较大的波动;而正常心电信号,其心电相关序列的复杂度随时间改变波动较小。     

基于LMCD的病理心电信号分析

目的采用基于Lopez-Mancini-CalbetDivergence（LMCD）的统计复杂度分析方法,对充血性心力衰竭信号、心脏性猝死信号与正常窦性心律信号进行统计复杂度分析。方法采用Bandt-Pompe算法对符号序列进行模式概率统计,分析了充血性心力衰竭信号、心脏性猝死信号与正常窦性心律信号的统计复杂度。结果 3种心律信号的统计复杂度存在差异,正常窦性心率信号的统计复杂度最高,充血性心力衰竭信号次之,心脏性猝死信号最低。方差分析表明,基于LMCD的分析方法得出的3种心电信号的统计复杂度差异具有统计学意义。结论采用LMCD的统计复杂度方法可以有效地区分3种不同生理病理状态下心电信号,为辅助临床诊断提供了一种新手段。     

基于Jensen-Shannon Divergence的心电信号复杂度分析

本文采用基于Jensen-Shannon Divergence(JSD)的复杂度分析方法,从MIT-BIH标准数据库中提取正常窦性心率(NSR)、充血性心力衰竭(CHF)和心脏性猝死(SD)信号,分别计算它们的复杂度。结果表明,这三种心电(ECG)信号的复杂度有所不同:NSR信号的复杂度最高,CHF信号次之,SD信号最低。方差检验结果表明,此方法得出的三种ECG信号的复杂度具有显著性差异,对临床医学检测和诊断CHF和SD有很好的借鉴意义。     

基于小波变换和似然无偏估计的运动心电信号伪差消除法

介绍了一种基于小波变换并结合似然无偏估计来消除运动心电信号中基线漂移和肌电噪声的新方法 ,且提出了评价心电消噪算法有效性的两个指标。该方法利用小波变换多分辨率分析的特性 ,将原始运动心电信号进行多尺度分解及单支重构 ,根据运动心电信号的自身特征 ,结合似然无偏估计针对不同的心电细节成分进行阈值消噪处理。研究结果表明 ,该方法能有效消除运动心电信号中的干扰成分 ,为进一步研究运动心电信号的特征识别分析提供了新途径。     

一种编码式Lempel-Ziv复杂度用于生理信号复杂度分析

准确区分生理序列随机性与混沌性,且不受序列长度与参数的影响是衡量复杂度算法的关键。本文提出了一种编码式Lempel-Ziv(LZ)算法,分别从序列随机性与混沌性的区分、长度的影响、动力学性质突变的敏感性、高斯白与粉红噪声复杂度测量等4个方面与经典LZ算法、多状态LZ算法、样本熵以及排列熵进行比较。结果显示,在短、中、长时(100、500、5 000点)下,编码式LZ算法均能准确区分随机与混沌性,正确测度高斯噪声的复杂度低于粉红噪声,并能准确响应序列动力学性质的改变。本文采用美国麻省理工学院(MIT)和波士顿贝斯以色列医院(BIH)联合建立的的MIT-BIH心电数据库中的充血性心力衰竭RR间期(CHF-RR)数据和正常窦性心律RR间期(NSR-RR)数据进行测试,实验结果显示,在各种时长下,编码式LZ复杂度算法均能准确地得出心力衰竭的复杂度低于窦性心律(P0.01)的结果,且不受长度与参数影响,具有较强的泛化能力。     

基于BP神经网络的胎儿心电提取算法研究

目的针对胎儿心电不易提取的问题,提出一种从孕妇腹部混合心电信号和胸部心电信号中提取胎儿心电的方法。方法采用反向传播(BP)神经网络预测孕妇腹部混合心电信号中母体心电的真实形态,从腹部混合信号中减去预测的母体心电信号便得到胎儿心电信号。与小波阈值去燥算法和自适应滤波算法比较,评价BP神经网络算法可行性。结果相比小波阈值去燥算法和自适应滤波算法,该算法准确度为94.12%,灵敏度为96.97%。这两项指标均优于小波阈值去燥算法的80.52%、93.94%和自适应滤波算法的87.88%、87.88%。结论基于BP神经网络的方法可以提取到纯净的胎儿心电信号,对于胎儿心电监护有一定的应用价值。     

一种基于多层感知器的房颤心电图检测方法

目的:提出一种基于多层感知器（MLP）的新型房颤识别算法。方法:首先设计一种新型自适应的R波阈值检测算法,然后以R波位置和幅度为特征,MLP为分类器进行正常/房颤心电图识别。MLP的网络参数采用深层置信网络预训练算法进行初始化,最后用误差反向传播算法对MLP网络权重进行调整。结果:在单通道心电图数据集上对正常、房颤心电信号进行分类,本研究方法的灵敏度达96.00%,特异性为84.18%,平均识别率为90.09%。结论:这种基于MLP的心电识别算法准确率高、计算复杂度较低,可为房颤的智能诊断提供一种新方法。     

基于多项式参数拟合和支持向量机的心肌梗死识别算法

心电图的复杂性和个人差异导致心肌梗死诊断标准的难以遵循,本文提出了一种基于多项式参数拟合和支持向量机的心肌梗死识别算法。原始信号经过滤波、去噪等预处理之后,使用多项式拟合的方法得到曲线拟合效果最佳的拟合系数,并把预处理中的参数作为特征值,支持向量机作为分类器,实现心电信号的自动分类。该方法实现了心肌梗死信号和正常心电信号的分类,最终识别率为82.017 9%。该方法可行性高、识别率高,具有可扩展性。     

基于下采样检测QRS波的新方法

针对目前QRS波检测方法的不足,结合心电信号主要集中在0.05～35 Hz这一特点,我们提出了基于下采样的QRS波检测新方法.首先对原始心电信号进行下采样,然后利用自适应、自学习原理设置幅值和斜率阈值检测QRS波,利用不应期特性降低误检率,再利用回溯技术降低漏检率,最后对得到的QRS波进行更新来实现原始心电信号中QRS波的检测.采用MIT/BIH心电数据库的数据和重庆医科大学附属医院提供的临床数据对该方法进行验证,准确率可以达到98%.结果表明该方法简单、快速、检出率高,并且不受采样率的影响.     

提升小波和平滑滤波在心电信号快速滤波中的研究

利用提升小波将原始心电信号(ECG)按频率特性分解为低频的逼近信号和高频的细节信号,舍弃前几层细节信号,采用自适应平滑滤波器选择合适的阈值对逼近信号进行滤波,从而避免平滑滤波对QRS波的损伤,再用提升小波逆变换重建保留的逼近信号,进而实现对心电信号中三种主要噪声的抑制.实验表明该方法计算量小,实时性强.     

心冲击图信号的采集和特征分析及其应用

目的:探讨心冲击图（BCG）信号和心电图（ECG）信号的内在联系,从而提升BCG信号在临床中的应用价值。方法:同时采集BCG信号和ECG信号,利用小波预处理及自适应模板匹配提取BCG信号的J波,获取BCG信号的心动周期间隔,并与同时段ECG信号的心动周期间隔对比。采用一维卷积神经网络建立BCG信号到ECG信号的重构映射,获取原始ECG信号的形态。结果:同时采集得到的BCG和ECG信号的心动周期间隔相关度为98.16%,形态相关度为95.44%。可由BCG信号得到原始ECG信号的RR间期、QRS波段宽度、ST波段宽度等特征。结论:在BCG信号中可以找出有效ECG信号特征,并以此改善BCG信号的临床意义。 【关键词】心冲击图信号;心电图信号;心动周期;相关性分析     

小波变换在滤除心电中工频干扰的应用

人体的心电信号由于其幅度低和频率低而易受到各种干扰的影响,本文介绍了利用小波变换来滤除心电信号中的工频噪声。处理过程是采用小波变换将原始心电信号分解成不同频段下的细节信号,再对各种细节信号进行加权处理,再重建心电信号,就能实现心电信号中的工频干扰的消除。从实验结果来看,本方法简单实时,且效果明显,为心电数据的进一步处理奠定了良好的基础。     

基于奇异值降维的胎心电盲分离方法

目的：胎心电是监护胎儿健康,降低围产期胎儿发病率和死亡率的重要手段。临床中多用间接法从孕妇的腹心电中获取胎心电。由于胎心电幅值较小,常被母心电和噪声掩盖,所以从孕妇的腹心电中分离出胎心电仍是诊断学难题。本文提出基于奇异值降维的胎心电盲分离方法从孕妇的心电图中有效分离出胎儿心电图。方法：临床中获取的孕妇心电信号数目较多,常为12、15、18导联。从获取的孕妇心电信号中,选取全部的腹心电和一路胸心电进行处理。如果信号中存在基线漂移,先用高通滤波器去除基线漂移,然后设置适当参数对信号进行奇异值分解降维,以便在充分保证信号信息量的前提下,降低盲分离的复杂度,减少信号的相关度,最后对降维后的信号进行盲分离处理。结果：用本文提出的方法对DaiSy数据库中的孕妇心电数据进行处理,结果表明,本文方法能有效的从孕妇心电信号中分离出胎心电。结论：从孕妇腹心电中分离出胎心电,进而对胎儿健康进行监护是一种可行的并且真正对胎儿无损的监护方法。本文提出的在盲分离前先进行奇异值降维的方法可降低盲分离的复杂度并提高分离精度。     

小波变换在心电信号滤波处理中的应用研究

介绍用小波实现心电图信号滤波处理的方法。该方法采用小波变换将原始心电信号分解为不同频段下的细节信号，去掉某些细节信号，再用小波逆变换恢复保留信号，就能实现心电信号的三种主要的消除。     

基于改进小波阈值算法的ECG肌电信号去噪研究

为了解决传统软、硬阈值算法对肌电信号去噪后心电图（ECG）信号幅值降低和存在局部异常尖峰,导致去噪效果较差的问题。通过研究小波阈值算法的去噪原理和优化规则,基于双曲正切函数构造出一种具有连续性、结构简单、灵活性较高的可调阈值函数和改进的分层阈值,并分析得到小波分解含噪ECG信号的最佳小波基函数和分解层数,提出了一种改进的小波阈值算法。将软、硬阈值算法、相关文献中的阈值算法和本文所提改进阈值算法对含有真实肌电信号噪声的ECG信号进行去噪对比研究。实验结果表明：本文改进阈值算法能较好地去除ECG信号中的肌电信号噪声,并能更好地保持ECG信号波形特征,且Pearson相关系数值大于其他阈值算法。定性和定量结果表明,本文所提改进阈值算法对ECG肌电信号噪声具有较好的去噪效果。     

一种基于自适应的新滤波技术

在心电信号的采集过程中,不可避免地会混入肌电噪声和各种干扰信号,为节获得含有较小噪声的ＥＣＧ信号,便于分析,需要对采集到的ＥＣＧ信号作消噪处理。     

高阶神经网络用于心电信号的识别

心电图（ＥＣＧ）的自动识别及分类长期以来一直是较难解决的问题，特别是当截取ＥＣＧ信号的起点不同（相当于信号发生平移）及有基线漂移（相当于信号发生旋转）时，在不作预处理情况下要求仍能正确识别及分类，即要求识别过程具有平移不变性和旋转不变性，更是困扰生物医学工程上作者的困难问题之一。作者采用高阶神经网络（二阶），对五类（正常类、高Ｒ波类、高Ｔ波类、Ｔ波倒置类及心律不齐类）具有平移及旋转的ＥＣＧ信号进行分类识别。结果表明，本网络具有较好的分类效果。平移信号不受任何限制，可任意平移，旋转信号最大旋转幅度为原信号的２０％。本工作全部在微机上完成，而且本网还具有灵敏度高，学习时间短等特点，而有较大的临床实用价值。     

基于复杂度和复杂率的心动过速和心室纤颤检测

本文从非线性动力学的角度 ,利用L Z复杂度 ,提出了复杂率指标及其定义 ,推导了复杂率的相关性质 ,并应用于异常心电信号的复杂性分析。经过生物实验、数据采集和计算机的仿真分析 ,证明了信息复杂度和复杂率的合理性。最后 ,对心脏异常心电信号中的VT和VF信号机理和复杂性进行了客观的分析和解释。结果表明 ,利用复杂度和复杂率 ,VT和VF信号的识别和分辨率达到 10 0 %。     

基于功率谱特征的心电数据小波压缩方法

利用心电功率谱特征,探索心电数据压缩新方法。用小波分解心电信号为高频与低频分量,对低频分量继续分解达到要求的级数,对高频分量则根据其所在频段的能量,对临床诊断的价值加以取舍。对MIT生理信号数据库心电数据的压缩与还原分析表明,该方法平衡了压缩比与还原精度之间的矛盾,既具有较高的压缩比,又具有较高的还原精度,而且对信号的适应性也明显增强。另外,该压缩方法还具有一定的去噪作用。说明结合心电功率谱特征与小波变换方法压缩心电有其优势。