基于DSP的体外自动除颤仪研究

电击除颤是治疗室速(VT)和室颤(VF)的最有效的方法。本文提出了一种基于DSP的体外自动除颤仪设计方案,整个设计包括了信号采集模块、微处理器控制模块、显示模块、除颤模块及R波检测和VF与非VF自动识别算法等。本文设计的自动除颤仪实现了心电(ECG)数据实时采集、ECG波形同步显示、数据U盘导出、出现可电击复律心率时自动进行除颤等功能。     

基于变尺度融合网络模型的心电数据识别算法EI北大核心CSCD

心律失常类型的判断是早期心血管疾病预防和诊断的关键,因此心电图(ECG)分析作为医生诊断的重要依据得到了广泛应用。由于受到不同患者间ECG信号形态差异大、类别分布不平衡等因素影响,现有的心律失常自动检测算法在识别过程中存在一定的困难。本文提出了一种变尺度融合网络模型用于心律类型的自动识别,利用改进后的ECG生成网络(EGAN)模块解决了ECG数据不平衡问题,并以灰度递归图(GRP)和频谱图形式对ECG信号进行二维重现,结合模型的分支结构,实现了变长心拍的自动分类。研究结果采用麻省理工学院与贝斯以色列医院(MIT-BIH)心律失常数据库进行验证,对其中八种心律类型进行区分,平均准确率达到了99.36%,敏感性和特异性分别为96.11%、99.84%,未来期望本方法可用于临床辅助诊断以及智能穿戴设备等。     

美托洛尔联合胺碘酮治疗慢性心力衰竭合并阵发性心房颤动的效果分析

目的:探讨美托洛尔联合胺碘酮治疗慢性心力衰竭合并阵发性心房颤动效果和安全性.方法:回顾性分析2017年1月至2019年8月本院48例慢性心力衰竭合并阵发性心房颤动患者,根据用药方法分为美托洛尔联合胺碘酮治疗研究组26例和胺碘酮治疗对照组22例.比较两组疗效、左心房内径(Left atrial diameter,LAD)和左心室射血分数(Left ventricular ejection fraction,LVEF)、心房颤动转复率、窦性心律维持率.结果:两组治疗半年、1年的LVEF、LAD均得以改善(P<0.05);且研究组疗效、心房颤动转复率、LAD、LVEF、窦性心律维持率均优于对照组(P<0.05).结论:美托洛尔联合胺碘酮治疗慢性心力衰竭合并阵发性心房颤动可取得较佳的复律效果和复律后窦性心律维持率.     

计算机化ECG分析中的特征提取

心电图(ECG)的自动分析已广泛应用于CCU和ICU中对心律的监护、运动ECG 及长期动态记录的ECG。医生阅读ECG时首先进行特征识别(各波和线段)和参数测量(幅度和间期),然后根据上述数值综合ECG的形态对ECG进行解释。而目前模式识别的两种方法——基于测量空间的方法和句法分析法各有所长。基于测量向量的统计识别方法对形态的变化不敏感,而句法分析法可以同时考虑参数及形态的变化,但其计算量较大。本文介绍了一种在特征提取阶段综合应用上述两种方法进行特征     

利用R-R间期辨别房颤与正常窦性心律

研究利用R-R间期快速精确检测房颤(atrial fibrillation,AF)的新方法。研究重构相空间中正常窦性心律(normal sinus rhythm,NSR)与AF R-R间期两点间距离的概率密度函数(probability density function,PDF),发现两者PDF分布显著不同,在此基础上定义了特征量k,并用k检测各400段AF与NSR R-R间期。证明算法响应速度快,检测精度高(平均灵敏度97.0%,平均特异性95.2%)。     

房颤患者窦性节律恢复对血浆脑钠肽水平的影响

目的:研究阵发性和持续性房颤且心功能正常患者电转复前后BNP变化,探讨BNP在房颤中的作用。方法:采用放射免疫分析测定68名心功能正常的阵发性和持续性房颤患者电转复前后血浆BNP变化,并以34名正常窦性心律者为对照组。结果:房颤患者在成功的电转复后24h,血浆BNP水平明显地降低。30名阵发性房颤患者全部转为窦性心律,血浆BNP水平由转复前的(96±42)pg/ml降至(28±21)pg/ml;持续性房颤患者,则有28人转复为窦性节律,血浆BNP水平由转复前的(73±38)pg/ml降至(38±25)pg/ml。结论:在有心脏疾病的患者,房颤影响血浆BNP的分泌。     

应用CT心电门控技术改进心脏周围肺动脉影像质量的可行性研究

目的 研究应用16排螺旋CT回顾性心电(ECG)门控技术减少心脏运动的影响.改进心脏周围肺动脉影像质量的可行性,并确定最好的重建算法.方法 对52例怀疑患有肺栓塞的患者(男性27例,女性25例,年龄30～81岁)进行了16排螺旋CT肺动脉造影检查,均分别进行了非ECG门控螺旋CT扫描(Helical)和回顾性ECG门控扫描.每位患者的影像均以非ECG门控螺旋算法和3种心电门控算法(CHR、MSR-2和MRS-4)显示.用每种ECG门控算法重建出5种心跳时间相位,即65%、70%、75%、80%、85%.心脏周围肺动脉评分标准为:很好3分,较好2分,差1分;血管的影像质量分别由5位专业放射学医师主观评价,然后计算算术平均值(MSV).比较螺旋算法与每种心脏最佳相位算法的影像质量,并计算出最好影像质量时最佳算法的百分率.用统计学分析采用CT心电门控技术改进心脏周围肺动脉影像质量的可行性.结果 各种算法的MSV,Helical为2.27±0.44,CHR为2.68±0.29,MSR-2为2.29±0.51,MSR-4为2.19±0.50.Helical组与CHR组的MSV比较差异有显著统计学意义(P＜0.001),但Helical与其他心脏算法比较差异无统计学意义,MSR-2P=0.86,MSR-4P=0.40.CHR的MSV明显高于其他算法.出现肺动脉最高影像质量的最佳算法的百分率,Helical为27.6%,CHR为56.9%,MSR-2为11.6%,MSR-4为4.0%.CHR的影像质量明显高于其他算法.结论 应用16排螺旋CT回顾性ECG门控技术、CHR算法能够通过减少心脏运动从而改进心脏周围肺动脉的影像质量.     

多特征聚类与粘连分离模型的细胞抹片图像分割与分类

胰腺癌的诊断非常重要,而细胞抹片显微图像的病理分析是其诊断的主要手段。图像的准确自动分割和分类是病理分析的重要环节,因此本文提出了一种新的胰腺细胞抹片显微图像自动分割与分类算法。在分割方面,首先采用多特征Mean-shift聚类算法(MFMS)定位细胞核区域;接着采用弹性数学形态学结合角点检测的去粘连模型(CSM)对粘连重叠细胞核进行去粘连处理,实现了分割的准确性和鲁棒性。在分类方面,首先针对分割的细胞核提取了4个形状特征和138个不同颜色空间的纹理特征;然后结合支持向量机(SVM)和链式遗传算法(CAGA)实现封装式特征选择;最后将优选特征送入SVM进行分类,完成了胰腺细胞抹片显微图像的分类识别。本文采用了15幅图像一共461个细胞核进行测试。实验结果显示,本文算法可以实现不同类型的胰腺细胞抹片显微图像的自动分割与准确分类。就分割来说,本文算法可获得较高的正确率(93.46%±7.24%);就正常和癌变细胞的分类来说,本文算法可获得较高的分类正确率(96.55%±0.99%)、灵敏度(96.10%±3.08%)和特异度(96.80%±1.48%)。     

阴性颞叶癫痫患者静息态脑功能连接网络特征融合策略的分析

静息态功能磁共振成像(rfMRI)的功能连接(FC)可为阴性颞叶癫痫提供脑功能异常指标,但冗余特征影响了精准性。为此,本研究提出结合特异性指数模型与判别相关分析(DCA)的特征融合策略以改善识别效果。将20位患者与20位健康人的rfMRI数据预处理后,以健康人为对照组,构建两类特异性指数模型以量化FC和脑网络FC;采用最小冗余最大相关(mRMR)及独立样本t检验去除冗余特征,应用DCA融合2类FC特异性指标;将融合特征分别输入到K近邻、支持向量机和逻辑回归分类器中,并以嵌套10次10折交叉验证与嵌套10次5折分层交叉验证的平均分类精度来评估算法有效性。结果表明,融合特征识别率达到了91.25%～92.50%,高于非融合方案的识别水平。所提出的特征融合策略可有效地处理冗余信息,增强特征判别能力,为精准识别阴性颞叶癫痫提供了新思路。     

基于深度残差卷积神经网络的心电信号心律不齐识别

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度。基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中。其中,使用小波自适应阈值技术完成ECG信号滤波,并设计了包含多个残差块(residual block)结构的20层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对5大类心律不齐ECG信号进行了识别。然后,本文采用残差块局部神经网络结构单元构建DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了CNN随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛。按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中94 091个ECG心搏信号(2个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验。实验结果表明,本文所提出的方法在ECG信号多分类、Veb和Sveb识别中的准确率分别达到了99.034 9%、99.498 0%和99.334 7%。在相同的数据集和实验平台下,DR-CNN在分类准确率、特异性和灵敏度上均优于相同结构复杂度的CNN、深度多层感知机等传统算法。DR-CNN算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源。     

模糊推理在基于心电图ST-T的心肌缺血判别中的应用

心电图(ECG)作为检测心肌缺血的一种方便、经济、无创的工具,其临床表现主要为ST-T段改变。由于心肌缺血很多情况下是瞬时发生,并且是无症状的,此时医务人员往往无法预料而不能及时采取干预措施,若能实现计算机的自动实时监控和及时预警,在心脏疾病诊断中具有重要的意义。本文融合目前比较公认的定量判断指标,主要包括:ST段偏移量、T波峰点幅值、ST/HR值,且在医务人员的协助指导下,应用模糊推理对心肌缺血进行了判别,经MIT-BIH数据库和公共数据库(LTST)中心电数据的验证,其敏感性和阳性预测值分别达到75%和78%,特异性和阴性预测值分别达到85%和87%。该方法更接近人的思维和认识,易于临床检测和工程实现。     

基于自步学习的多经验核映射集成分类器在乳腺癌超声计算机辅助诊断上的应用

特征表达和分类器的性能是决定计算机辅助诊断(CAD)系统性能的重要因素。为了提升基于超声成像的乳腺癌CAD系统的性能,本文提出了一种基于自步学习(SPL)的多经验核映射(MEKM)排他性正则化机(ERM)集成分类器算法,能同时提升特征表达和分类器模型的性能。该算法首先通过MEKM映射得到多组特征,以增强特征表达能力,并嵌入到ERM作为多个支持向量机的核变换;然后采用SPL策略自适应地选择样本,由易到难地逐步训练ERM集成分类器模型,从而提升分类器的性能。该算法分别在乳腺癌B型超声数据库和弹性超声数据库上进行了验证,结果显示B型超声的分类准确率、敏感度和特异性分别为(86.36±6.45)%、(88.15±7.12)%和(84.52±9.38)%,而弹性超声的分类准确率、敏感度和特异性分别为(85.97±3.75)%、(85.93±6.09)%和(86.03±5.88)%。实验结果表明,本文所提出算法能有效提升乳腺超声CAD的性能,具有投入实用的潜能。     

基于判别式深度置信网络的心律失常自动分类方法

现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和RR间期特征进行心律失常分类。为了进一步提高DDBNs的分类性能,本文将DDBNs转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIH AR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达99.84%±0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达99.31%±0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取ECG信号特征及分类提供了一种新的解决方法。     

一种滤除高采样心电工频干扰的改进算法

为了解决高采样频率下50 Hz工频及其倍频对心电波形的影响并保留有用的心电高频信息,提出一种滤除高采样心电工频干扰的改进算法。首先,通过修改零极点得到改进的IIR梳状陷波器,对带工频干扰的ECG信号进行滤波处理;然后,将滤波后的ECG信号进行线性段判别,并对线性段进行平滑滤波处理以消除振铃现象。通过R波幅值、信噪比(SNR)和均方误差(RMSE)对ECG信号工频干扰的消除结果进行评价,与其他4种滤波方法(平滑滤波、Notch滤波、自适应滤波和Levkov滤波)相比,IIR梳状陷波器改进方法得到的ECG信号R波幅值与原始未加工频的ECG信号最为接近,恢复率达到98%以上,且SNR提高约11倍、RMSE降低约30倍。所提出方法不仅能滤除高采样下的工频及其倍频的干扰,且能最大程度保留有用信号。     

心房颤动电复律后左房收缩功能的研究

目的　评价慢性心房颤动同步直流电复律转为窦性心律后, 左房收缩功能恢复的时间、程度及对血流动力学的影响。方法　慢性心房颤动患者２４ 例, 经同步直流电复律成功后, 采用多普勒超声心动图仪分别于复律后第１、８、１５ 和３０ 天, 经二尖瓣瓣口舒张期血流频普测量舒张早期充盈峰值流速 （ＥＰＦＶ）, 心房收缩期充盈峰值流速 （ＡＰＦＶ）, Ｅ／Ａ 比值, 舒张早期流速积分 （ＥＴＶＩ）, 心房收缩期流速积分（ＡＴＶＩ）, ＥＴＶＩ／ＡＴＶＩ比值, 总舒张期流速积分 （ＴＴＶＩ） 和心房收缩期充盈分数 （ＡＦＦ）。结果　２４ 例患者均经电复律转为窦性心律, 即刻多普勒超声检查显示Ａ 波立即出现, 第１ 天和第３０ 天检测结果相比, ＡＰＦＶ （０．３２±０．１０ｍ ／ｓ ｖｓ ０．５８±０．１５ｍ ／ｓ）, ＡＴＶＩ（３．４９±１．４５ ｖｓ ４．９８±１．４４） 和ＡＦＦ （２３±６％ｖｓ ３３±４％ ） 均显著增加 （Ｐ＜ ０．００５）, 提示复律后左房收缩功能迅速恢复, 并由弱变强经数周后逐步恢复正常, 左房对血流动力学的影响也显著得到改善。左房前后径缩小 （４．０１±０．３４ｃｍ ｖｓ ３．８８±０．３５ｃｍ ）, 但无统计学意义。结论　房颤复律成功后, 心     

基于SIFT特征关键点匹配的脑组织提取方法

脑组织提取是脑部磁共振图像处理的重要步骤之一。为稳定准确地提取脑组织,提出一种基于点阵SIFT(Scale Invariant Featun Transform)特征匹配的脑组织提取方法。该方法在采用BET方法对脑组织进行提取的过程中,不断提取轮廓点阵的SIFT特征,并提出基于距离约束投票的特征匹配方法,对目标图像当前脑组织轮廓和模板图像脑组织进行匹配,根据匹配结果重新定义BET脑组织提取参数再继续进行轮廓演化,从而得到稳定的脑组织轮廓。然后以该轮廓为初始值采用Graph cuts方法进行精提取,最终得到精确的脑组织边界。采用IBSR网站20套MRI图像序列与其他3种算法进行对比实验,得到最高的DICE精度(0.962±0.008)、Jaccard精度(0.926±0.014)和特异性(0.994±0.004)、最低的假阳性率(4.95%±2.74%)、较低的假阴性率(2.82%±2.0%)。精度最高表明该方法具有很好的提取精度,相应参数的标准差较小表明本方法有很好的稳定性,说明该算法是一种精确稳定的脑组织自动提取方法。     

高频心电图频谱分析用于识别家兔心肌缺血

用32只家兔观察结扎左冠状动脉前降支复制的急性心肌缺血模型上,ECG、心肌单向动作电位(MAP)率高频心电图(HF-ECG)和频谱图的变化。麻醉下家兔ECG律齐,ST-T无异常,心率224.4±91.8次/分,HF     

癫癎发作时心率和心电图变化及其影响因素

目的:探讨癫患者癫发作时心率和心电图(ECG)变化及其影响因素。方法:选择在我院癫中心进行录像脑电/心电(VEEG/ECG)监测时有癫发作的患者46例,对其癫发作时的EEG、ECG及其行为学进行分析。结果:在共106次发作中,97次(91.5%)癫发作时心率加快,发作时心率平均增加58.6次/min,癫发作时心率最快达182次/min。19例(41.3%)患者在38次(35.8%)的癫发作时伴有ECG异常改变,主要表现为房性早搏、房室传导阻滞、房颤、心脏停搏、ST段降低、ST段抬高、T波倒置。全身性发作、颞叶癫以及在睡眠中发作三个因素对癫发作时的心率变化有一定的影响。结论:癫患者发作时心率和ECG有明显变化,这种变化可能与癫患者突然意外死亡有关。     

强化免疫抑制治疗和单倍体移植治疗年轻重型再生障碍性贫血的比较

目的比较强化免疫抑制治疗(IST)与单倍体供者异基因造血干细胞移植(HID-HSCT)治疗年轻重型再生障碍性贫血(SAA)患者的疗效和转归。方法回顾性分析55例年龄14~30岁的SAA患者,其中IST组治疗29例,HID-HSCT组治疗26例。结果IST组和HID-HSCT组完全缓解率分别为58.6%和84.6%(P<0.05),总反应率分别为86.2%和84.6%。两组5年总生存率(IST组为77.9%±11.7%,HID-HSCT组为82.1%±8.4%)和无事件生存率(IST为67.6%±11.7%,HID-HSCT为69.2%±9.1%)差异无统计学意义。IST组复发率为3.4%,克隆转化率为13.8%;HID-HSCT组复发率和克隆转化率均为0%,但2~4级aGVHD和cGVHD的发生率分别为19.2%和15.4%。IST组的住院费用明显低于HID-HSCT组(中位费用16.8万元vs 37.8万元,P<0.001)。结论IST与HID-HSCT相比总反应率和生存率差异无统计学意义。鉴于费用低,IST仍然是无同胞供者的年轻SAA患者的合适选择。     

基于RR间期和多特征值的房颤自动检测分类

房颤(AF)是一种常见的心率失常疾病,基于心电图(ECG)的房颤检测对临床诊断具有十分重要的意义。由于ECG信号的非线性和复杂性,人工检测ECG信号的过程需要耗费大量时间且极易出现错误。为了克服上述问题,本文提出基于RR间期的特征提取方法,以稳健变异系数(RCV)描述RR间期的离散程度,以偏态参数(SKP)描述RR间期的分布形状,以Lempel-Ziv复杂度(LZC)描述RR间期的复杂度。最后将RCV、SKP、LZC特征值组成特征向量输入支持向量机(SVM)分类器模型,实现房颤的自动分类检测。为验证本文方法的有效性和实用性,以MIT-BIH房颤数据库数据进行验证,最终分类结果显示,灵敏度为95.81%、特异度为96.48%、准确率可达到96.09%,同时在MIT-BIH窦性心律数据库中实现了95.16%的特异度。实验结果表明,本文所提方法是一种有效的房颤分类方法。