基于提升小波变换和多种策略的QRS波检测算法

目的：为了提高计算机处理心电信号的速率和精度,提出了一种基于提升小波变换,结合多种策略的QRS波检测算法。方法：首先采用基于阀值的提升小波去噪方法去除心电信号中的高频白噪声和低频基线漂移;再对处理后的心电信号进行提升小波分解,得出各层逼近信号和细节信号,在第3尺度上采用模极大值阀值法对R波进行检测．找出备选的R波,同时采用几何的方法定位Q波和S波及QRS波起点和终点;最后采用补偿法、波宽法及QRS波时长法对QRS波群进行纠正。结果：本文算法在时域心电图上实现了QRS波的准确定位．提取了心电图的QRS波段。通过MIT—BIH数据库验证,本算法具有很好的表现。结论：实验结果表明,相比传统的算法,本文采用的提升小波和多种策略的检测算法．能有效的检测QRS波,为心电信号的自动识别奠定了基础。     

基于机器学习的神经精神疾病辅助诊断研究进展

【摘要】神经影像技术被广泛应用于研究大脑结构和功能异常与神经精神疾病之间的相关性。与传统的统计学分析方法不同,机器学习模型能对神经影像学数据进行个体化预测,发掘潜在的生物学标记物。神经精神疾病辅助诊断包含数据预处理和机器学习算法。数据预处理是一种人为的特征工程,为机器学习算法提供量化特征;机器学习算法包含特征降维、模型训练和模型评估。鲁棒的机器学习算法可以实现对不同数据集的准确预测,并提供对预测结果贡献大的特征,作为潜在的生物学标记物。本文综述了近年来基于机器学习的神经精神疾病辅助诊断研究进展,从数据预处理、机器学习算法和生物学标记物3个角度进行介绍,并展望未来的研究方向。 【关键词】神经精神疾病;神经影像;机器学习;辅助诊断     

T波检测和QT间期提取策略

提出一种T波检测和QT间期提取新策略,应用QRS波群起始点和终末点检测算法,检测到QRS波群的起始点和终末点;从QRS波群的终末点出发,向后求出16点线段参数的LS估计;根据LS估计确定窗口,在窗口内检测出T波的峰谷值位置,从而检出T波;从峰谷值位置向后根据LS估计确定R点和R回归直线,根据心电数据和R回归直线在R点前的偏离程度确定T波终末点,从而提取QT问期.应用具有广泛认可度的MIT-BIH数据库中QT数据库的所有具有T波终末点专家标记的数据文件来验证算法,在专家标记终末点的3 542个T波上获得98.2%的检出率,提取QT间期获得1.0 ms的平均误差,提取QT间期的准确率为97.2%.     

基于Ⅰ导联ECG的心肌梗死特征提取EI北大核心CSCD

提出了基于ECG导联Ⅰ的单周期信号的心肌梗死特征提取算法,避免了利用多导联ECG检测心肌梗死带来的不便。首先对导联Ⅰ的ECG信号进行去噪处理;然后,引入小波包算法提取QRS波群、T波的主频带,重构QRS波群、T波的波形并确定ST段的始末位置;最后,运用小波的多分辨分析对ST段进行分解并提取导联Ⅰ信号的心肌梗死的特征波形。实验结果表明,本文算法具有较高识别率,这为ECG导联Ⅰ信号用于心肌梗死的检测与诊断提供了依据。     

基于LS估计检测QRS波群宽度

提出一种检测心电图QRS波群宽度的新方法,在检测出QRS波群并确定任意一点在QRS波群内的基础上,以所确定的点为基点,向前和向后逐段求出线段参数的LS估计,并求出线段的线性度,根据线段参数的LS估计和线性度确定基线,在此基线上再利用假设检验的方法,得出QRS波群的起点和终点,从而提取了QRS波群宽度这一特征参数。应用具有广泛认可度的MIT-BIH数据库的QT数据库的所有105个数据文件验证算法,在第一组专家标记的3623个QRS波群上,平均误差为1.2ms;在第二组专家标记的404个QRS波群上,平均误差为2.1ms。该方法具有较强的抗噪声能力和抗基线漂移能力,计算量小,运行速度快,精度高,适于实时提取。     

基于复值小波分解的QRS波群检测算法

心电信号特征参数的提取和识别是心电图分析和诊断的基础。在心电信号的分析中,QRS波群快速准确的检测非常重要,它是相关参数计算和诊断的前提。本文对心电信号进行复值小波分解后,利用分解结果的模值来检测QRS波。由于心电信号的形态和幅值因人而异,所以用自学习算法来调整阈值以适应信号的变化。用MIT-BIH心电数据库中的数据对以上方法进行验证,QRS波群的检测率高达99.81%以上。最后,在检测出QRS波群特征点的基础上,利用相类似的方法检测出P、T波。     

基于QRS波群的心律失常辅助诊断模型研究

基于对QRS波群的特征变量提取,利用减法聚类和自适应模糊神经网络构建心律失常辅助诊断模型,分析不同训练数据集对模型测试结果的影响.实验结果表明,该模型能准确识别不同类型的QRs波群,使用不同训练数据集对诊断结果存在影响,为进一步实现更复杂的心律失常辅助诊断模型提供方法.     

小波变换在心电信号特征提取中的应用

采用分段阈值和模极大值对斜率判据相结合的补偿策略,提出了一种精确提取QRS波群特征值的算法.经过对MIT/BIH心电数据库和临床实测的心电信号的大量实验,结果显示即使在有严重噪声干扰的情况下,运用本算法也很容易实现对QRS波群特征的有效提取,特别是对R波峰具有相当高的定位精度(其误差不超过一个采样点)和分析精度(没有累积误差).     

基于小波包变换的心电图ST段提取

目的:ST段是心电图的重要组成部分,其起始于心电图QRS波群的结束点并结束于T波的开始点。ST段的压低、分上斜形和下垂形压低、水平压低和以及鱼钩样改变都可以反映各种心脏疾病,所以,精确提取心电图ST段具有重要意义。因此,本文提出了基于小波包变换的心电图ST段精确提取算法。方法:首先对心电图信号进行去噪处理,滤去工频干扰信号以及基线漂移信号;然后,提取单周期的心电图信号;最后,引入小波包变换算法提取QRS波群、T波的主频带,重构QRS波群、T波的波形并确定ST段的始末位置。结果:本文算法在时域心电图上实现了ST的精确定位,提取了心电图的ST段。通过在经典数据库中的验证,本文算法具有非常好的表现。结论:实验结果表明,相较传统的对心电图加时间窗的方式提取ST段,本文算法可以精确提取心电图ST段,这为心电图ST段的自动精确识别,以及用于自动医疗检测与便携式医疗设备提供了依据。     

基于极限学习机的室性早搏判别算法的实现

室性早搏是常见的心律异常疾病,给人的生命带来威胁,准确的心律异常诊断对于帮助人们预防心血管疾病起到重要的作用。以MIT-BIH心律异常数据库中的数据作为分析对象,提出一种基于极限学习机算法的诊断方法,主要包括信号预处理、特征提取和分类,实现心电信号室性早搏异常的判别。采用小波变换结合形态学算法,对信号进行预处理,去除干扰,得到纯净的心电信号。通过K-means聚类算法提取QRS波群等特征参数,根据这些参数建立正常窦性心律和室性早搏的正样本和预测样本,再结合极限学习机分类器进行样本训练匹配和分类识别。选取1 260个周期信号进行实验,结果表明,该算法能准确诊断出室性早搏异常,最终阳性平均检测率达到95%,平均灵敏度达到96%。该算法相比其他算法,在识别精度相当的情况下,可极大提高算法的实时性,具有很高的研究价值,同时在移动医疗和临床医疗方面也具有一定的实用价值。     

基于级联分类器的心律失常检测

常见的心律失常如室性早博（PVC）和左束支传导阻滞（LBBB）在心血管疾病诊断和预后中具有重要的临床价值。本文提出一种用于PVC和LBBB自动检测的级联分类器,通过提取时域和形态特征,采用支持向量机区分PVC和非PVC,再采用加权最小距离分类器（W-MDC）将非PVC分为正常（N）和LBBB。用MIT-BIH心律失常数据库进行算法验证,对N、LBBB和PVC三分类的总体正确率为96.28%,N、LBBB、PVC各类的灵敏度和特异性分别为98.59%、97.15%,81.41%、91.89%和89.22%、84.87%,验证该算法的泛化能力及对不同病人的心拍分类有效性。此外,本文还证明多导联信息综合对LBBB分类性能的提高。     

基于矢量传播算法的束支传导阻滞QRST波形仿真

心脏生物电兴奋传播的仿真是心电正问题一个重要方面，仿真结果不仅是心电正问题模型精度和可靠性的判断标准，而且具有一定的研究和临床价值。我们对人体心脏左束支传导阻滞和右束支传导阻滞情况下心脏兴奋传播和心电QRST波形进行了仿真。仿真过程中借助了矢量传播算法，该算法具有精度高、快速、适用于各向．异性介质的优点。仿真结果 符合临床中实测波形。     

基于时序心脏模型样本均衡方法的心律失常分类

心律失常自动分类作为计算机在临床上的重要应用,可以有效辅助心血管疾病的诊断,但实验中样本不均衡问题严重影响分类精度。目前用于解决样本不均衡问题的主流方法为对抗神经网络,但存在训练不稳定和模式崩溃等问题,且仅依靠数据进行学习,缺乏一定的生理意义。因此提出基于时序心脏模型的样本均衡方法生成心电数据,在2018年中国生理信号挑战赛提供的12导联数据集上进行实验,采用深度残差网络作为分类模型分别对每个导联进行训练,通过极端梯度提升算法实现导联融合。经过样本均衡后,各类F1分数均有提升,左束支阻滞(LBBB)、ST段降低(STD)、ST段抬升(STE)的改善尤其显著,分别由扩增前的0.706、0.684、0.524提升至0.832、0.809、0.618。为验证本方法的通用性,对PTB数据集进行独立测试,分类准确率达到98.64%。实验结果表明,基于时序心脏模型生成仿真数据能够有效改善实验样本不均衡现象。     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

Left anterior hemiblock in acute myocardial infarction. Incidence and clinical significance in relation to the presence of bundle branch block and to the absence of intraventricular conduction defects

The incidence of intraventricular conduction defects was examined retrospectively in 449 consecutive patients with acute myocardial infarction (AMI). The incidence of left anterior hemiblock (LAH), right bundle branch block (RBBB), left bundle branch block (LBBB) and RBBB+LAH was 12.2, 4.2, 3.8 and 2.5%, respectively. At least 24 patients (5.8%) developed LAH as a result of the AMI. LAH was present in 20% (33/164) of patients with anterior infarction, in 14% (18/131) of those with infarction of undetermined localization, and in 3% (4/143) of patients with diaphragm infarction. The incidence of complete atrioventricular (AV) block in patients with LAH was 6% and in patients with no intraventicular conduction defects 7%. In patients with RBBB, RBBB+LAH and LBBB, the incidence of complete AV block was 37, 45 and 18%, respectively. Severe pump failure occurred with the same low incidence in patients with LAH as in patients without intraventricular conduction defects, but was much more common in patients with complete bundle branch block (BBB). The mortality rate for patients with LAH was 22% and for patients with no intraventricular conduction defects 21%. In patients with RBBB, RBBB+LAH and LBBB, the mortality rates were 53, 55 and 53%, respectively. Patients with complete BBB had a higher age and a higher incidence of previous AMI than the others. Compared to patients with no intraventricular conduction defects, the presence of LAH did not increase the mortality rate, or the risk of developing severe heart failure or complete AV block, in contrast to the serious prognosis in patients with complete BBB.     

基于极限学习机的跌倒检测分类识别研究

由于年龄和身体条件的限制,在老年人群中跌倒是非常普遍的现象。因此,根据老年人跌倒的运动特征,远程监测他们在各个时间段的状态,以便在其摔倒或突发状况时及时采取措施显得尤为重要。针对人体运动状态进行监测,分析人体运动学特征,提出基于极限学习机的跌倒检测算法。运用三维加速度传感器采集人体的三维加速度值,建立跌倒检测特征模型。在此基础上,建立基于极限学习机的跌倒检测分类器,完成对老年人的计算机辅助跌倒检测。实验数据共540例样本,选用了不同数量的训练集和测试集,其中440例作为训练数据,其余100例为测试数据。测试结果表明,准确率为93%,敏感度为87.5%,特异性为91.7%,具有良好的分类性能。在对分类训练的运行时间方面,基于极限学习机的跌倒检测方法与传统的机器学习方法相比具有明显优势。     

基于自适应噪声完整聚合经验模态分解-极限学习机的短期血糖预测

糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型。首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量IMF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警。利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.116 4%);低血糖预警虚警率和漏警率分别为0.97%和7.55%。血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果。     

Support vector machine-based arrhythmia classification using reduced features of heart rate variability signal

OBJECTIVE: This paper presents an effective cardiac arrhythmia classification algorithm using the heart rate variability (HRV) signal. The proposed algorithm is based on the generalized discriminant analysis (GDA) feature reduction scheme and the support vector machine (SVM) classifier. METHODOLOGY: Initially 15 different features are extracted from the input HRV signal by means of linear and nonlinear methods. These features are then reduced to only five features by the GDA technique. This not only reduces the number of the input features but also increases the classification accuracy by selecting most discriminating features. Finally, the SVM combined with the one-against-all strategy is used to classify the HRV signals. RESULTS: The proposed GDA- and SVM-based cardiac arrhythmia classification algorithm is applied to input HRV signals, obtained from the MIT-BIH arrhythmia database, to discriminate six different types of cardiac arrhythmia. In particular, the HRV signals representing the six different types of arrhythmia classes including normal sinus rhythm, premature ventricular contraction, atrial fibrillation, sick sinus syndrome, ventricular fibrillation and 2 degrees heart block are classified with an accuracy of 98.94%, 98.96%, 98.53%, 98.51%, 100% and 100%, respectively, which are better than any other previously reported results. CONCLUSION: An effective cardiac arrhythmia classification algorithm is presented. A main advantage of the proposed algorithm, compared to the approaches which use the ECG signal itself is the fact that it is completely based on the HRV (R-R interval) signal which can be extracted from even a very noisy ECG signal with a relatively high accuracy. Moreover, the usage of the HRV signal leads to an effective reduction of the processing time, which provides an online arrhythmia classification system. A main drawback of the proposed algorithm is however that some arrhythmia types such as left bundle branch block and right bundle branch block beats cannot be detected using only the features extracted from the HRV signal.