基于非平稳特征从单导联ECG中提取房颤信号

目前,房颤(AF)信号提取算法大部分是针对多导联(12导)心电图(ECG),但是多导联的监护系统移动性不强,单导联监护系统由于灵活方便,将成为未来可移动化的AF监护系统的发展趋势。从单导联提取AF信号的方法有模板匹配法,然而,该方法受ECG波形的形态以及噪声的影响较为严重,鲁棒性较差。有鉴于此,本文提出了一种新方法。新方法利用AF信号在时间上的非平稳性,把单导联ECG进行扩维(分段),然后再利用盲源提取算法进行AF信号的提取。实验结果表明,新方法能够很好地从单导联ECG中提取AF信号,计算时间较短,具有应用于实时无线AF监护系统的前景。     

阵发性和持续性房颤的分类方法研究

目前,人们对房颤维持和终止的机制还没有完全了解,因此对阵发性房颤和持续性房颤的分类具有非常重要的研究意义。鉴于此,本研究提出一种新的分类方法。根据主成分分析从单导联心电信号中提取出房颤信号,其次计算提取到的房颤信号的特征,最后用分类器对阵发性和持续性房颤进行分类。提出将房颤波的复杂度作为房颤波波动复杂度的表征。对阵发性和持续性房颤分类的实验结果表明,预测的总正确率是90%。在1 000次随机性实验中,最高分类正确率可达到92%,平均正确率为77.12%。该方法可以很好的对两类房颤进行分类,对预测房颤的自发性终止有一定的指导意义。     

基于LabVIEW的便携式房颤检测系统的研制

目的:基于LabVIEW构建了便携式房颤检测系统。方法:系统采用上、下位机结构,上位机为笔记本电脑,下位机为心电采集模块,上下位机由USB口连接。提出概率密度函数法,研究R-R间期相空间重构后两点间距离的概率密度函数曲线形状并提取特征参数kn,可精确检测房颤。上位机软件采用LabVIEW编程,分为心电信号提取模块、R-R间期提取模块及概率密度函数法检测房颤模块。三个模块中设置了二个缓存,通过缓存模式保证三个模块并行运行,提高了系统的实时性。结果:实验表明该系统可快速准确检测房颤,只需60个R-R间期(不到1分钟的心电数据),检测房颤精度大于95%。结论:系统可用于房颤的快速、精确检测及房颤治疗后疗效的评估。     

基于金字塔卷积结构的深度残差网络心电信号分类方法研究

近年来,深度神经网络(DNNs)已广泛应用于心电图(ECG)信号分类领域,但是以往的模型从原始ECG数据中提取特征信息受限。因此,本文提出了一种基于金字塔型卷积层的深度残差网络(PC-DRN)算法,该算法中包含的金字塔型卷积(PC)层可以从原始ECG数据中同时提取多尺度特征,并采用深度残差网络训练ECG信号分类模型,可以实现对ECG信号的分类。本文使用2017心脏病学挑战赛(CinC2017)提供的公开数据集,验证本文提出方法对4类ECG数据的分类效果。本文选取精度和召回率之间的谐波均值F_1作为主要评价指标。实验结果表明,PC-DRN的平均序列级别F_1(SeqF_1)从0.857提升到了0.920,平均集合级别F_1(SetF_1)从0.876提升到了0.925。因此,本文提出的PC-DRN算法为ECG信号的特征提取和分类提供了一种新的思路,为心律失常的分类诊断提供了有效的手段。     

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。     

新的独立成分分析算法结合主成分分析实现fMRI信号的盲分离

用ICA算法来实现fMRI信号的盲源分离,可以提取出产生fMRI信号的多种源信号。但是在处理过程中存在两个困难:(1)fMRI数据的规模比较大,计算耗时;(2)计算量太大难免产生误差,给结果的分析带来不便。所以我们考虑对数据进行降维,但是如何确定源信号的个数也是一个难题。我们利用信息论的方法来估计源信号的个数,再使用主成分分析对数据进行降维。通过这样的处理,有效地确定了源信号的个数,减少了计算量。然后将一种新的ICA算法(New fixed-point,NewFP)用于处理降维后的数据。最后通过对实际的fMRI信号进行处理,结果表明新算法可以快速有效的分离fMRI信号,且准确性优于FastICA算法。     

基于黎曼流形稀疏编码的阵发性房颤检测算法

针对阵发性房颤早期出现很短的初次发作较难被检出的问题,本文提出了一种基于黎曼流形稀疏编码的检测算法。本文算法考虑到非线性流形几何结构更接近真实的特征空间结构,计算协方差矩阵用于表征心率变异性(RR间期变化),使数据处于黎曼流形空间中。在流形上应用稀疏编码,将每个协方差矩阵表示为黎曼字典原子的稀疏线性组合,其中稀疏重建损失由仿射不变黎曼度量定义,黎曼字典由迭代的方式学习得到。本文算法与现有算法相比,使用较短心率变异性信号,计算简单且没有对参数的依赖,并取得了更优的预测精度。在MIT-BIH房颤数据库上最终分类结果为灵敏度99.34%、特异度95.41%、准确率97.45%,同时在MIT-BIH窦性心律数据库中实现了95.18%的特异度。本文提出的高精度阵发性房颤检测算法在可穿戴设备的长期监测中具有潜在的应用前景。     

基于改进经验模态分解与能量包络的S1/S2提取

本文提出了一种改进型的经验模态分解算法用于心音图(PCG)信号去噪,结合PCG的规则平均Shannon能量包络算法,可有效提取PCG中的S1/S2成分。首先,通过小波变换和经验模态分解结合算法对PCG信号进行滤波预处理;然后,提取预处理后PCG信号的固有模函数(IMF)时域、频域特性及能量包络;最后,结合信号的Shannon能量包络和IMF相关特性准确定位出S1和S2。运用该方法对30例PCG信号进行测试,得到S1/S2成分的综合识别率达99.75%。实验结果表明,本文算法运用于S1/S2成分提取具有较好的效果,为进一步研究心音身份识别奠定基础。     

用带通滤波器的睡眠阶段自动判断系统

本系统利用EEG、EOG和EMG信号进行睡眠阶段的自动判断。EEG是以A_2为基准由C_1单极导出,EOG从两眼外侧及单眼上下导出,EMG从颏肌导出。睡眠阶段的判断和睡眠深度的指标所需信息以30秒为一区间进行提取。其中最主要的是EEG。为了计算不同频域的信号功率用了7个带通滤波器(F_1～F_3提取σ波,F_4提取θ波,F_5F_6提取α波,F_6F_7提取睡眠纺锤波等成分),这样可实现,可使判断算法简易化并可使自动检测系统小型化。从EOG求急速眼球运动(REMs)的指标,采     

基于心电和脉搏波数据融合的呼吸率估计

本研究提出了一种通过心电和脉搏波提取呼吸信号并基于卡尔曼滤波的多路数据融合估计呼吸率的算法。算法分别从心电的RR间期、R波的绝对高度和脉搏波搏动周期中提取呼吸信号,利用AR模型估计呼吸率,根据信号波形、节律和频谱特征获得反映信号质量高低的质量指数,然后基于信号质量指数和卡尔曼滤波残差进行数据融合,获得融合呼吸率。14名志愿者参加了实验。结果表明,融合呼吸率比单独从心电或脉搏信号提取的呼吸率更好地反映了呼吸率的变化。与压阻式呼吸传感器提供的参考呼吸率相比,融合呼吸率误差为(-0.03±2.78)次/min,而从心电RR间期、R波的绝对高度和脉搏法提取的呼吸率的误差分别为(0.62±3.30)、(0.42±3.47)和(-0.17±2.69)次/min。总体认为,基于多路数据融合的方法可以有效避免干扰的影响,较准确地估计呼吸率。