基于非线性能量算子的心电信号R波检测方法

将Marr小波变换和非线性能量算子相结合实现了心电信号的R波检测,心电信号的Marr小波分解信号很好地抑制了各种噪声干扰,结合非线性能量算子运算可突出了QRS波的特征点,使得阈值检测便于实施,利用修正策略提高了R波检测率,经MIT/BIH标准心律失常数据库验证,R波的检测率可达到99.7%,该方法对于心电信号的自动分析系统具有应用价值。     

基于动态模糊决策树的心电信号分类方法

为提高心电信号分类识别的准确率,提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理,将小波包变换系数矩阵的二范数作为频域特征,并与时域特征进行融合以表征心电信号,同时将模糊C均值聚类引入模糊决策树的建树过程中,实现特征空间的动态划分。在MIT-BIH标准心电数据库上的实验结果表明,该方法的分类识别准确率较高,心电信号正异常分类的准确率达99.14%。     

心电信号ST段形态识别算法

针对目前心电图ST段诊断准确度不高,容易受到噪声干扰的情况,提出了一种基于最小二乘多项式拟合的ST段形态识别算法。首先利用二次样条小波经过Mallat算法检测出心电信号中的QRS波群,然后检测出T波、QRS波群起点、J点、T波起点等特征点,依此判断ST段偏移方向,并将ST段分为直线型和曲线形,最后通过多项式拟合算法来确定直线型ST段的斜率和曲线型ST段的凹凸方向。通过MIT-BIH心电数据库的数据文件的仿真实验验证了该算法用于ST段形态识别的准确度在90%以上,实验表明,该算法减少了ST段特征点检测过程中噪声的干扰,提高了ST段形态识别的准确度。     

应用于纳米刀的心脏有效不应期实时检测算法研究

针对纳米刀手术过程中心脏有效不应期实时检测困难这一问题,首先设计了一套高实时性、高准确率、低计算量的R波检测算法,然后结合固定延时的方法,实现心脏有效不应期的检测。本算法在传统R波时域分析法的基础上,增加了低阈值归零步骤、非标准R波过滤步骤以及利用移动窗口平均法设计的噪声识别步骤,然后从幅值和微分值两个角度设立动态阈值,实现R波实时检测功能。从QT数据库中抽取67组数据进行仿真,平均阳性预测度99.88%,平均延时13.02ms;将该算法移植到心电信号采集分析系统中,使用心电信号模拟发生器和临床心电进行验证,能够准确识别出R波并检测心脏有效不应期,有效解决了术中实时识别困难的问题。     

小波滤波与QRS波检测

利用双正交样条小波等效滤波器,实现了ECG信号的小波分解和重建。分析心电信号奇异点与其小波变换模极大值对的零交叉点的关系,提出了心电信号QRS波检测的算法。在检测算法中还使用了一系列策略来提高算法的抗干扰能力和QRS检测的准确性。经MIT/BIH心律失常数据库验证,QRS波的正确检测率达99.506%。最后将该算法应用到Windows Mobile智能手机上的心电监护系统中,达到令人满意的效果。     

基于多通道卷积的心电信号识别方法

为解决复杂非线性多通道心电信号识别问题,提出一种基于多通道多维度深度卷积神经网络的识别方法.将心电信号转换为灰度心电图像,构建一维与二维深度卷积神经网络分别提取心电信号的数值特征与心电图像的波形特征,基于迁移学习融合提取到的数值与波形特征,训练新的全连接层提取融合后的特征并使用Softmax完成分类.该方法使用波形与数值两种特征进行诊断,更加符合医生的诊断原则.结合实例,对算法进行了仿真分析,验证了该算法的可行性与有效性.     

基于蚁群聚类算法的动脉硬化无创检测

动脉硬化无创检测对于预防心血管事件具有重要意义。然而,基于心电信号或脉搏波信号的单一特征源的无创动脉硬化检测无法全面反映心血管动脉硬化事件。为了提高动脉硬化无创检测识别精度,提出了基于心电信号、脉搏波信号的多源数据无创动脉硬化识别方法,构建了具有变异特性的蚁群聚类算法,对提取的40组临床心电、脉搏波信号的特征值向量进行监督分类。通过对系统测试结果与专家分类结果对比分析,表明该方法提高了单一特征源的动脉硬化识别率,是一种有效的动脉硬化无创识别方法。     

运动传感器辅助的心电运动伪迹识别与消除方法

运动伪迹是动态心电监护的主要干扰,严重影响临床诊断的误诊率和漏诊率.为了改善动态心电信号质量,设计了一种运动传感器辅助的动态心电监护设备,采集V2导联心电信号,通过腹部运动传感器数据识别易引起心电运动伪迹的日常活动,标记运动伪迹位置,引入PQRST波特征点检测、自适应滤波算法消除运动伪迹.实际佩戴测试结果表明:此法可有效识别咳嗽、蹲、坐等日常运动,并有效消除此类运动产生的心电运动伪迹.     

基于经验模式分解的R波识别及噪声消除

提出了一种新的心电信号R波识别方法,探讨了经验模式分解在心电信号R波识别领域的可行性,并结合该理论给出R波的识别算法,用MIT心电数据库中部分记录进行验证,取得了比较理想的效果.最后应用该理论处理心电信号噪声时,发现去噪的效果优于仅使用小波方法去噪.     

基于改进遗传模拟退火 K-means的心电波形的分类研究

针对心电图自动诊断困难这一问题,提出了一种新的聚类算法：基于均方差属性加权的遗传模拟退火K-means改进聚类算法,用于改进心电图（ECG）信号的自动识别技术。利用小波变换的多分辨率和抗干扰能力好的特点,检测QRS波、P波、T波,提高了特征检测的准确性;利用聚类分析具有较好的鲁棒性和适合于大数据量分析的特点,对心电信号进行波形分类。采用MIT-BIH标准心电数据库中的部分数据对识别结果进行判断,改进后的K-means聚类算法的准确率高于传统的K-means聚类算法,实验表明该算法对心电信号可以进行有效分类。     

基于小波变换的动态心电信号伪差识别

由突变干扰引起的伪差会严重阻碍动态心电信号的自动分析和正确诊断,常规的小波消噪方法无法消除这类伪差干扰。提出一种新的识别心电信号突变干扰的方法,即利用小波多尺度分解并结合阈值判定算法对突变干扰这类伪差进行自动识别。采用实测的30组动态心电信号对该算法进行测试,实验结果表明,该算法能快速、有效地识别动态心电信号中的突变干扰,正确检出率达到96．4％,为正确诊断动态心电信号提供保障。     

基于改进BP神经网络的心电信号分类方法

心电信号的准确判别是实现心电监测系统智能诊断的关键。为提高心电信号的分类精度,研究了一种改进BP神经网络的心电信号分类算法。首先对MIT-BIH Arrhythmia Database样本专家标注心拍进行统计分析,选择正常心拍、室性早搏、左束支传导阻滞心拍和右束支传导阻滞心拍作为神经网络识别目标,采用主成分分析法提取25个心拍特征作为样本向量。仿真结果表明,改进BP神经网络具有较好的分类识别能力,整个样本分类准确率为98. 4%。算法收敛速度快,分类精度高,有助于检测和诊断心脏疾病。     

基于深度学习的心电信号异常识别方法

针对心电信号的异常识别问题,提出了一个基于深度学习的改进型Cifar网络模型,可以自动提取心电特征,并将提取的特征馈送到Logistic分类器中进行分类。运用缩放变换获得图像的多分辨率表达,该表达符合心电图时序特点,克服了因数据量较少造成的网络过拟合问题。利用心电传感器采集志愿者心电信号,并结合正常窦性心律数据库(NSRDB)和突发心脏病死亡数据库(SDDB)建立训练测试集,用于验证方法的有效性。在对正异常心电信号的分类实验中,改进型Cifar网络模型可达到92%的准确率,灵敏度达到了94%,曲线下面积(AUC)值为0. 969,优于传统的尺度不变特征变换(SIFT)+支持向量机(SVM)算法和反向传播(BP)算法,取得了较好的辅助诊断效果。     

扫描心电图图象的鲁棒性识别算法

为了实现心电图与重建心电向量图的联合诊断，提出了一种由标准同步12异联心电图扫描图象，通过识别、判决、分类，直接恢复心电信息，以便重建出心电向量的解决方案。由于心电信号复杂多变易受噪声干扰，且12导联心电信号特征较为接近，分类特征不明显，因而使得心电图图象的识别工作较为困难。该方法是通过基于最小距离准则的鲁棒识别算法来对扫描心电图进行有效的分类线形识别，并对识别后的信号进行滤波处理，以消除粗大误差的干扰。实验结果证明，即使当心电信号本身存在各类疾病信息，或者被噪声干扰的情况下，仍可以取得良好的分类效果，且能基本保持信号原貌，表明该算法具有较强的鲁棒性。     

基于几何形态群组特征的R波检测算法

针对R波检测问题,提出了基于几何形态群组特征的R波检测算法。算法首先用滤波器组对心电信号进行预处理,然后通过整体与局部兼顾的信号处理方式计算几何形态特征值,并使用群组中三个几何形态特征值检测R波,最后采用MIT-BIH标准心律失常数据库验证算法。实验结果表明,算法对R波检测的错检率为1.07%,灵敏度为99.38%,精确率为99.61%,准确率为98.99%。     

基于DSP的心电信号R波检测新算法

根据多导联间心电信号相位的关系,算法选择其中的两个导联信号同时进行小波变换R波检测,最后比较这两个通道的输出得出R波检测结果.算法使用LMS自适应滤波进行消噪预处理,使得检测结果更精确.使用MIT-BIH心电数据库病变信号在DSP上进行测试,平均正确检测率达到了99.7%.     

基于模糊综合评价的可穿戴心电信号质量评估

通过对R波检测匹配度、功率谱密度比值、峰度值3个反映心电信号质量的指标集进行重点介绍与分析,建立基于模糊综合评价的可穿戴心电信号质量评估模型,导出心电信号质量指数以及质量等级。最后对该算法进行比较与讨论,结果表明使用模糊综合评价方法能在一定程度上减小干扰条件下对心电信号的错误评估。     

卡尔曼滤波在心电信号QRS波检测中的尝试

心电信号QRS波的检测方法很多，但在准确性与实时性方面都不太好，该文中将心电信号按照QRS波周期进行分割，利用RLS算法的自适应AR建模，为心电信号建立模型，再利用kalman滤波算法对心电信号进行滤波和预测，在保证R波探测率的同时提高了探测的速度。针对心率不齐或者QRS波周期产生波动的情况，程序中利用各QRS波周期的相似性，求其互相关，以确定周期T，同时对T进行自适应建模，以便对下一周期预测。经过试验，取得了比较好的效果。     

心电信号中R波的小波包检测算法研究

心电信号(ECG)特征参数的提取和检测是心电图分析和诊断的基础,而在ECG分析中,快速准确地检测出QRS波群非常重要,它是计算相关参数和诊断的前提。本文针对心电信号QRS波群中R波的检测算法进行了研究与分析,对传统的小波R波检测算法中存在的检测准确率较低和实时性较差的问题加以改进,并提出了具有更加优良分析效果的小波包R波检测方法。并利用美国麻省理工学院的MIT/BIH心电数据库对上述方法进行仿真验证,同时与传统的小波R波检测算法进行实验对比,结果表明,该方法简单有效、准确率高,适于实际应用。     

基于稀疏编码的手指心电信号身份识别算法

研究了心电(ECG)信号在身份识别中的应用,提出了基于过完备字典下稀疏编码的手指心电身份识别认证算法.在预处理阶段,对ECG信号进行预处理消噪,去除心电信号里的噪声、基线漂移和心率变异的干扰.在特征提取阶段,提取单周期心电信号构成特征向量并构建字典模型,用核奇异值分解(KSVD)训练成冗余字典,然后对每一部分特征向量进行稀疏编码,实现在该字典上的稀疏表示.在分类识别阶段,利用得到的稀疏系数矩阵构建特征模板向量作为特征参数.通过欧氏距离匹配输出个体身份信息,实现个体身份识别认证.通过两个手指心电信号数据库对该算法进行了性能测试,获得了较高的识别率.