基于生成对抗网络的动态心电信号QRS波检测

心电信号分析是预防心血管疾病的重要举措,QRS波的精确检测不仅是心电信号处理的关键步骤且对心率计算和异常情况分析具有重要作用。针对动态心电信号存在信号质量差或异常节奏波形导致常用QRS波检测方法精度较低的问题,本文提出了一种基于生成对抗网络新型QRS波检测算法。该算法以Pix2Pix网络为基础,生成网络采用U-Net结构,判别网络运用Patch-GAN思想,用U-Net结构的跳跃连接方式,实现了心电数据至R波波峰位置数据的映射,并通过对原始信号的去噪和重组,提升输入信号信噪比。使用ICBEB动态心电数据库2000组单导联心电信号进行算法验证,并与P&T算法和基于CNN的算法作对比,结果表明,本文算法的R波检测准确率达到99.13%,显著优于P&T算法和CNN算法。在灵敏度和阳性预测方面,本文算法获得最优结果,说明了本文算法的有效性。     

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提.针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别.首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成分分析以提取出R波特征最明显的成分,对该成分进行结构分析,从而实现对R波的准确定位.仿真结果表明,该文算法对带噪声心电信号的R波识别具有更优性能,对异常心电信号的R波识别也具有明显效果.     

基于小波变换的QRS波群检测

提出了一种基于小波多分辨分析的算法,对心电信号进行特征提取和识别。通过小波变换对常规心电图信号进行分解去噪和特征提取,并利用动态自适应阈值和删除多检点,补偿漏检点对QRS波检测进行优化。实验结果表明该方法在QRS波形不失真的情况下,提高了一部分MIT-BIH数据库信号中QRS波识别的准确率,并且对于较低准确率的心电信号的原因进行了分析。     

基于数学形态学的心电信号R波检测算法

为了解决心电信号中R波的检测问题,研究验证一种结合自适应阈值的极大值搜索与数学形态学的R波检测算法。数学形态学算法是基于信号局部特征的,可以有效突出信号的峰谷点。考虑了心电信号特点的自适应阈值极大值搜索算法,可以敏感检测R波的准确位置。通过对MIT-BIH心率变异数据库中多组心电数据的仿真验证研究,实验结果表明,两种分析方法的结合可以有效消除心电信号的基线漂移或异常病态心率对检测的影响,能有效实现心电信号中R波的实时检测,预期本算法在心电信号的自动分析中将会扮演更为重要的角色。     

基于改进差分阈值算法的心电检测技术研究

针对差分阈值算法中固定阈值的局限性,文中提出了一种基于自适应波峰阈值和R波间隔阈值的算法。该算法结合心电信号特点自动选择波峰阈值,并选择R波间隔阈值,提高了算法的自适应性和准确率。文中以MIT-BIH心律失常数据库中的心电信号作为实验样本,采用带通滤波与小波阈值滤波相结合的方法完成心电信号去噪,采用改进差分自适应阈值算法对心电信号进行波形检测。实验结果表明,该算法能够将心电信号R波的检测准确率提升到99.57%,有效减少了误检、漏检问题的发生,并可准确完成心率、心率变异性、身体疲劳度、精神疲劳度计算和常见心律失常分类。     

一种心电信号QRS复杂形态自动分析算法

QRS形态分析是心电信号自动分析中的关键步骤之一.现有QRS形态分析算法大多是基于时频变换分析或基于基元线段句法识别的.其中,基于时频变换分析的方法难以处理复杂波形和异常波形;而基于基元线段句法识别的算法则易丢失波形细节.针对这一问题,本文提出了一种基于QRS波群关键点和有限自动机的QRS形态分析算法.首先,采用二次多项式曲线对输入的心电信号进行分段最小二乘法逼近.然后,通过分析各段曲线的单调性、陡峭程度以及曲线方向等特征,实现QRS波群中峰点、谷点、边界点等关键点的检测,同时提取各关键点的幅度和时间信息,并判断出关键点的类型.最后,构造了一个有限自动机,以带属性的QRS波群关键点序列作为输入,实现了QRS形态的识别.经MIT-BIH心律失常数据库验证,本文算法可处理含有任意多个子波的QRS波群,正确识别出其各种复杂形态,准确分析出如切迹、顿挫等形态细节.     

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提。针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别。首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成分分析以提取出R波特征最明显的成分,对该成分进行结构分析,从而实现对R波的准确定位。仿真结果表明,该文算法对带噪声心电信号的R波识别具有更优性能,对异常心电信号的R波识别也具有明显效果。     

基于EWT和结构特征提取的心电信号R波识别算法

R波作为心电信号中最明显的特征,常作为确定心电信号其他波段的重要依据.针对现有算法识别率低的问题,提出一种基于经验小波变换和信号结构特征的R波识别算法.首先利用经验小波变换对心电信号频谱进行自适应分割,在分割区间上构造合适的小波滤波器组提取出具有紧支撑的模态分量,然后对提取出的各模态分量进行频谱分析,找出R波对应的高频分量并对其进行结构分析,从而实现R波的准确定位.仿真结果表明,所提算法对心电信号R波识别的灵敏度达到99.93％,准确率达到了99.92％,阳性准确率达到99.99％,并且算法耗时仅0.68s,对R波具有很好的识别效果.     

一种基于Hilbert变换的R波检测算法

基于希尔波特(Hilbert)变换性质和自适应阈值检测原理,本文提出一种新的心电信号R检测算法。该方法经MIT-BIH心电数据库数据验证,可有效降低基线漂移和高频噪声的干扰,克服高大P波和T波的影响,准确检测率在99．84%以上,算法简单,实时性好。     

基于稀疏分解和神经网络的心电信号波形检测及识别

心电图是现代医学的一个重要诊断依据.用计算机检测识别心电信号波形,能缓解越来越庞大的心电数据给医务人员带来的工作压力,减少因疲劳、疏忽以及主观偏差产生的误差.利用改进的Gabor字典和粒子群优化算法,对心电信号做稀疏分解.稀疏分解得到一个和原信号相比非常稀疏的解向量,与解向量中每个非零值相对应的是从字典中选出的和原信号结构特点最为接近的字典中的一组原子.根据解向量中非零值的大小以及对应原子的波形,确定此原子代表的波的波幅、波宽、波形、位置等信息.然后利用心电信号的先验知识,确定原子代表的波属于那种特征波(P波、QRS波群或T波),进而建立神经网络的训练样本.经过训练,神经网络将能实现对稀疏分解后的心电信号波形的自动检测识别.实验证明,此算法能同时实现几种特征波的检测及识别.