基于卷积神经网络的T波形态分类

T波形态分类有助于诊断心肌缺血、急性心包炎和心脏猝死等疾病,是心电图远程监控中一个重要的研究课题.传统的T波分类算法依赖于T波检测,在准确定位T波的关键点之后再提取T波特征,完成分类.但是由于T波位置可能发生一定程度偏移,T波的形态多变且受到多种噪声的干扰,T波检测是一个难题.为了解决上述问题,本文提出基于卷积神经网络的T波分类算法:首先根据QRS波群位置及医学统计规律确定一个T波候选段,然后采用卷积神经网络直接完成T波分类.由于卷积神经网络有稀疏连接、权值共享的特性,能够通过训练自动获取T波特征,并且其特征对微小平移具备不变性且对噪声不敏感,从而能够有效解决T波形态分类问题.最后在MIT-BIH QT心电数据库上对本文方法进行测试,实验结果表明,本文方法可以在T波起始点未确定的情况下,能够识别单峰直立、单峰倒置、低平、负正双向、正负双向五类T 波形态,正确率达到了99.1%.     

基于改进稀疏分解的心电信号波形特征点检测及识别

心电信号波形特征点的检测及识别是实际中开展心电监护与评价的基础。本文提出了一种基于稀疏分解及其改进的心电数据分析算法,将检测与识别一体化,具有可靠性较高、易于操作的优点。该算法中原子集由离散化的心电信号典型特征波段经拉伸、平移变换形成,并采用匹配追踪投影寻优。经PhysioNet心电数据库检验,该算法的QRS波群检测灵敏度率达到98.5%,T波和P波的波检测灵敏度也达到93.2%和83.8%。     

心电ST-T段的截取算法与系统实现

心电图是心肌缺血、心肌梗塞等心血管疾病的首要检查项目之一,其ST-T段反映了心室复极的过程。利用小波变换的多分辨率分析对原始心电信号进行基线漂移校正和滤波,再结合凸点算子和动态搜索窗方法,对ST-T段定位。通过European ST-T数据库中的所有数据验证,该算法的平均识别率在93%以上。对于所有较为规律的心电信号,其识别率均高于90%。该方法避免了T波峰值定位难这一问题,有效地解决R波倒置、T波倒置和T波高尖等的定位。该算法计算的复杂度较低,能很好地嵌入到实际工程应用中。     

基于心电P-QRS-T波的特征提取及情感识别

在基于心电的情感识别中,体现不同情感状态的特征是提高情感识别率的基础。采用最优小波去噪心电信号,进行P波、QRS波、T波检测和能量计算,然后提取特征进行情感分类,并分析了P-QRS-T波能量在不同情感状态下的变化趋势和对情感状态的敏感性。实验结果表明,P-QRS-T波能量变化能体现情感状态的变化,对高兴敏感,识别率可达96%;同时最优小波去噪能有效地提高情感状态识别率。     

基于希尔伯特变换和自适应阈值的R波检测算法

提出一种基于希尔伯特变换和自适应双阈值的R波检测算法。首先对预处理后的信号进行幅度归一化和希尔伯特包络分析;然后采用自适应双阈值法检测R波;最后,根据增强后的信号定位检测到R波的位置。使用4个具有不同频率和信噪比的数据库（MIT-BIH心率失常数据库、QT数据库、NST噪声数据库、European ST-T数据库）和临床采集心电数据对所提算法进行性能评估,结果表明,各种不规律和含有严重噪声干扰的心电信号中R波的位置依然能被所提算法准确检测出。在MIT-BIH心律失常数据库中,总体数据检测的敏感性、阳性检测度和准确率分别达到了99.36%、99.77%和99.13%,每条记录平均消耗时间比传统的Pan and Tompkins算法大大缩短。实验结果表明该算法具有良好的鲁棒性和实时性。     

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。     

一种多导联QRS波实时检测算法

针对多导联心电监护仪对QRS波的分析需求,提出一种多导联QRS波实时检测算法。对原始心电图信号进行工频滤波和低通滤波处理,将各导联按照单导联预检波规则进行QRS波判别,通过决策融合多个导联的判别结果得到最终判别结果。在圣彼得堡INCART 12导联心率失常数据库上的验证结果表明,该算法的平均识别率和准确率分别为99.88%和99.73%。     

一种基于双PCA的动态空间手背静脉图像合成方法

目前对手背静脉识别问题的研究大多是在较小规模的数据上进行,几乎没有在大样本情况下对手背静脉识别进行实验.因此,为了扩充手背静脉样本库提出了一种新的手背静脉图像合成方法,其基本思想是源于PCA(principal component analysis)原理,将用于合成的样本分为2组,对一组进行主成份分析构造特征空间,再由另一组向特征空间投影得到的投影系数构造投影空间,最后利用投影空间的投影系数在特征空间上进行PCA重建,从而融合双空间的信息达到图像合成的目的.通过对分组选取的动态更新,可以大量地合成手背静脉图像样本.由此,在实际实验中在拥有94个人的原始图像数据库的基础上建立一个拥有8 007个人的合成图像数据库.合成图像数据库的识别率达到97.84%.良好的识别率说明了合成图像数据库今后可以用于手背静脉相关的模拟测试中.     

基于离散HMM的眉毛识别方法研究

为说明人类的眉毛作为一种生物特征使用的可能性和可行性,提出了一种基于离散HMM的眉毛识别方法,并对它的识别率随观察符号个数和模型状态数的变化关系进行了初步的实验研究。实验结果表明,该方法在一个27人的小规模眉毛数据库上最高识别率可以达到92.6%。     

基于粗糙集及RBF网络的英文字母识别

将粗糙集理论与神经网络相结合,针对7×5分辨率的大写英文字母,构建了基于RBF网络的字母识别系统,给出了该识别系统的核心算法与核心结构.该系统利用粗糙集中最小决策算法对识别矩阵进行属性约简,减少了大量的计算和数据库存储量,同时提高了系统识别速度和识别率.通过计算机模拟实验,将该识别系统的识别率与标准BP网络算法及改进BP网络算法相比较,证实了该系统的优越性,在有约1/7的像素点受到随机干扰的情况下,该系统识别率仍可达到88%以上.