基于STM32的MIT-BIH心电数据的D/A回放

设计基于STM32的MIT-BIH心电数据D/A回放,对整体设计方案、硬件组成、软件设计等进行了介绍。通过读取心电数据将其进行D/A转换,输出波形与原始波形进行比较,较好地实现了回放功能。由此可见,该系统的性能指标达到了设计要求。能很好地实现心电数据回放,为一系列心电算法的仿真实践及实时心电监护仪的研制打好了基础。     

基于USB2.0MIT-BIH心电数据回放系统的设计

设计基于USB2.0的D/A转换模块,文中对模块的主要芯片、主要原理、接口函数及主要性能进行了介绍.通过取一心电数据通过vc编程将其进行D/A转换,输出波形与原始波形进行比较,较好的实现了回放功能.由此可见,该模块的性能指标达到了设计要求.心电数据回放很好的实现,为一系列心电算法的仿真实践及实时心电监护仪的研制打好了基础.     

MIT-BIH数据库心电数据重采样研究

为了将采样率为360Hz的MIT-BIH数据库心电数据转换到250Hz采样率,设计了一个25/36倍采样率转换系统,同时对原数据库中的注释信息重新进行了标注,建立了采样率为250Hz的MIT-BIH重采样数据库。实验表明,重采样结果准确,注释信息标示正确。     

不可逆电消融手术中心电同步算法及系统设计

随着不可逆电脉冲穿孔消融手术等疗法的发展,传统的心电信号同步设备从精确度、抗干扰能力以及安全性的角度无法满足要求。针对此问题,提出了适用于不可逆电消融手术的心电同步算法,包括一种区间可预测性条件和一种消融区间起点精确标定算法。在满足可预测条件的情况下对消融区间起点进行精确标定,实现在强干扰条件下的心电信号同步。经过实时心电信号和MIT-BIH心律失常数据库的验证,表明系统和算法具有较高的精度和可靠性,并可在嵌入式系统上实现。     

基于Matlab的小波提升与心电信号R波检测

本文以MIT-BIH心电数据库作为研究对象,简要介绍了使用小波变换进行心电信号检测的原理和小波提升算法的机制,阐述了采用提升小波变换的方法分解ECG信号并对R波进行定位的流程。给出了matlab示例代码。     

基于Qt设计心电信号管理系统

针对目前心电信号研究缺少临床试验数据的情况，本文提出了使用国际公认的可作为标准的心电数据库作为心电算法的输入，并为心电监护类系统和便携式心电监护仪等提供测试信号源。本文采用跨平台的C++应用程序开发框架Qt来实现系统，本系统不仅应用于PC机，还可应用于便携式心电监护仪，识读的心电信号经过D/A转换，模拟实际临床采集到的信号，提供给心电监护系统进行仿真实验。     

Electrocardiogram soft computing using hybrid deep learning CNN-ELM

Electrocardiogram (ECG) can reflect the state of human heart and is widely used in clinical cardiac examination. However, the electrocardiogram signal is very weak, the anti-interference ability is poor, easy to be affected by the noise. Doctors face difficulties in diagnosing arrhythmias. Therefore, automatic recognition and classification of ECG signals is an important and indispensable task. Since the beginning of the 21 st century, deep learning has developed rapidly and has shown the most advanced performance in various fields. This paper presents a method of combining (Convolutional neural network) CNN and ELM (extreme learning machine). The accuracy rate is 97.50%. Compared with the state-of-the-art methods, this method improves the accuracy of ECG automatic classification and has good generalization ability.     

卷积神经网络在心拍类识别中的应用

心电图（ECG）心拍分类对心脏疾病的临床诊断具有重要意义,但是ECG四类心拍间数据不平衡问题严重制约着心拍分类性能的提升。针对这一问题,以卷积神经网络（CNN）为基础,首先在组合四类心拍等量数据基础上构建用于表达噪声及四类心拍间共性信息的通用CNN模型,接着以通用CNN模型为基础分别在四类心拍数据上构建四个更为有效表达对应心拍类别倾向性信息的类别CNN模型,最后综合四个类别CNN模型的输出判别心拍类型。在MIT-BIH心电图数据库上的实验结果显示,该方法的平均灵敏度为99.68%、平均阳性检测率是98.58%、综合指标是99.12%,显著优于二级联合聚类法在MIT-BIH心电图数据库上的分类性能。     

基于改进残差网络对心电信号的识别

心血管疾病是当今人类死亡的主要原因之一。本文基于改进的残差网络对心电信号进行识别,并将改进后的残差网络和空洞卷积进行结合,特征提取时保持局部信息不变的同时尽可能地提取全局信息。研究使用K折交叉验证对MIT-BIH心律失常数据集进行训练、验证和测试。首先使用卷积层汇集输入图像,其次利用改进后的网络进行特征提取,最后使用Softmax分类器进行分类。在MIT-BIH心律不齐数据库中,提出的模型在没有任何额外人工特征和数据增强进行辅助的情况下,获得了97.20%的准确度、92.85%的敏感度、 98.29%的特异性、93.16%的精确度和93.00%的 F₁分数。该研究将为医疗机构对于心电信号检测识别提供技术支撑,从而减轻专业医师的工作负荷。     

类内类间距离在CNN识别心拍类中的应用研究

心脏疾病严重威胁人类身体健康，心电图（Electrocardiogram，ECG）心拍分类对心脏疾病的临床诊断和自动诊断具有重要意义。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征，但是因ECG中各类间存在着严重的数据不平衡问题，致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对这一问题，以卷积神经网络（Convolutional Neural Network，CNN）为基础，在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的共性CNN模型，以共性CNN模型和最小化类内距离最大化类间距离模型为基础，分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型，综合各心拍类别CNN模型的输出进行识别与分类。在MIT-BIH数据库上的实验结果显示，该方法识别分类心拍的各项指标均达到100%，解决了MIT-BIH数据库中ECG四类心拍自动识别分类的问题。