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%。     

简单快速实时R波检测算法的研究

目前关于R波检测的算法有很多,但大多运算比较复杂且存在浮点运算,运算量比较大.使得这些算法不适合在那些不具在有浮点运算功能的MCU(microprocessorcontrol unit)上运行.提出一种简单快速实时R波检测算法,其绝大部分是加减运算,不但避免了浮点运算,而且还能滤除50Hz的工频干扰,基线漂移和低频高频干扰,同时还具有对心电信号进行差分并将R波波峰转换成正负极值对的功能.实验结果表明,所提出的R波检测算法具有较好的鲁棒性,能够较好地抑止或消除基线漂移、高频干扰等外部因素对R波检测产生的影响.     

心电信号中R波的自适应检测方法

阐述一种检测心电图中R波的方法,通过小波阈值去噪及小波分解与重构去噪法去除心电信号的噪声,使用差分阈值法对心电信号中的R波进行自适应检测,其中闽值的选取具有自更新的特性。对R波多检与漏检的分析,设计相应的辅助策略检测R波。使用MIT-BIH标准库中的心电数据对本方法进行仿真验证,结果表明：本方法能够准确有效地检测出心电图中的R波。     

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。     

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%.     

基于香农能量与自适应阈值的心电QRS复合波检测算法

针对现有心电QRS复合波检测算法对于一些信号异常的情况检测效果仍然不理想的问题,提出了一种基于香农能量与自适应阈值相结合的心电QRS复合波检测算法,以解决QRS复合波检测的低准确率问题。首先,从预处理后的信号提取香农能量包络;然后,结合改进的自适应阈值方法对QRS复合波进行检测;最后,根据QRS复合波增强后的信号定位所检测的QRS复合波的位置。使用MIT-BIH心律失常数据库的数据对所提算法进行性能评估,结果表明,所提算法即使在信号中存在高大的P波、T波、不规则心律以及严重的噪声干扰时依然能准确检测QRS复合波的位置,总体数据检测的敏感性、阳性检测度和准确率分别达到了99.88%、99.85%和99.73%,且该算法能够在保证准确率的情况下快速地完成QRS复合波的检测任务。     

mexican-hat小波在QRS波检测中的应用研究

提出了一种基于小波变换,结合多种判别修正方法的QRS波检测算法。首先采用mexican-hat小波对信号进行小波变换,在第3尺度上采用模极大值阈值法对R波进行检测。其次采用平面几何的数学方法定位Q波和S波。对于高尖P波和大T波造成的误检,采用弧度法进行纠正。对于高频干扰造成的影响用QRS时长法予以排除。该算法经过MIT-BIH Arrythmia Database的心电数据验证,取得了满意的结果。     

基于多孔算法的心电图QRS波检测

关于心电图检测,由于受到噪声干扰影响,检测不准确.针对目前对QRS波群的起止点和R波峰值点检测定位不精确问题,提出一种多孔算法的特征点定位检测法.通过利用三次B样条小波的高阶平滑特性最大限度的去除噪声干扰,提取准确波形;利用多孔算法对不规则离散信号的无抽取平移不变性保证采样信号的完整性,在小波变换的过程中精确定位QRS波群的起止点和R波峰值点,实验结果表明,准确率达到99.80％.算法增强了对复杂突变心电信号的检测结果,对QRS波群的起止点和R波峰值点检测定位的准确性.     

基于小波变换与形态学运算的R波检测算法

本文提出了一种基于小波变换与形态学运算的R 波检测算法。采用二进Marr小波的Mallat算法对心电信号作多分辨率分解，利用数学形态学运算突出信号的峰谷点特征，将小波变换模极大值检测原理与形态学峰谷检测算法相结合，不仅可以实现对 R 波的准确检测和精确定位，同时也具有较好的算法实时性。     

基于PCA特征和融合特征的ECG身份识别方法

ECG作为一种活体生物特征用于身份识别在国际上引起了广泛重视.针对基于解析特征的ECG身份识别方法对特征点检测精度要求较高的缺点,提出一种仅需R波峰值点检测的ECG身份识别方法,该方法通过有针对性的设定相应阈值,将PCA特征和小波融合特征方法相结合.实验结果表明该方法优于PCA特征方法、波形特征方法和小波特征方法,既减少了特征点检测的复杂性和特征点检测不准确带来的误差,又可获得较高的识别率,是一种实时、高效算法.     

Facilities for digital pattern recognition: an ECG detective trick

Algorithms for digital pattern recognition optimized for the demands of the physician are urgently needed. They have to provide high levels of recognition, accuracy, artefact rejection and flexibility in detecting different types of signal time-course. The microcomputer algorithm presented here works on the principle of Walsh-transformation of signal sections and in-image judging. The algorithm efficiently solves simple tasks, and also recognizes, for instance, ECG P-waves using the same algorithm. A test with 1054 randomly selected outpatient's ECG and with an additional 72 ECGs of inpatients with clinically proved myocardial infarcts produced the following results: The recognition ratio for the R-wave amounted to 98.8% with a failure ratio of 2.3%, while an initial common P-T-pattern was correctly recognized in 80.3% of cases, with a failure ratio of 4.9%. The algorithm was implemented on a Z80 microprocessor and on a single-chip computer Z8.     

心电信号的aTrous小波变换综合检测方法

心电信号反映了心脏有节律的活动。R波、P波和T波是去、复极时产生的突变信号,是典型的峰值奇异信号。信号的突变点检测是小波变换应用的一个重要方面。确定QRS波群的具体形态和起止点,检测P波、T波特征点是心电图分析的难点。研究了信号的二进样条小波按aTrous（多孔）算法进行的变换,构建了系列检测方法,来检测和识别QRS波群、P波、T波的具体的形态和位置。实验结果表明,所提出的综合算法具有较好的适应性,能很好地抑制基线漂移,消除高频干扰,克服了大T波、大S波、高U波波形自身病态因素对综合检测产生的影响。     

Obstructive sleep apnea detection using ecg-sensor with convolutional neural networks

In recent years, AI(Artificial Intelligence) has achieved great development in modern society. More and more modern technologies are applied in surveillance and monitoring. Healthcare monitoring is growing ubiquitous in modern wearable devices, such as a smart watch, electrocardiogram (ECG) necklace, smart band. Many sensors are attached to these smart devices to record and monitor physiological signals caused by activities, and then propagated those recorded electrical data to be further processed to give health diagnosis, disease prevention or making a distress call automatically. Obstructive sleep apnea (OSA) is a sleep disorder with a high occurrence in adult people and observed as an autonomous risk factor for circulatory problems such as ischemic heart attacks and stroke. Numerous traditional neural network based methods have been developed to detect OSA, where these methods however could not provide the intended result because they rely on shallow network. In this paper, we propose an effective OSA detection based on Convolutional neural network. Our method first extracts features from Apnea-Electrocardiogram (ECG) recordings using RR-intervals (time interval from one R-wave to the next R-wave in an ECG signal) and then CNN model having three convolution layers and three fully connected layers is trained with extracted features and applied for OSA detection. The first two convolution layers are followed by batch normalization and pooling layer, and softmax is connected to the last fully connected layer to give final decision. Experimental results on extracted feature of Apnea-ECG signal reveal that our model have better results in terms of performance measure sensitivity, specificity and accuracy. It is expected that the related technology can be applied into smart sensors, especially wearable devices.

     

心电R波检测及控制左心辅助装置

心衰是一种威胁人类生命的主要疾病之一,左心室辅助装置作为心脏移植前的过渡支持治疗使用,对心衰终末期患者的生活质量和生存率有明显提升;在对心电图实现自动的检测中,QRS波群的检测是最关键的环节,它影响着后续数据分析和处理的正确性及准确性;设计利用数据库数据和人体心电采集数据作为原始待处理源,通过高阶低通滤波与香农能量的创新算法结合进行处理数据,在硬件上增加使用高阶自适应中值滤波算法,使得处理后的实时数据噪声降到最低,有利于准确提取到R波,最后使用测试后的心电R波驱动左心室辅助装置,达到对心衰患者进行辅助治疗的作用,并且通过MATLAB和Modelsim软件仿真成功后,在FPGA硬件上实现了实时心电信号控制血泵系统的方案;经试验测试此方法可以准确的提取R波,并且可以控制左心辅助装置同步进行泵血。     

多模态融合的特征提取方法在SA检测中的应用

为解决睡眠呼吸暂停(Sleep Apnea,SA)检测中使用传统的机器学习方法需花大量工作在特征工程上导致效率低下,以及模型多以单通道信号进行特征提取存在识别效果不佳的问题,提出一种基于时序卷积网络(Temporal Convolutional Network,TCN)和堆叠稀疏降噪自编码器(Stacked Sparse Denoismg Auto-Encoder,SSDAEs)的多模态特征融合模型来实现特征自动提取。该模型以心电和呼吸2种信号作为输入,首先利用TCN网络提取输入信号的时序特征,然后通过SSDAEs提取信号的浅层与深层的高维特征,对于不同特征空间的心电信号特征和呼吸信号特征采用一个小型神经网络进行特征融合,将该模型与随机森林算法结合,用于解决SA片段检测问题。实验结果表明,该方法在SA片段检测的准确率、灵敏度、特异性分别是91.5%、88.9%、90.8%。通过与以往相关研究对比,验证了该模型的SA检测性能更好,效率更高。     

基于小波变换和粗糙集的早搏信号识别算法

心电特征参数的选择和提取是心电图(ECG)分析的基础,提升检测算法的识别率和特征分类的精度是自动分析技术的关键。提出了基于小波变换和属性约简的心电早搏信号识别算法。该算法首先依据心血管专家的诊断标准选择了12个心电特征参数;然后运用基于小波变换的特征检测算法进行了特征提取,并利用基于粒计算的属性约简算法对特征参数进行了属性约简;最后,将约简后的数据用于模式分类并通过MIT-BIH数据库对结果进行验证。实验表明,约简后的分类精度大大高于约简前的数据,特征参数的合理选择(约简)是提高识别效率的重要因素。