基于异常特征模式的心电数据标签清洗方法

心电图（electrocardiogram, ECG）异常的自动检测是一个典型的多标签分类问题,训练分类器需要大量有高质量标签的样本. 但心电数据集异常标签经常缺失或错误,如何清洗弱标签得到干净的心电数据集是一个亟待解决的问题. 在一个标签完整且准确的示例数据集辅助下,提出一种基于异常特征模式 (abnormality-feature pattern, AFP) 的方法对弱标签心电数据进行标签清洗,以获取所有正确的异常标签. 清洗分2个阶段,即基于聚类的规则构造和基于迭代的标签清洗. 在第1阶段,通过狄利克雷过程混合模型（Dirichlet process mixture model, DPMM）聚类,识别每个异常标签对应的不同特征模式,进而构建异常发现规则、排除规则和1组二分类器. 在第2阶段,根据发现和排除规则辨识初始相关标签集,然后根据二分类器迭代扩展相关标签并排除不相关标签. AFP方法捕捉了示例数据集和弱标签数据集的共享特征模式,既应用了人的知识,又充分利用了正确标记的标签;同时,渐进地去除错误标签和填补缺失标签,保证了标签清洗的可靠性. 真实和模拟数据集上的实验证明了AFP方法的有效性.     

心电信号去噪的数学形态学滤波器

为探索验证一种基于数学形态滤波器的去除心电基线漂移和工频干扰的高性能滤波器设计方法,借鉴数学形态学一维信号滤波原理,提出自适应阈值ECG去噪算法的思路,讨论了3σ统计准则在ECG自适应阈值滤波中的作用,利用改进的算法对心电图中常见的工频干扰和基线漂移进行校正。通过对MIT-BIH心率变异数据库中多组数据的仿真验证研究,验证了该算法能有效实现心电信号的噪声预处理;数学形态学理论在心电信号处理中具有良好性能,是实时处理一维生物医学信号有潜力的工具。     

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.     

基于FPGA的3道生理信号检测仪硬件电路设计

介绍了用于心电、心音、胸阻抗信号测量的3道生理信号检测仪的硬件电路设计,描述了3种信号的调理电路、串行A/D转换及FPGA电路,调理电路设计充分考虑了防止共模干扰和工频干扰,并提高了电路的共模抑制比。采用FPGA完成数字电路部分控制,连接键盘、彩色液晶屏作为人机交互设备。实测表明,系统工作稳定,性能良好。     

动态心电图时域法检测MTWA对冠心病的诊断价值研究

目的 探讨动态心电图时域法检测微伏级T波电交替（MTWA）对冠心病的诊断价值。方法 选取2015年2月至2017年2月在我院治疗的冠心病患者112例,其中冠脉狭窄＜50%患者44例（A组）,冠脉狭窄50%～75%患者31例（B组）,冠脉狭窄＞75%患者37例（C组）,同时选取冠脉造影正常者40例作为对照（D组）,采用动态心电图分析软件记录24h动态心电图,分析各组MTWA阳性率。结果 C组MTWA阳性率为43.24%,明显高于A组、B组和D组（p＜0.05）;而A组、B组和D组MTWA阳性率比较差异无统计学意义（p＞0.05）;单支病变组、双支病变组和三支病变组MTWA阳性率比较无统计学意义（p＞0.05）;MTWA阳性者发生恶性室性心律失常比例为34.62%,明显高于MTWA阴性者,差异比较有统计学意义（p＜0.05）;MTWA阳性预测室性心律失常特异度、灵敏度、阴性预测值和阳性预测值分别为86.07%、30.00%、83.33%和34.62%。结论 MTWA在评估冠心病危险程度中有一定的应用价值,其在预测冠心病患者发生恶性室性心律失常中的应用价值较低。     

独立分量分析在心房纤颤检测中的应用研究

为了从心房纤颤患者的动态心电图记录中抽取心房活动信号并对其进行特征分析,提出了一种无损型心房纤颤自动诊断方法.证明了应用独立分量分析（ICA）必须满足的3个基本条件：源间独立性、瞬时线性混合和至多一个高斯源,并建立了盲源分离的数学模型.采用快速固定点优化算法分析仿真试验和临床数据,计算各被分离分量的峰度值,有效提取了心房纤颤信号,定性和定量地表明了该方法的准确性和鲁棒性.     

基于自适应多元多尺度熵的心电信号分类研究

针对目前单通道心电信号识别精度不高,现存多元分解方法效果不佳、多元非线性心电信号分析复杂等问题,提出了一种基于自适应多元多尺度色散熵的心电信号分类方法。首先利用频谱分析,创新性地引入了正弦辅助多元经验模态分解方法,对心电信号进行分解得到多元模态分量;然后结合多模态分解和色散熵的优越性,通过累加多元本征模态分量代替粗粒化采样,提出了自适应多元多尺度色散熵的方法获取特征熵值。最后将特征输入到多个分类器上进行分类,通过实验对比分析,在模拟信号和MIT-BIH数据上验证该方案的有效性。     

心室晚电位测量系统的研制

介绍了心室晚电位测量系统的硬件设计与软件设计,该系统由低噪声、高增益、高共模抑制比的检测电路与微型计算机组成。系统对测得的心电信号进行叠加平均,并剔除异常波,求出叠加平均心电图,然后进行滤波处理,最后显示与打印高分辨率的滤波心电图,并在图上显示特征参数值。