隨著我國(guó)老齡化程度的日益加深,心血管疾病已嚴(yán)重影響人們的生活質(zhì)量和社會(huì)穩(wěn)定。目前關(guān)于老年人健康監(jiān)護(hù)和疾病診斷的研究受到廣泛關(guān)注和認(rèn)可,其研究的重點(diǎn)是異常心電信號(hào)的分析診斷�，F(xiàn)階段,有關(guān)異常心電識(shí)別的研究主要集中在常見(jiàn)心律失常分類等方面,尚存在心電信號(hào)識(shí)別精度不高、分類器的訓(xùn)練時(shí)間過(guò)長(zhǎng)等缺點(diǎn)。本文針對(duì)老年人常見(jiàn)異常心電信號(hào)的分類進(jìn)行深入研究,通過(guò)改進(jìn)去噪和信號(hào)特征提取等過(guò)程來(lái)提高分類準(zhǔn)確度,實(shí)現(xiàn)了七種老年常見(jiàn)心電信號(hào)類型的準(zhǔn)確識(shí)別。本文的主要工作內(nèi)容如下:1.分析心電信號(hào)常見(jiàn)干擾的特點(diǎn)并結(jié)合去噪算法完成了心電信號(hào)的預(yù)處理。相比于其他文獻(xiàn)使用單一方法進(jìn)行去噪,本文則是對(duì)最主要的三種噪聲做針對(duì)性處理,即使用中值濾波和改進(jìn)的LMS濾波器來(lái)去除基線漂移和工頻干擾;對(duì)影響最大的肌電噪聲則是采用小波變換和稀疏分解兩種方法進(jìn)行研究并利用人工蜂群算法來(lái)提高稀疏分解中原子的匹配速度。實(shí)驗(yàn)結(jié)果表明,本文所設(shè)計(jì)的預(yù)處理方法能夠在保證心電信息不丟失、波形不畸變的前提下實(shí)現(xiàn)常見(jiàn)干擾的濾除,去噪效果更加優(yōu)秀。2.重點(diǎn)完成心電信號(hào)特征波的識(shí)別定位以及特征提取等工作。首先,本文提出了差分閾值結(jié)合相空間重構(gòu)技術(shù)的新方法,在實(shí)現(xiàn)R波精準(zhǔn)定位(誤檢率降低一半)的同時(shí)系統(tǒng)耗時(shí)也縮短了近5倍;然后對(duì)特征波起止點(diǎn)的檢測(cè)結(jié)果進(jìn)行了修正,即采用前向差分法尋找到開(kāi)始穩(wěn)定變化的點(diǎn)作為修正后的起止點(diǎn)。該方法有效地避免了殘留噪聲對(duì)特征提取的干擾;考慮到ST段具有重要的臨床意義且與心肌梗死等疾病密切相關(guān),故采用曲線擬合等方法對(duì)其進(jìn)行重點(diǎn)分析,最終實(shí)現(xiàn)了ST段九種形態(tài)的識(shí)別。3.設(shè)計(jì)了用于老年人常見(jiàn)心電異常信號(hào)識(shí)別的分類器。本文選擇在處理小樣本和非線性數(shù)據(jù)上具有極大優(yōu)勢(shì)的支持向量機(jī)為基礎(chǔ)模型進(jìn)行分類器的設(shè)計(jì)。為進(jìn)一步優(yōu)化系統(tǒng)的性能,本文首先通過(guò)數(shù)據(jù)降維來(lái)簡(jiǎn)化特征參數(shù)從而達(dá)到縮短訓(xùn)練時(shí)間的目的,其次利用各種參數(shù)優(yōu)化算法調(diào)整分類器的參數(shù)。最后確定了KPCA+GA+SVM的分類器設(shè)計(jì)方案。本文所使用的心電數(shù)據(jù)均來(lái)自國(guó)際標(biāo)準(zhǔn)心電數(shù)據(jù)庫(kù),而用于分類器訓(xùn)練的樣本也是根據(jù)專家的注釋文件進(jìn)行提取的,因此實(shí)驗(yàn)結(jié)果具有極高的可靠性和說(shuō)服力。與傳統(tǒng)SVM分類器相比,本文所設(shè)計(jì)的心電波形分類器的平均準(zhǔn)確度高達(dá)98.79%,而訓(xùn)練時(shí)間縮短了11.46%。
【學(xué)位單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R540.4;TN911.7
【部分圖文】：

圖 3-10 稀疏分解的理論模型.3-10 A theoretical Model of sparse decomp所以對(duì)任意信號(hào)利用字典進(jìn)行分解時(shí)最稀疏表示。0Y Dx and x m 非零元素的個(gè)數(shù)； 代表原是稀疏系數(shù)； 是心電信號(hào)的采：假設(shè) 代表希爾伯特空間，待分解, 代表字典中的第 個(gè)絕對(duì)值有關(guān)。設(shè)待分解信號(hào)第一次匹：匹配部分 和殘差
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡年煒;楊建偉;姚德臣;;稀疏分解方法綜述及其在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J];現(xiàn)代制造工程;2018年11期

2 劉輝;楊俊安;黃文靜;;聲信號(hào)并行稀疏分解去噪方法研究[J];電路與系統(tǒng)學(xué)報(bào);2012年06期

3 尹忠科;;稀疏分解及其在圖像壓縮中的應(yīng)用研究[J];學(xué)術(shù)動(dòng)態(tài);2007年02期

4 張勇;;基于共振稀疏分解的滾動(dòng)軸承早期微弱故障診斷[J];中國(guó)工程機(jī)械學(xué)報(bào);2017年02期

5 李星;于德介;張頂成;;基于最優(yōu)品質(zhì)因子信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷[J];振動(dòng)工程學(xué)報(bào);2015年06期

6 孫云嵩;于德介;陳向民;李蓉;;基于信號(hào)共振稀疏分解的階比分析及其在齒輪故障診斷中的應(yīng)用[J];振動(dòng)與沖擊;2013年16期

7 隋中山;李俊山;張姣;樊少云;孫勝永;;張量低秩表示和時(shí)空稀疏分解的視頻前景檢測(cè)[J];光學(xué)精密工程;2017年02期

8 肖波;;基于稀疏分解的心電信號(hào)特征波檢測(cè)及心電數(shù)據(jù)壓縮[J];科技創(chuàng)新導(dǎo)報(bào);2013年26期

9 趙東波;李輝;;一種優(yōu)化稀疏分解的雷達(dá)目標(biāo)識(shí)別方法[J];現(xiàn)代電子技術(shù);2017年23期

10 郭瑩瑩;趙學(xué)智;上官文斌;張春良;;基于稀疏分解的軸承聲陣列信號(hào)特征提取[J];振動(dòng).測(cè)試與診斷;2018年04期

相關(guān)博士學(xué)位論文 前10條

1 黃秋燕;高分辨率遙感圖像的稀疏分解與線性紋理信息提取研究[D];南京大學(xué);2014年

2 蔡得龍;基于稀疏分解的電能質(zhì)量分析研究[D];華中科技大學(xué);2018年

3 嚴(yán)�？�;低速重載機(jī)械早期故障稀疏特征提取的研究[D];武漢科技大學(xué);2014年

4 付金山;基于稀疏分解理論的聲矢量陣信號(hào)處理[D];哈爾濱工程大學(xué);2012年

5 王宏超;基于稀疏分解及圖像稀疏表征的滾動(dòng)軸承微弱故障診斷[D];上海交通大學(xué);2015年

6 梁巍;管道缺陷檢測(cè)中超聲信號(hào)稀疏解卷積及稀疏壓縮方法的研究[D];上海交通大學(xué);2008年

7 戎凱旋;基于投影替代與矩陣低秩稀疏分解的多光譜圖像融合[D];西安電子科技大學(xué);2016年

8 余發(fā)軍;機(jī)械故障稀疏特征提取及診斷方法研究[D];武漢科技大學(xué);2016年

9 王春光;基于稀疏分解的心電信號(hào)特征波檢測(cè)及心電數(shù)據(jù)壓縮[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

10 張新鵬;壓縮感知及其在旋轉(zhuǎn)機(jī)械健康監(jiān)測(cè)中的應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 朱榮亮;心電信號(hào)檢測(cè)與老年人常見(jiàn)心電異常的識(shí)別分類[D];太原理工大學(xué);2019年

2 劉偉豪;雷達(dá)多視角增強(qiáng)成像技術(shù)[D];國(guó)防科學(xué)技術(shù)大學(xué);2016年

3 劉洋;蜂群算法與低秩稀疏分解融合的圖像去噪方法研究[D];東北石油大學(xué);2018年

4 楊雙雙;基于矩陣低秩稀疏分解的船舶交通流量預(yù)測(cè)研究[D];武漢理工大學(xué);2017年

5 張旋;基于振動(dòng)信號(hào)稀疏分解的風(fēng)電機(jī)組故障診斷方法研究[D];華北電力大學(xué)(北京);2018年

6 郭源耕;基于信號(hào)共振稀疏分解的風(fēng)電齒輪箱故障診斷方法研究[D];燕山大學(xué);2018年

7 陶欣;基于稀疏分解和支持向量機(jī)的高速銑削刀具磨損狀態(tài)監(jiān)測(cè)[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

8 肖俊安;基于稀疏分解算法的局部放電信號(hào)干擾抑制技術(shù)的學(xué)習(xí)與思考[D];華中科技大學(xué);2016年

9 劉紅柳;基于原子稀疏分解的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)研究[D];東北電力大學(xué);2017年

10 張坤;基于改進(jìn)小波—原子稀疏分解算法的超短期風(fēng)電出力預(yù)測(cè)[D];燕山大學(xué);2017年

本文編號(hào)：2885450