發(fā)布時間：2020-11-16 01:24

　　 隨著我國老齡化程度的日益加深,心血管疾病已嚴重影響人們的生活質(zhì)量和社會穩(wěn)定。目前關于老年人健康監(jiān)護和疾病診斷的研究受到廣泛關注和認可,其研究的重點是異常心電信號的分析診斷�，F(xiàn)階段,有關異常心電識別的研究主要集中在常見心律失常分類等方面,尚存在心電信號識別精度不高、分類器的訓練時間過長等缺點。本文針對老年人常見異常心電信號的分類進行深入研究,通過改進去噪和信號特征提取等過程來提高分類準確度,實現(xiàn)了七種老年常見心電信號類型的準確識別。本文的主要工作內(nèi)容如下:1.分析心電信號常見干擾的特點并結(jié)合去噪算法完成了心電信號的預處理。相比于其他文獻使用單一方法進行去噪,本文則是對最主要的三種噪聲做針對性處理,即使用中值濾波和改進的LMS濾波器來去除基線漂移和工頻干擾;對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行研究并利用人工蜂群算法來提高稀疏分解中原子的匹配速度。實驗結(jié)果表明,本文所設計的預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現(xiàn)常見干擾的濾除,去噪效果更加優(yōu)秀。2.重點完成心電信號特征波的識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)技術的新方法,在實現(xiàn)R波精準定位(誤檢率降低一半)的同時系統(tǒng)耗時也縮短了近5倍;然后對特征波起止點的檢測結(jié)果進行了修正,即采用前向差分法尋找到開始穩(wěn)定變化的點作為修正后的起止點。該方法有效地避免了殘留噪聲對特征提取的干擾;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,故采用曲線擬合等方法對其進行重點分析,最終實現(xiàn)了ST段九種形態(tài)的識別。3.設計了用于老年人常見心電異常信號識別的分類器。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)勢的支持向量機為基礎模型進行分類器的設計。為進一步優(yōu)化系統(tǒng)的性能,本文首先通過數(shù)據(jù)降維來簡化特征參數(shù)從而達到縮短訓練時間的目的,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的分類器設計方案。本文所使用的心電數(shù)據(jù)均來自國際標準心電數(shù)據(jù)庫,而用于分類器訓練的樣本也是根據(jù)專家的注釋文件進行提取的,因此實驗結(jié)果具有極高的可靠性和說服力。與傳統(tǒng)SVM分類器相比,本文所設計的心電波形分類器的平均準確度高達98.79%,而訓練時間縮短了11.46%。
【學位單位】：太原理工大學
【學位級別】：碩士
【學位年份】：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所以對任意信號利用字典進行分解時最稀疏表示。0Y Dx and x m 非零元素的個數(shù)； 代表原是稀疏系數(shù)； 是心電信號的采：假設 代表希爾伯特空間，待分解, 代表字典中的第 個絕對值有關。設待分解信號第一次匹：匹配部分 和殘差
【相似文獻】

相關期刊論文 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)機械故障診斷中的應用[J];現(xiàn)代制造工程;2018年11期

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

3 尹忠科;;稀疏分解及其在圖像壓縮中的應用研究[J];學術動態(tài);2007年02期

4 張勇;;基于共振稀疏分解的滾動軸承早期微弱故障診斷[J];中國工程機械學報;2017年02期

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

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

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

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

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

10 郭瑩瑩;趙學智;上官文斌;張春良;;基于稀疏分解的軸承聲陣列信號特征提取[J];振動.測試與診斷;2018年04期

相關博士學位論文 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;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;2018年

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

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

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

6 梁巍;管道缺陷檢測中超聲信號稀疏解卷積及稀疏壓縮方法的研究[D];上海交通大學;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;2016年

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

9 王春光;基于稀疏分解的心電信號特征波檢測及心電數(shù)據(jù)壓縮[D];國防科學技術大學;2010年

10 張新鵬;壓縮感知及其在旋轉(zhuǎn)機械健康監(jiān)測中的應用[D];國防科學技術大學;2015年

相關碩士學位論文 前10條

1 朱榮亮;心電信號檢測與老年人常見心電異常的識別分類[D];太原理工大學;2019年

2 劉偉豪;雷達多視角增強成像技術[D];國防科學技術大學;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;2018年

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

5 張旋;基于振動信號稀疏分解的風電機組故障診斷方法研究[D];華北電力大學(北京);2018年

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

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

8 肖俊安;基于稀疏分解算法的局部放電信號干擾抑制技術的學習與思考[D];華中科技大學;2016年

9 劉紅柳;基于原子稀疏分解的風電功率實時預測研究[D];東北電力大學;2017年

10 張坤;基于改進小波—原子稀疏分解算法的超短期風電出力預測[D];燕山大學;2017年

本文編號：2885450