隨著社會(huì)經(jīng)濟(jì)的發(fā)展,人們生活方式發(fā)生轉(zhuǎn)變,心血管疾病流行趨勢(shì)明顯,已逐漸成為我國(guó)人群的主要疾病負(fù)擔(dān)。通過(guò)心電圖可有效觀測(cè)出心律失常,對(duì)預(yù)防和診斷心血管疾病具有重要意義。隨著人工智能大數(shù)據(jù)的快速發(fā)展,機(jī)器學(xué)習(xí)技術(shù)在心電信號(hào)自動(dòng)分類上的研究成果層出不窮,但至今未能廣泛應(yīng)用于臨床診斷上。因此,研究可靠、穩(wěn)定的自動(dòng)分析診斷方法尤為重要。本文對(duì)目前國(guó)內(nèi)外的心律失常識(shí)別技術(shù)進(jìn)行了分析,針對(duì)目前心電信號(hào)處理、分析和智能診斷算法中存在的不足,提出了改進(jìn)的心電信號(hào)處理和識(shí)別方法,并通過(guò)計(jì)算機(jī)仿真實(shí)驗(yàn)進(jìn)行了驗(yàn)證。全文主要工作如下:（1）基于小波閾值的心電信號(hào)預(yù)處理。通過(guò)分析心電信號(hào)中的噪聲特性,利用小波變換技術(shù)將信號(hào)進(jìn)行多層小波分解,構(gòu)造了一種介于軟、硬閾值之間的新閾值函數(shù)。通過(guò)實(shí)驗(yàn)驗(yàn)證該方法與軟硬閾值去噪相比,能有效提高信號(hào)的信噪比。（2）基于融合特征的心電信號(hào)特征提取。采用小波變換對(duì)心電信號(hào)進(jìn)行特征點(diǎn)檢測(cè),將單個(gè)周期的心電信號(hào)作為數(shù)據(jù)樣本,提取出間期和幅值等作為時(shí)域特征。采用深度稀疏自編碼器對(duì)心電信號(hào)進(jìn)行編解碼,只需要少量標(biāo)簽就能完成網(wǎng)絡(luò)預(yù)訓(xùn)練與微調(diào),降低了對(duì)樣本標(biāo)簽的依賴。過(guò)程中采用自適應(yīng)矩估計(jì)進(jìn)行... 

【文章來(lái)源】：西南科技大學(xué)四川省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外的研究現(xiàn)狀
        1.2.1 心電信號(hào)預(yù)處理研究現(xiàn)狀
        1.2.2 心電信號(hào)特征提取研究現(xiàn)狀
        1.2.3 心電信號(hào)分類研究現(xiàn)狀
    1.3 研究?jī)?nèi)容與論文的結(jié)構(gòu)安排
        1.3.1 研究?jī)?nèi)容
        1.3.2 論文結(jié)構(gòu)安排
2 心電信號(hào)的相關(guān)理論知識(shí)
    2.1 心電信號(hào)的產(chǎn)生機(jī)理與特點(diǎn)
        2.1.1 心電信號(hào)的產(chǎn)生機(jī)理
        2.1.2 心電信號(hào)的特點(diǎn)
    2.2 心律失常的基本介紹與典型波形
    2.3 心律失常分類的難點(diǎn)與挑戰(zhàn)
    2.4 常用心電信號(hào)數(shù)據(jù)庫(kù)
    2.5 本章小結(jié)
3 心電信號(hào)預(yù)處理
    3.1 心電信號(hào)噪聲分析
    3.2 數(shù)據(jù)讀取
    3.3 小波變換理論以及在去噪上的應(yīng)用
    3.4 基于小波閾值的心電信號(hào)預(yù)處理
        3.4.1 小波基的選擇
        3.4.2 分解層數(shù)確定
        3.4.3 基于小波閾值的心電信號(hào)去噪
    3.5 心電信號(hào)預(yù)處理仿真實(shí)驗(yàn)及分析
        3.5.1 小波分解系數(shù)處理
        3.5.2 信號(hào)重構(gòu)
        3.5.3 去噪效果評(píng)估及對(duì)比
    3.6 本章小結(jié)
4 心電信號(hào)的波形檢測(cè)與特征提取
    4.1 時(shí)頻域特征提取
        4.1.1 特征選擇
        4.1.2 特征點(diǎn)識(shí)別
        4.1.3 基于小波變換的心電特征識(shí)別與提取
    4.2 深度特征提取
        4.2.1 深度稀疏自編碼器
        4.2.2 基于深度稀疏自編碼器(DSAEs)的心電特征提取
    4.3 特征融合
    4.4 心電信號(hào)特征提取仿真實(shí)驗(yàn)及分析
        4.4.1 基于時(shí)域特征有效性測(cè)試和結(jié)果分析
        4.4.2 基于深度特征有效性測(cè)試和結(jié)果分析
        4.4.3 基于融合特征的有效性測(cè)試和結(jié)果分析
    4.5 本章小結(jié)
5 基于FCM算法的心電信號(hào)特征分類
    5.1 模糊聚類分析
        5.1.1 聚類分析的數(shù)學(xué)模型與常用方法
        5.1.2 相似度測(cè)度
        5.1.3 模糊理論
        5.1.4 基于目標(biāo)函數(shù)的模糊聚類(FCM)
        5.1.5 FCM算法的優(yōu)勢(shì)與缺點(diǎn)
    5.2 基于FCM算法的心電信號(hào)特征分類
        5.2.1 FCM算法的改進(jìn)
        5.2.2 FCM聚類算法的收斂性分析
        5.2.3 基于FCM算法的心電特征分類算法結(jié)構(gòu)
    5.3 心電信號(hào)特征分類仿真實(shí)驗(yàn)及結(jié)果分析
        5.3.1 心電信號(hào)特征分類實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        5.3.2 基于FCM算法的心電應(yīng)用結(jié)果及分析
    5.4 本章小結(jié)
6 總結(jié)與展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果



本文編號(hào)：3192984