本文關鍵詞：基于隱馬爾可夫模型的J波識別技術研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：J波是出現(xiàn)在心電圖中QRS波下降支終點的一個看起來像凹口或頓挫的波形。J波是一種低幅、高頻的變異波形,往往出現(xiàn)在早期復極化綜合征和Brugada綜合征病人的心電圖中,容易導致心率失常和猝死。臨床上,醫(yī)生只能通過肉眼觀察心電圖中的J波變異,容易造成誤診。因此,J波檢測在臨床上可以作為判定某些心臟病的一種非侵入性的標記手段。本文中首先利用獨立成分分析技術從心電圖中提取原始J波信號。并利用模糊神經(jīng)網(wǎng)絡的模型對提取算法進行了改進,定義了分離度的概念,根據(jù)迭代過程中的分離度的不同選擇不同的步長,使得提取過程中的算法收斂速度和穩(wěn)態(tài)誤差達到均衡。根據(jù)提取的J波,構建了一個包括2000個心電模式的數(shù)據(jù)庫。其次,本文定義了五個能反映J波特性的特征向量,包括三個時域特征向量和兩個基于小波的特征向量,并使用特征選擇和主成分分析減少特征向量的維數(shù),作為分類器的輸入。而且,本文研究了時域特征向量的理想配置,這個理想配置是(a)140ms的時間延續(xù),(b)-20ms的起點位置,和(c)保留9個主成分。最后,利用這些特征向量訓練隱馬爾可夫模型作為分類器的輸入,輸出最終的判定結果。結果表明,本文提出的方法提供了93.8%的平均準確度,94.2%的平均敏感性,93.3%的平均特異性和93.4%的平均陽性預測值,揭示了很高的評價標準(準確度,靈敏度,特異性和陽性預測值),表明該方法有能力準確地檢測識別J波并且可以利用該方法檢測心電圖中的其他病變波形。
【關鍵詞】：J波自動檢測 心電圖 特征提取 獨立成分分析 隱馬爾可夫模型
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R540.41;O211.62
【目錄】：

• 摘要3-5
• ABSTRACT5-14
• 第一章 緒論14-20
• 1.1 課題研究背景與意義14-15
• 1.2 J波信號的研究現(xiàn)狀15-17
• 1.3 隱馬爾可夫模型的研究現(xiàn)狀與發(fā)展趨勢17-18
• 1.4 本文的主要工作和章節(jié)安排18-20
• 第二章J波的提取20-28
• 2.1 J波的介紹20-22
• 2.1.1 J波的發(fā)生機制20
• 2.1.2 J波的特征20-21
• 2.1.3 J波綜合征及其診斷特征21-22
• 2.2 ICA算法相關理論知識22-23
• 2.3 基于ICA算法的J波提取23-25
• 2.4 算法仿真及評價25-27
• 2.4.1 分離性能的評判準則25
• 2.4.2 算法仿真25-27
• 2.5 本章小結27-28
• 第三章 基于模糊神經(jīng)網(wǎng)絡改進ICA提取J波算法28-40
• 3.1 模糊神經(jīng)網(wǎng)絡概述28-30
• 3.1.1 模糊控制基本概念28-29
• 3.1.2 模糊神經(jīng)網(wǎng)絡原理29-30
• 3.2 利用模糊神經(jīng)網(wǎng)絡調整學習速率30-34
• 3.2.1 分離度30-31
• 3.2.2 模糊神經(jīng)網(wǎng)絡結構及模糊規(guī)則31-34
• 3.3 算法仿真及評價對比34-39
• 3.4 本章小結39-40
• 第四章J波的特征提取40-48
• 4.1 構建數(shù)據(jù)庫40-42
• 4.1.1 基本J波的生成40-41
• 4.1.2 構造大規(guī)模J波數(shù)據(jù)庫41-42
• 4.2 預處理42-43
• 4.2.1 利用多拍平均技術去提高信噪比42-43
• 4.2.2 定位QRS波群終點43
• 4.3 提取特征向量43-47
• 4.3.1 時域特征向量I43-44
• 4.3.2 時域特征向量II44
• 4.3.3 時域特征向量III44
• 4.3.4 基于離散小波的特征向量44-45
• 4.3.5 基于連續(xù)小波變換的特征向量45-47
• 4.4 本章小結47-48
• 第五章 基于隱馬爾可夫模型的J波自動識別48-60
• 5.1 隱馬爾可夫模型基本理論48-50
• 5.2 基于隱馬爾可夫模型進行J波自動識別50-52
• 5.2.1 特征向量統(tǒng)計檢驗和特征選擇50-51
• 5.2.2 分類識別51-52
• 5.3 算法仿真及評價對比52-58
• 5.3.1 評價標準定義52-53
• 5.3.2 時域特征向量I的最佳配置確定53-54
• 5.3.3 算法性能分析54-55
• 5.3.4 與其他算法進行對比55-58
• 5.4 分析與結論58-59
• 5.4.1 分析58-59
• 5.4.2 結論59
• 5.5 本章小結59-60
• 第六章 總結與展望60-64
• 6.1 總結60-62
• 6.2 不足之處62
• 6.3 下一步工作及前景展望62-64
• 參考文獻64-70
• 致謝70-72
• 攻讀碩士學位期間發(fā)表的學術論文和科技成果72-74
• 攻讀碩士期間參與的項目74

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張慧麗;;基于混合二階隱馬爾可夫模型的基因結構預測[J];電腦知識與技術(學術交流);2007年14期

2 侯昭武;;隱馬爾可夫模型的拓樸應用[J];河南師范大學學報(自然科學版);2009年06期

3 黃崗;;馬爾可夫及隱馬爾可夫模型的應用[J];電子設計工程;2013年17期

4 王新民;基于因子分析的隱馬爾可夫模型(英文)[J];華中師范大學學報(自然科學版);2004年02期

5 曹林;王東峰;鄒謀炎;;基于隱馬爾可夫模型的人像鑒別算法[J];中國科學院研究生院學報;2006年01期

6 鄒凌云;王正志;黃教民;;基于序列拓撲和二階隱馬爾可夫模型的跨膜蛋白亞細胞定位預測[J];激光生物學報;2008年02期

7 馮志偉;;隱馬爾可夫模型及其在自動詞類標注中的應用[J];燕山大學學報;2013年04期

8 趙征鵬,楊鑒,普園媛,尉洪;基于隱馬爾可夫模型的非母語說話人口音識別[J];云南大學學報(自然科學版);2004年S1期

9 杜世平;;帶駐留時間隱馬爾可夫模型學習算法的改進[J];西南民族大學學報(自然科學版);2008年04期

10 朱明;郭春生;;隱馬爾可夫模型及其最新應用與發(fā)展[J];計算機系統(tǒng)應用;2010年07期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 史笑興;王太君;何振亞;;論二階隱馬爾可夫模型與一階隱馬爾可夫模型的關系[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

2 馬勇;金峗;顧明亮;趙力;;基于隱馬爾可夫模型的漢語方言辨識[A];2009’中國西部地區(qū)聲學學術交流會論文集[C];2009年

3 吳志強;陳珂;遲惠生;;基于隱馬爾可夫模型的有限詞匯集內與文本無關的說話人辨認的研究[A];第四屆全國人機語音通訊學術會議論文集[C];1996年

4 徐毅瓊;李弼程;王波;;隱馬爾可夫模型在人臉檢測與識別中的應用[A];現(xiàn)代通信理論與信號處理進展——2003年通信理論與信號處理年會論文集[C];2003年

5 吳成東;柴佩琪;;基于分類的隱馬爾可夫模型的聲母識別[A];第一屆全國語言識別學術報告與展示會論文集[C];1990年

6 徐東風;周萍;景新幸;;改進隱馬爾可夫模型的非線性分段技術應用[A];中國聲學學會2007年青年學術會議論文集（下）[C];2007年

7 邢穎;南敬昌;;基于隱馬爾可夫模型的人臉檢測與識別系統(tǒng)[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

8 秦勇;莫福源;李昌立;關定華;;基于隱馬爾可夫模型的漢語二字詞音調模式識別[A];第三屆全國人機語音通訊學術會議論文集[C];1994年

9 楊文強;鄧明華;錢敏平;;隱馬爾可夫模型與剪切位點識別[A];中國運籌學會第六屆學術交流會論文集（下卷）[C];2000年

10 馬曉川;劉冬;趙榮椿;;孤立短語隱馬爾可夫模型自動建模軟件的實現(xiàn)[A];第四屆全國人機語音通訊學術會議論文集[C];1996年

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 李杰;隱馬爾可夫模型的研究及其在圖像識別中的應用[D];清華大學;2004年

2 夏麗莎;基于隱馬爾可夫模型的故障診斷及相關算法研究[D];華中科技大學;2014年

3 劉韜;基于隱馬爾可夫模型與信息融合的設備故障診斷與性能退化評估研究[D];上海交通大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 吳瑞琪;面向農牧民歌旋律的自動伴奏技術研究[D];河南師范大學;2015年

2 張凱;基于隱馬爾可夫模型的頻譜預測和感知方法研究[D];南京郵電大學;2015年

3 趙效毓;基于最大熵隱馬爾可夫模型的基因啟動子識別[D];南京農業(yè)大學;2014年

4 白雁飛;基于隱馬爾可夫模型的J波識別技術研究[D];太原理工大學;2016年

5 王宇寧;隱馬爾可夫模型在信息抽取中的應用研究[D];大連理工大學;2007年

6 楊戰(zhàn);基于隱馬爾可夫模型的自動和弦識別[D];哈爾濱工業(yè)大學;2010年

7 王國剛;n階隱馬爾可夫模型的參數(shù)估計[D];南京郵電大學;2011年

8 鄭小飛;基于隱馬爾可夫模型的驗證碼識別方法研究[D];哈爾濱工程大學;2013年

9 劉高文;基于隱馬爾可夫模型的視覺行為分析和異常檢測研究[D];南京理工大學;2008年

10 陳倩;基于隱馬爾可夫模型脈象信號分類[D];哈爾濱工業(yè)大學;2010年

  本文關鍵詞：基于隱馬爾可夫模型的J波識別技術研究，由筆耕文化傳播整理發(fā)布。

本文編號：427638