【摘要】：心肌缺血/心肌梗塞是一種常見的心血管疾病,嚴重威脅著人們的生命健康。心電圖(electrocardiogram,ECG)是一種診斷心血管疾病首要選擇。它具有無創(chuàng)、操作簡單、價格低廉等優(yōu)勢。然而,心電圖檢測冠心病/心肌缺血準確率不高(60%左右)。最近,借助確定學習理論對ECG數(shù)據(jù)的準確動力學辨識,發(fā)展了一種相比ECG具有更高的準確率的方法(Cardiodynamicsgram,CDG)�；诜蔷�性動力學分析方法,本文主要研究了基于CDG的心電特征提取,分類識別與應用實現(xiàn)等問題。首先,運用功率譜法和主成分分析法對心電動力學進行非線性特性分析,基本確定心電動力學中存在混沌特性。其次,選取四個典型的非線性動力學特征:關(guān)聯(lián)維數(shù)、最大Lyapunov指數(shù)、_0C復雜度和近似熵,對心電動力學進行定量指標提取,并以箱線圖的形式對病態(tài)與非病態(tài)心電動力學進行特征分布分析,初步分析各特征對心肌缺血檢測的有效性。通過上述特征,結(jié)合兩種常見的分類器(SVM、KNN)對心肌缺血進行分類識別。結(jié)果表明,以上非線性心電動力學特征在心肌缺血分類中有較明顯的區(qū)分,所有單特征的準確率均在70%以上。其中分類效果最好的是C_0復雜度(準確率83.79%、敏感性84.21%、特異性81.38%)。再次,把以上四個特征綜合考慮,基于多個特征對心肌缺血進行分類識別。結(jié)果顯示,多特征的分類結(jié)果可達準確率86.64%、敏感性85.82%、特異性87.45%,與已有的臨床結(jié)果相符。針對于多特征的數(shù)據(jù)可視化表示問題,通過雷達圖表示法與SVM最優(yōu)分類面相結(jié)合,得到一種多邊形判別圖,為臨床診斷心肌缺血提供直觀且有效的判別信息。最后,基于MATLAB和MySQL數(shù)據(jù)庫開發(fā)了面向心肌缺血的心電工作站,工作站能夠支持心電信號的本地采集、自動分析、數(shù)據(jù)管理等功能,實現(xiàn)了本文中非線性心電動力學特征的程序計算,為醫(yī)生診斷心肌缺血提供定量的指標參量供臨床診斷參考,同時也為醫(yī)務人員管理醫(yī)案信息提供便捷。
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：R540.41;TP18;TP391.41
【圖文】：

圖 2-1 心電圖波形一個心動周期中，首先出現(xiàn)的一個小而圓鈍的波，稱為 P 波極化過程。P 波的起點激動自竇房結(jié)達到心房，其終點表示常時程為 0.08～0.11 秒，波幅不超過 0.25mV。表示以 P 波為起點到 QRS 波群起點這一段的時間間隔。QRS 波群起點代表心室開始去級。：繼 P 波之后，出現(xiàn)的一個短時程、較高幅度及波形尖銳RS 波群反映左心室和右心室的去極化過程。典型的 QRS 波動組成，分別是第一個向下的波，即 Q 波，第一個向上的 波之后向下的波，即 S 波。S 波群后的一個持續(xù)時間較長、波幅較低的向上的波，稱為程。T 波的方向與 QRS 波群的擊波方向相同。如果出現(xiàn) T為 T 波改變，主要反映心肌缺血。

第二章 預備知識結(jié)合神經(jīng)網(wǎng)絡思想，這就形成了 RBF（radial basis function）神經(jīng)網(wǎng)絡。是一種基于徑向基函數(shù)的三層前饋式結(jié)構(gòu)的神經(jīng)網(wǎng)絡，如圖 2-2 所示，其入變量傳遞到隱含層的神經(jīng)元中，隱含層神經(jīng)元通過核函數(shù)對輸入數(shù)據(jù)進出到輸出層，輸出層再對其進行線性加權(quán)，即得到神經(jīng)網(wǎng)絡的最終輸出�？梢蕴幚硐到y(tǒng)內(nèi)難以解析的規(guī)律性，具有良好的泛化能力，已成功應用于近、動態(tài)模式識別、時間序列分析、故障診斷、圖像信息處理等領域。

a) 患病受試者 b)健康受試者圖 3-1 心電動力學三維顯示圖3.3 心電動力學的非線性特性分析確定學習理論實現(xiàn)了非線性系統(tǒng)未知動態(tài)的準確辨識和建模。心電動力學圖（CDG）就是以確定學習為理論基礎對心電信號 ST-T 環(huán)進行局部準確辨識后的三維表現(xiàn)結(jié)果，既包含了狀態(tài)信息，也包含了動力學信息，是心電信號的動態(tài)信息表達。判斷心電動力學是否存在混沌現(xiàn)象是對其進行非線性動力學混沌分析的前提。目前關(guān)于混沌的定義沒有統(tǒng)一的標準，一般認為，混沌是指在確定的系統(tǒng)在一定條件下所呈現(xiàn)的不確定的或不可預測的隨機現(xiàn)象�；煦绗F(xiàn)象的三個基本特征分別是內(nèi)在隨機性、初值敏感性和非規(guī)則的有序性。確定一個系統(tǒng)或者時間序列是否存在混沌需要從多方面加以分析，結(jié)合定性分析機理，一些常用的判別系統(tǒng)或時間序列是否具有混沌特性的方法有：Poincare 截面法、功率譜法、主成分分析法和相圖法等[38]。下面我們選取功率譜法和主成分分析法對

【參考文獻】

相關(guān)期刊論文 前7條

1 王立群;;心電圖的形成原理[J];心電圖雜志(電子版);2013年03期

2 宋晉忠;嚴洪;許志;李延軍;;基于心電圖的心肌缺血非線性分析[J];北京生物醫(yī)學工程;2011年02期

3 許亮;王星;孫中偉;彭屹;;心率變異性時頻分析參數(shù)用于心電圖ST段偏移時段的判別[J];中國生物醫(yī)學工程學報;2008年01期

4 張紅煊,朱貽盛,王自明,李穎潔;基于復雜度和復雜率的心動過速和心室纖顫檢測[J];中國生物醫(yī)學工程學報;2001年05期

5 吳彤;非線性動力學混沌理論方法及其意義[J];清華大學學報(哲學社會科學版);2000年03期

6 葉繼倫,鄭崇勛,王磊,唐世鈞,黃燕;心肌缺血的運動心電信號無創(chuàng)檢測方法[J];航天醫(yī)學與醫(yī)學工程;2000年01期

7 鄭會永,肖田元,韓向利,戴冠中;心電信號的混沌分形特性分析[J];清華大學學報(自然科學版);1999年09期

相關(guān)博士學位論文 前4條

1 鄧木清;基于確定學習的人體生物信號建模識別及其應用研究[D];華南理工大學;2017年

2 曾超;HRV分析在心衰診斷和新生兒疼痛檢測中的應用研究[D];中南大學;2014年

3 王義康;高爐冶煉復雜性分析及支持向量機擴展建模預測研究[D];浙江大學;2012年

4 吳群;基于心電信號的駕駛疲勞檢測方法研究[D];浙江大學;2008年

相關(guān)碩士學位論文 前3條

1 盧荻;基于心電ST間期時頻分析的心室復極變異性研究[D];湖北工業(yè)大學;2018年

2 楊安樂;滿足指定性能約束的機械臂自適應神經(jīng)網(wǎng)絡控制與學習研究[D];華南理工大學;2017年

3 孫曉冉;面向人體心電信號的非線性動力特征分類研究[D];哈爾濱工業(yè)大學;2010年

本文編號：2766036