遠(yuǎn)程心電監(jiān)護(hù)作為現(xiàn)代醫(yī)療的新興技術(shù)手段之一給患者提供了針對(duì)心臟疾病的早期預(yù)警和及時(shí)治療,因此日益得到廣泛的應(yīng)用。然而由于遠(yuǎn)程系統(tǒng)的移動(dòng)終端由用戶在日常生活中隨身攜帶,使得信號(hào)更易受到諸如身體移動(dòng),呼吸,環(huán)境變化,運(yùn)動(dòng)偽跡等影響,從而造成誤報(bào)警。而大量的誤報(bào)警可能造成醫(yī)生產(chǎn)生對(duì)報(bào)警信號(hào)的信任缺失,從而忽略真正的報(bào)警,延遲甚至于忽視對(duì)疾病的診斷,降低了遠(yuǎn)程心電監(jiān)護(hù)的效果和意義,浪費(fèi)大量寶貴的診療資源。因此,在使用心電信號(hào)診斷之前,應(yīng)先將其分為可用于和不可用于醫(yī)療診斷兩類,即質(zhì)量評(píng)估,是十分必要的。本文詳細(xì)分析了心電信號(hào)(Electrocardiogram, ECG)的線性與非線性特征,并根據(jù)這些特征在信號(hào)質(zhì)量環(huán)境中的不同反映,進(jìn)而得到多個(gè)質(zhì)量指標(biāo),然后結(jié)合模式識(shí)別算法如支持向量分類機(jī)(Support vector machine, SVM),對(duì)信號(hào)質(zhì)量進(jìn)行評(píng)估分類。然而,目前對(duì)心電信號(hào)質(zhì)量指標(biāo)的分析與獲取存在三個(gè)方面問題需要進(jìn)一步深入研究：一方面,信號(hào)特征空間的擴(kuò)展,即信號(hào)特征種類的增多。心電特征不僅僅局限于目前常用的波形特征和頻域功率譜特征,而應(yīng)該擴(kuò)展到非線性空間,即分析信號(hào)的非線性特征,如熵(Entropy),Lempel-Ziv (LZ)復(fù)雜度,李雅普諾夫指數(shù)等。特征空間的擴(kuò)展能更加全面的反映信號(hào)的固有性質(zhì),再者心電信號(hào)本質(zhì)上是一種非線性信號(hào),因此對(duì)信號(hào)進(jìn)行非線性分析能更準(zhǔn)確地展現(xiàn)信號(hào)所含信息。另一方面,信號(hào)非線性特征的度量算法還需要提高精度和進(jìn)一步研究。尤其是熵與LZ算法都是時(shí)間序列復(fù)雜度的測(cè)度,然而它們對(duì)于序列復(fù)雜度的定義不盡相同,這說明它們所測(cè)度的時(shí)間序列的信息并不一致,進(jìn)而影響到它們?cè)谫|(zhì)量評(píng)估中的使用方式也不同,但是熵與LZ復(fù)雜度在信號(hào)質(zhì)量評(píng)估中的使用準(zhǔn)則和方式,尚無研究明確給出,因而需要深入分析才能正確使用這些算法,提高分析精度；對(duì)于LZ算法而言,其所測(cè)度的是序列的隨機(jī)性,而其又往往將隨機(jī)性與非線性混沌特性混淆在一起,因此對(duì)于該算法還要進(jìn)一步的改進(jìn)。再一方面,增加從信號(hào)的每一個(gè)特征中所提取的質(zhì)量指標(biāo)個(gè)數(shù)。目前相當(dāng)多的研究中,對(duì)于信號(hào)的每一種特征僅僅得到一種質(zhì)量指標(biāo)。事實(shí)上這并不能完全反映該特征所承載的信息,甚者若設(shè)置或閾值選擇不當(dāng),還會(huì)遺漏了該特征信息,造成該特征對(duì)于信號(hào)分析起不到任何作用,這是因?yàn)槊總�(gè)信號(hào)特征有多種表現(xiàn)形式。因此不能從一個(gè)信號(hào)特征中只得到一種質(zhì)量指標(biāo),而應(yīng)該盡可能地提取多個(gè)指標(biāo),從而盡量少的遺漏該特征所反映的信號(hào)所含信息,如從信號(hào)的基線特征中,不僅可以得到信號(hào)基線的最高電壓指標(biāo),也應(yīng)該提取基線的一個(gè)時(shí)間窗口內(nèi)持續(xù)電壓作為指標(biāo)。這是因?yàn)橛行┬碾姲l(fā)生基線漂移時(shí),表現(xiàn)為基線在某點(diǎn)具有相當(dāng)大的電壓值,有一些則表現(xiàn)為心電基線在一個(gè)時(shí)間段內(nèi)持續(xù)具有較高電壓。本文正是基于以上問題進(jìn)行研究,在對(duì)移動(dòng)心電信號(hào)噪聲研究分析的基礎(chǔ)上,提出并使用了信號(hào)時(shí)、頻域特征所衍生的六個(gè)質(zhì)量指標(biāo),結(jié)合支持向量機(jī)進(jìn)行質(zhì)量分類。研究結(jié)果表明,信號(hào)時(shí)頻指標(biāo)在質(zhì)量評(píng)估中可以得到較好的結(jié)果,然而其泛化能力較弱,分類精度不高。本文在給出了心電信號(hào)噪聲模型的基礎(chǔ)上,進(jìn)一步分析心電信號(hào)的非線性特征,如多尺度樣本熵(多尺度熵,Multi-scale entropy, MSE)與LZ復(fù)雜度算法,給出了這些算法在質(zhì)量評(píng)估環(huán)境中的應(yīng)用原則與方法,在理論上完善了這兩種算法；并提出了一個(gè)新的編碼式LZ(Encoding LZ, ELZ)復(fù)雜度算法,從理論上完善了多尺度熵與LZ復(fù)雜度,并對(duì)LZ算法進(jìn)行了有效的創(chuàng)新。最終本文分析并給出非線性特征所衍生的質(zhì)量指標(biāo),融合了時(shí)頻指標(biāo),結(jié)合支持向量分類機(jī)評(píng)估了移動(dòng)心電信號(hào)質(zhì)量。由于在研究過程中大量用到心電信號(hào)噪聲模型,而為了得到貼近真實(shí)的仿真信號(hào),噪聲源模型是一個(gè)重要因素,因此本文進(jìn)一步的對(duì)心電信號(hào)噪聲源模型做了分析,并給出了一種基于時(shí)變自回歸(Time-varing autogression,寸變AR)模型的噪聲源模型。本文研究所得出的結(jié)論對(duì)于移動(dòng)心電質(zhì)量評(píng)估有重要的理論指導(dǎo)意義,對(duì)進(jìn)一步的度量時(shí)間序列的不規(guī)則性具有促進(jìn)作用。論文主要工作如下：1.詳細(xì)分析了移動(dòng)心電的時(shí)、頻域特征,包括導(dǎo)聯(lián)脫落,基線漂移,R波檢測(cè),功率譜等,從這些特征中針對(duì)性的分析得出了六個(gè)質(zhì)量指標(biāo),同時(shí)結(jié)合支持向量分類機(jī)去評(píng)估信號(hào)質(zhì)量。研究表明,來自于波形特征和頻域功率譜的質(zhì)量指標(biāo)較為明顯且計(jì)算簡(jiǎn)單,能較好地反映信號(hào)所含信息,對(duì)信號(hào)中所含噪聲有一定敏感性。然而其泛化能力較弱,評(píng)估精度難以進(jìn)一步提高。2.詳細(xì)分析了多尺度熵,LZ復(fù)雜度算法在移動(dòng)心電信號(hào)質(zhì)量評(píng)估應(yīng)用環(huán)境中的應(yīng)用�？疾炝硕喑叨褥嘏cLZ算法對(duì)心電信號(hào)中不同類型噪聲含量的敏感性與變化趨勢(shì),針對(duì)性的提出了多尺度熵與LZ復(fù)雜度在應(yīng)用于信號(hào)質(zhì)量評(píng)估時(shí),應(yīng)該遵循的準(zhǔn)則和使用方法。研究表明,多尺度熵與LZ復(fù)雜度都能反映信號(hào)中噪聲含量,但對(duì)不同類型噪聲的敏感性不同,且當(dāng)用于信號(hào)質(zhì)量評(píng)估時(shí),多尺度熵的尺度因子有一定的取值范圍,且信號(hào)也應(yīng)做相應(yīng)的預(yù)處理。3.針對(duì)LZ復(fù)雜度算法混淆了信號(hào)的不規(guī)則性與混沌特性,從而導(dǎo)致其在質(zhì)量評(píng)估中的誤差,首次提出了一種新的ELZ算法。ELZ將原始時(shí)間序列轉(zhuǎn)換為八狀態(tài)的字符序列,從而避免了傳統(tǒng)LZ復(fù)雜度中二值化序列產(chǎn)生的過粗�；瘜�(dǎo)致的序列信息丟失現(xiàn)象,和多狀態(tài)LZ復(fù)雜度的狀態(tài)過多引起的計(jì)算量增茄。研究結(jié)果表明,該算法能較好的區(qū)分信號(hào)的不規(guī)則性與混沌特征,能夠更準(zhǔn)確地反映信號(hào)中的隨機(jī)成分含量。4.融合心電信號(hào)的線性與非線性特征,提出19個(gè)質(zhì)量指標(biāo),并結(jié)合最小二乘支持向量分類機(jī)對(duì)信號(hào)進(jìn)行質(zhì)量分類。研究表明線性質(zhì)量指標(biāo)與非線性質(zhì)量指標(biāo)融合能較為全面的反映信號(hào)所含信息,尤其是非線性指標(biāo)對(duì)于那些時(shí)頻指標(biāo)不能區(qū)分的信號(hào)具有良好的分辨率。5.針對(duì)目前遠(yuǎn)程醫(yī)療所采集的移動(dòng)心電信號(hào),詳細(xì)分析其噪聲特點(diǎn)。由于研究工作需要在許多仿真心電信號(hào)上進(jìn)行實(shí)驗(yàn),因此必須構(gòu)建貼近真實(shí)的心電信號(hào)噪聲模型。本文分析并給出了三種噪聲源模型,分別是用不同頻帶的色噪聲模擬真實(shí)心電噪聲的噪聲源模型和用MIT/BIH數(shù)據(jù)庫(kù)提供的有限長(zhǎng)且單一的真實(shí)心電噪聲作為噪聲源模型,以及一種新的基于時(shí)變自回歸(time-varying Autoregressive, AR)模型的噪聲源模型。從而為進(jìn)一步的研究做了實(shí)驗(yàn)基礎(chǔ)和準(zhǔn)備工作。
【學(xué)位單位】：山東大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2015
【中圖分類】：TN911.6;R318
【部分圖文】：

圖１－１遠(yuǎn)程屯、臟監(jiān)護(hù)系統(tǒng)示意圖Ｗ及移動(dòng)屯、電數(shù)據(jù)的巧輸過程逡逑然而，遠(yuǎn)程屯、電監(jiān)護(hù)系統(tǒng)仍然存在一些問題：逡逑其一，遠(yuǎn)程屯、電信號(hào)的＂信息過載＂（Ｉｎ仿ｒｍａｔｉｏｎ邋ｏｖｅｒｌｏａｄ）。由于遠(yuǎn)程監(jiān)護(hù)逡逑系統(tǒng)采集的是長(zhǎng)時(shí)間動(dòng)態(tài)屯、電信號(hào)，其中蘊(yùn)含了大量的屯、電信息。面對(duì)如此廟大逡逑

山東大學(xué)博±學(xué)位論文逡逑電波形中的ＳＴ段有較大影響，而ＳＴ段對(duì)屯、肌缺血和也肌梗死有重要診療價(jià)值。逡逑圖１－２所示為一個(gè)基線漂移的ＥＣＧ。逡逑圖１－２呼吸引起的基線漂移逡逑肌電干擾：由人體活動(dòng)，肌肉緊張收縮引起的干擾，幅度為ｍＶ級(jí)，屬于高逡逑頻干擾，頻率范圍較廣，為１０－１０００邋Ｈｚ，其幅值大約是屯噸峰值的１０％持續(xù)時(shí)逡逑間為５０邋ｍｓ左右。形式為屯噸波形上的一些細(xì)小的波動(dòng)，其掩蓋了真實(shí)屯噸波形逡逑中的細(xì)節(jié)，使屯、電圖模糊不清或失真，造成如電圖難Ｗ識(shí)別。一般情況下，可將逡逑其作為有限帶寬的高斯白噪聲處理。圖１－３所示為一個(gè)存在肌電干擾的ＥＣＧ。逡逑圖１－３存在肌電干擾的屯、電信號(hào)逡逑運(yùn)動(dòng)偽跡：由于使用者隨身攜帶屯、電采集終端，因此用戶的日常行為，身體逡逑移動(dòng)可能產(chǎn)生電極移動(dòng)，形成運(yùn)動(dòng)偽跡使也電信號(hào)基線的短暫改變。一般情況下，逡逑這種變化基本形式為短暫的基線漂移，會(huì)持續(xù)１００－５００邋ｍｓ。對(duì)Ｔ波影響較為明顯。逡逑對(duì)于移動(dòng)屯、電信號(hào)而言

山東大學(xué)博±學(xué)位論文逡逑電波形中的ＳＴ段有較大影響，而ＳＴ段對(duì)屯、肌缺血和也肌梗死有重要診療價(jià)值。逡逑圖１－２所示為一個(gè)基線漂移的ＥＣＧ。逡逑圖１－２呼吸引起的基線漂移逡逑肌電干擾：由人體活動(dòng)，肌肉緊張收縮引起的干擾，幅度為ｍＶ級(jí)，屬于高逡逑頻干擾，頻率范圍較廣，為１０－１０００邋Ｈｚ，其幅值大約是屯噸峰值的１０％持續(xù)時(shí)逡逑間為５０邋ｍｓ左右。形式為屯噸波形上的一些細(xì)小的波動(dòng)，其掩蓋了真實(shí)屯噸波形逡逑中的細(xì)節(jié)，使屯、電圖模糊不清或失真，造成如電圖難Ｗ識(shí)別。一般情況下，可將逡逑其作為有限帶寬的高斯白噪聲處理。圖１－３所示為一個(gè)存在肌電干擾的ＥＣＧ。逡逑圖１－３存在肌電干擾的屯、電信號(hào)逡逑運(yùn)動(dòng)偽跡：由于使用者隨身攜帶屯、電采集終端，因此用戶的日常行為，身體逡逑移動(dòng)可能產(chǎn)生電極移動(dòng)，形成運(yùn)動(dòng)偽跡使也電信號(hào)基線的短暫改變。一般情況下，逡逑這種變化基本形式為短暫的基線漂移，會(huì)持續(xù)１００－５００邋ｍｓ。對(duì)Ｔ波影響較為明顯。逡逑對(duì)于移動(dòng)屯、電信號(hào)而言

【共引文獻(xiàn)】

相關(guān)期刊論文 前2條

1 李春曦;林卿;葉學(xué)民;;基于復(fù)雜度的軸流風(fēng)機(jī)動(dòng)葉偏移時(shí)聲壓信號(hào)的表征[J];動(dòng)力工程學(xué)報(bào);2015年01期

2 Ya-tao ZHANG;Cheng-yu LIU;Shou-shui WEI;Chang-zhi WEI;Fei-fei LIU;;ECG quality assessment based on a kernel support vector machine and genetic algorithm with a feature matrix[J];Journal of Zhejiang University-Science C(Computers & Electronics);2014年07期

相關(guān)碩士學(xué)位論文 前1條

1 寇明春;心電信號(hào)質(zhì)量評(píng)估方法研究[D];蘭州理工大學(xué);2014年

本文編號(hào)：2828163