本文關(guān)鍵詞：心電信號(hào)波形檢測(cè)與心律失常分類(lèi)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來(lái),隨著人們生活水平的提高,心血管疾病的患病率顯著增加,因病死亡人數(shù)也呈逐年上升趨勢(shì)。而在所有的心血管疾病中,心律失常是較常見(jiàn)的一種疾病,也是誘發(fā)心臟性猝死的一個(gè)根源,因此及時(shí)準(zhǔn)確的檢測(cè)出病人的心律失常,對(duì)預(yù)防心臟病和心臟猝死具有重要的意義。早期心律失常的診斷主要依靠醫(yī)生對(duì)心電圖波形的分析得出具體的心律失常類(lèi)型,受醫(yī)生的經(jīng)驗(yàn)影響很大,同時(shí)由于心律失常種類(lèi)繁多導(dǎo)致對(duì)應(yīng)的心電波形紛繁復(fù)雜,僅靠人工分析已不能滿(mǎn)足病人的要求。隨著計(jì)算機(jī)的出現(xiàn),利用智能處理技術(shù)實(shí)現(xiàn)心電信號(hào)波形檢測(cè)及心律失常的分類(lèi)成為近年來(lái)研究的熱點(diǎn),但由于噪聲干擾、個(gè)體差異等原因,要實(shí)現(xiàn)準(zhǔn)確的波形檢測(cè)和分類(lèi)還存在一些難題。本文針對(duì)心電信號(hào)的波形檢測(cè)及心律失常的分類(lèi)進(jìn)行研究,主要工作內(nèi)容及創(chuàng)新成果如下:(1)提出一種新的自適應(yīng)閾值估計(jì)方法,該方法在小波分解的不同層采用不同的閾值,能夠自適應(yīng)的去除心電信號(hào)中的基線(xiàn)漂移、肌電干擾及工頻干擾等噪聲。采用基于軟閾值的小波變換進(jìn)行去噪的仿真實(shí)驗(yàn),結(jié)果表明,自適應(yīng)的閾值估計(jì)方法優(yōu)于其他方法,能夠較好的去除各類(lèi)噪聲,最大限度的保留信號(hào)的原始特征。同時(shí)將基于軟閾值小波變換的自適應(yīng)去噪算法采用FPGA實(shí)現(xiàn),在modelsim上的仿真結(jié)果表明,基于硬件的去噪效果和軟件實(shí)現(xiàn)相當(dāng)。(2)提出一種基于組合閾值的QRS波群檢測(cè)算法,首先利用差分運(yùn)算確定信號(hào)的局部極值點(diǎn),再利用幅度閾值確定R峰的候選點(diǎn),最后利用小波閾值確定最終的R峰。仿真實(shí)驗(yàn)結(jié)果表明,算法的計(jì)算量明顯減小,具有較高的準(zhǔn)確率、實(shí)時(shí)性與魯棒性。(3)提出一種先全局后局部、逐級(jí)篩選的精英遺傳算法用于心電信號(hào)的特征選擇,在算法實(shí)現(xiàn)中,提出三種遺傳算子,分別是“優(yōu)勝劣汰擴(kuò)空間”選擇算子、拼接算子和切斷算子。結(jié)合樸素貝葉斯分類(lèi)器,仿真實(shí)驗(yàn)結(jié)果表明,算法能夠找到最優(yōu)的分類(lèi)特征子集,實(shí)現(xiàn)對(duì)心律失常的準(zhǔn)確分類(lèi)。(4)提出一種基于遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)(GAELM)用于心律失常的分類(lèi),其中,遺傳算法用于優(yōu)化單隱含層前饋神經(jīng)網(wǎng)絡(luò)隱含層的學(xué)習(xí)參數(shù)。同時(shí)提出一套基于小波變換、核主成分分析及GAELM的組合方法實(shí)現(xiàn)心電信號(hào)的波形檢測(cè)及心律失常分類(lèi)。實(shí)驗(yàn)結(jié)果表明,所提方法較其他算法運(yùn)行時(shí)間更快,準(zhǔn)確率更高。
【關(guān)鍵詞】：心律失常分類(lèi) 小波變換 FPGA 精英遺傳算法 極限學(xué)習(xí)機(jī)
【學(xué)位授予單位】：河北工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：R541.7;TN911.23
【目錄】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 緒論15-29
• 1.1 課題研究背景及意義15-16
• 1.2 心電信號(hào)16-20
• 1.2.1 心電信號(hào)產(chǎn)生的基本原理16
• 1.2.2 心電信號(hào)基本波形及其意義16-17
• 1.2.3 心律失常的分類(lèi)17-20
• 1.3 心電信號(hào)檢測(cè)技術(shù)及心律失常分類(lèi)的研究現(xiàn)狀20-26
• 1.3.1 心電信號(hào)預(yù)處理技術(shù)的研究現(xiàn)狀20-22
• 1.3.2 心電信號(hào)波形檢測(cè)與特征點(diǎn)定位的研究現(xiàn)狀22-24
• 1.3.3 心電信號(hào)特征提取的研究現(xiàn)狀24-25
• 1.3.4 心律失常分類(lèi)的研究現(xiàn)狀25-26
• 1.4 實(shí)驗(yàn)數(shù)據(jù)來(lái)源26-27
• 1.5 論文主要工作內(nèi)容及章節(jié)安排27-29
• 第二章 基于小波變換的自適應(yīng)心電信號(hào)去噪方法29-48
• 2.1 心電信號(hào)的噪聲類(lèi)型29-31
• 2.2 小波變換去噪理論31-37
• 2.2.1 小波變換31-34
• 2.2.2 小波去噪方法34-35
• 2.2.3 閾值函數(shù)35-36
• 2.2.4 閾值估計(jì)方法36-37
• 2.3 基于軟閾值小波變換的自適應(yīng)去噪方法37-41
• 2.3.1 算法總體流程37-38
• 2.3.2 小波基函數(shù)的選取38-40
• 2.3.3 小波分解層數(shù)的確定40-41
• 2.3.4 自適應(yīng)去噪算法41
• 2.4 仿真實(shí)驗(yàn)結(jié)果及分析41-46
• 2.4.1 去噪效果的評(píng)價(jià)標(biāo)準(zhǔn)41
• 2.4.2 不同閾值估計(jì)方法對(duì)去噪效果的影響41-44
• 2.4.3 小波分解層數(shù)對(duì)去噪效果的影響44
• 2.4.4 心電信號(hào)去噪結(jié)果44-46
• 2.5 本章小結(jié)46-48
• 第三章 軟閾值小波去噪算法的FPGA實(shí)現(xiàn)48-63
• 3.1 FPGA基礎(chǔ)知識(shí)48-52
• 3.2 算法原理52-56
• 3.2.1 Mallat算法52-53
• 3.2.2 分布式算法53-55
• 3.2.3 信號(hào)邊界延拓55-56
• 3.3 總體結(jié)構(gòu)設(shè)計(jì)56-59
• 3.3.1 數(shù)據(jù)精度56
• 3.3.2 總體結(jié)構(gòu)56-59
• 3.4 各功能模塊設(shè)計(jì)59-61
• 3.4.1 信號(hào)輸入模塊59
• 3.4.2 小波分解模塊59-60
• 3.4.3 閾值處理模塊的設(shè)計(jì)60-61
• 3.5 實(shí)驗(yàn)仿真與結(jié)果分析61-62
• 3.6 本章小結(jié)62-63
• 第四章 基于組合閾值的QRS波群識(shí)別算法63-73
• 4.1 常用的QRS波群檢測(cè)算法63-65
• 4.1.1 差分閾值法63-64
• 4.1.2 小波變換法64-65
• 4.2 基于幅度閾值和小波閾值的QRS波群識(shí)別算法65-68
• 4.2.1 R峰檢測(cè)原理65-66
• 4.2.2 幅度閾值及小波閾值的確定方法66-67
• 4.2.3 Q波和S波的檢測(cè)67
• 4.2.4 附加策略67-68
• 4.3 仿真實(shí)驗(yàn)結(jié)果及分析68-72
• 4.3.1 評(píng)價(jià)指標(biāo)68
• 4.3.2 實(shí)驗(yàn)結(jié)果及分析68-72
• 4.4 本章小結(jié)72-73
• 第五章 基于改進(jìn)精英遺傳算法的心電信號(hào)特征選擇73-90
• 5.1 特征選擇算法概述73-76
• 5.1.1 完全搜索算法74
• 5.1.2 啟發(fā)式搜索74-75
• 5.1.3 智能算法75-76
• 5.2 標(biāo)準(zhǔn)遺傳算法76-77
• 5.3 改進(jìn)的精英遺傳算法77-82
• 5.3.1 相關(guān)定義78-79
• 5.3.2 適應(yīng)度函數(shù)79
• 5.3.3 全局尋優(yōu)階段79-80
• 5.3.4 局部尋優(yōu)階段80-82
• 5.4 改進(jìn)的精英遺傳算法在心電信號(hào)特征選擇中的應(yīng)用82-88
• 5.4.1 實(shí)驗(yàn)數(shù)據(jù)集82-83
• 5.4.2 候選特征集83-84
• 5.4.3 特征選擇的評(píng)價(jià)標(biāo)準(zhǔn)84-86
• 5.4.4 實(shí)驗(yàn)結(jié)果及分析86-88
• 5.5 本章小結(jié)88-90
• 第六章 基于改進(jìn)極限學(xué)習(xí)機(jī)的心律失常分類(lèi)90-100
• 6.1 核主成分分析90-92
• 6.1.1 主成分分析90-91
• 6.1.2 核主成分分析91-92
• 6.2 基于遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)92-96
• 6.2.1 極限學(xué)習(xí)機(jī)92-95
• 6.2.2 遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)95-96
• 6.3 基于改進(jìn)極限學(xué)習(xí)機(jī)的心律失常分類(lèi)96-99
• 6.3.1 實(shí)驗(yàn)數(shù)據(jù)集96
• 6.3.2 不同維數(shù)約簡(jiǎn)算法對(duì)心律失常分類(lèi)性能的影響96-97
• 6.3.3 不同分類(lèi)器對(duì)心律失常分類(lèi)性能的影響97-98
• 6.3.4 GAELM算法在MITDB心律失常數(shù)據(jù)庫(kù)上的分類(lèi)性能98-99
• 6.4 本章小結(jié)99-100
• 第七章 結(jié)論和展望100-103
• 7.1 工作總結(jié)100-101
• 7.2 未來(lái)工作展望101-103
• 參考文獻(xiàn)103-112
• 致謝112-113
• 攻讀學(xué)位期間所取得的相關(guān)科研成果113

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 孫京霞,白延強(qiáng),楊玉星;一種抑制心電信號(hào)50Hz工頻干擾的改進(jìn)Levkov方法[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2000年03期

2 劉雄飛;黃茁;;基于小波神經(jīng)網(wǎng)絡(luò)的心電診斷算法的研究[J];計(jì)算機(jī)仿真;2009年04期

3 王利琴;顧軍華;梁志剛;;一種實(shí)時(shí)魯棒的QRS波群檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用與軟件;2013年12期

4 趙勇;洪文學(xué);孫士博;;基于多特征和支持向量機(jī)的心律失常分類(lèi)[J];生物醫(yī)學(xué)工程學(xué)雜志;2011年02期

5 李曉磊,邵之江,錢(qián)積新;一種基于動(dòng)物自治體的尋優(yōu)模式:魚(yú)群算法[J];系統(tǒng)工程理論與實(shí)踐;2002年11期

6 侯澍e，

本文編號(hào)：303892