發(fā)布時(shí)間：2017-08-14 07:07

  本文關(guān)鍵詞：心電信號(hào)檢測(cè)算法研究

  更多相關(guān)文章： 心電信號(hào)(ECG) 心電檢測(cè) 小波分析 小波神經(jīng)網(wǎng)絡(luò)

【摘要】：心血管疾病是威脅人類生命的主要疾病之一,而心電信號(hào)(electrocardiogram,ECG)則是評(píng)價(jià)心臟功能的主要依據(jù),因此,關(guān)于心電信號(hào)檢測(cè)處理的研究一直為各方所關(guān)注。隨有計(jì)算機(jī)技術(shù)的進(jìn)步,所采用的方法也在不斷的改進(jìn)中。 心電信號(hào)受人體生理狀態(tài)的影響而呈現(xiàn)復(fù)雜的形態(tài),同時(shí)個(gè)體的差異也使心電信號(hào)千差萬別,測(cè)量系統(tǒng)的隨機(jī)干擾也會(huì)耦合到心電信號(hào)劣化波形。從信號(hào)處理角度研究心電信號(hào),具有以下性質(zhì):1 準(zhǔn)周期性信號(hào);2 低頻窄帶信號(hào),心搏的生物學(xué)機(jī)理決定心電信號(hào)的頻譜分布在0.5～50Hz范圍內(nèi);3 非平穩(wěn)信號(hào),心搏受到各種生理狀態(tài)的綜合影響;4 非線性時(shí)變信號(hào)。這些都對(duì)心電信號(hào)的檢測(cè)造成了一定的困難! 本文首先簡(jiǎn)要綜述了心電波形檢測(cè)處理算法的現(xiàn)狀,并對(duì)目前己有的心電檢測(cè)算法作了比較,對(duì)它們各自的有代表性的幾種算法進(jìn)行了描述,分析其特點(diǎn)和不足之處。 針對(duì)以往心電檢測(cè)處理算法的不足,本文提出了基于小波神經(jīng)網(wǎng)絡(luò)的心電檢測(cè)算法。小波神經(jīng)網(wǎng)絡(luò)算法具有自學(xué)習(xí)自適應(yīng)的特點(diǎn),因此能夠?qū)π呐牡牟ㄐ涡螒B(tài)信息進(jìn)行實(shí)時(shí)更新。然后本文選取了4個(gè)參量進(jìn)行檢測(cè),通過MIT/BIH心電數(shù)據(jù)庫數(shù)據(jù)的實(shí)驗(yàn)研究證明,其檢測(cè)精度和房顫的靈敏度分別高達(dá)99.51%和96.84%,這是以往的特征檢測(cè)算法所不能達(dá)到的。并且,由于其特征檢測(cè)規(guī)則,該算法在分析速度上也達(dá)到了令人滿意的效果。
【關(guān)鍵詞】：心電信號(hào)(ECG) 心電檢測(cè) 小波分析 小波神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：中南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2005
【分類號(hào)】：R318
【目錄】：

• 摘要3-4
• ABSTRACT4-9
• 第一章 緒論9-16
• 1.1 本課題的研究意義9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-14
• 1.2.1 心電信號(hào)檢測(cè)處理現(xiàn)狀10-13
• 1.2.2 心電信號(hào)的檢測(cè)與識(shí)別13-14
• 1.3 論文的主要研究?jī)?nèi)容14-16
• 第二章 心電信號(hào)基礎(chǔ)16-28
• 2.1 心電信號(hào)產(chǎn)生原理與電生理特性16-19
• 2.1.1 心肌細(xì)胞的膜電位17
• 2.1.2 心肌的除極和復(fù)極17-18
• 2.1.3 心肌細(xì)胞的不應(yīng)期18-19
• 2.2 心電測(cè)量和導(dǎo)聯(lián)19-24
• 2.2.1 臨床常見的心電圖檢查19
• 2.2.2 常規(guī)心電圖和體表電位分部圖19
• 2.2.3 心電圖基礎(chǔ)19-20
• 2.2.4 常規(guī)心電圖導(dǎo)聯(lián)系統(tǒng)20-24
• 2.3 MIT/ BIH心電圖數(shù)據(jù)庫24-25
• 2.4 ECG噪聲產(chǎn)生原因及其特性25-26
• 2.5 小結(jié)26-28
• 第三章 ECG波形檢測(cè)算法研究28-45
• 3.1 心電信號(hào)的預(yù)處理28-30
• 3.2 QRS波檢測(cè)算法研究30-41
• 3.2.1 基于濾波和閾值檢測(cè)的方法31-36
• 3.2.2 基于數(shù)學(xué)模型的檢測(cè)方法36-37
• 3.2.3 基于模板匹配的檢測(cè)方法37-38
• 3.2.4 基于圖形識(shí)別的檢測(cè)方法38
• 3.2.5 基于小波變換的檢測(cè)方法38-40
• 3.2.6 基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法40-41
• 3.3 其他波段檢測(cè)算法研究41-43
• 3.3.1 P波和 T波檢測(cè)方法41-42
• 3.3.2 ST段檢測(cè)方法42-43
• 3.3.2.1 ST段特征點(diǎn)檢測(cè)42-43
• 3.3.2.2 ST段斜率檢測(cè)43
• 3.3.2.3 ST段面積檢測(cè)43
• 3.4 小結(jié)43-45
• 第四章 基于小波神經(jīng)網(wǎng)絡(luò)的心電信號(hào)檢測(cè)算法45-62
• 4.1 引言45-46
• 4.2 小波分析46-49
• 4.2.1 小波變換46-48
• 4.2.2 小波變換的類型48-49
• 4.2.2.1 連續(xù)小波變換48
• 4.2.2.2 小波框架48-49
• 4.2.2.3 正交小波變換49
• 4.2.2.4 小波變換的物理解釋49
• 4.3 神經(jīng)網(wǎng)絡(luò)49-50
• 4.3.1 神經(jīng)網(wǎng)絡(luò)概述49-50
• 4.3.2 神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)50
• 4.4 小波神經(jīng)網(wǎng)絡(luò)50-53
• 4.4.1 小波神經(jīng)網(wǎng)絡(luò)作為房顫信號(hào)診斷的特點(diǎn)與算法50-51
• 4.4.2 小波神經(jīng)網(wǎng)絡(luò)的定義51
• 4.4.3 小波神經(jīng)網(wǎng)絡(luò)的理論51-53
• 4.4.4 小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法53
• 4.5 用于心電信號(hào)檢測(cè)和房顫診斷的小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)53-54
• 4.6 基于 MATLAB的小波神經(jīng)網(wǎng)絡(luò)算法的模擬和仿真54-60
• 4.6.1 MATLAB簡(jiǎn)介54-55
• 4.6.2 基于小波神經(jīng)網(wǎng)絡(luò)的心電檢測(cè)房顫診斷算法實(shí)現(xiàn)55
• 4.6.3 算法簡(jiǎn)介55-56
• 4.6.4 小波網(wǎng)絡(luò)對(duì)心電的檢測(cè)和房顫診斷效果56-60
• 4.7 小結(jié)60-62
• 第五章 總結(jié)與展望62-64
• 5.1 總結(jié)62
• 5.2 展望62-64
• 參考文獻(xiàn)64-70
• 程序附錄I70-79
• 致謝79-80
• 在校期間發(fā)表 (含待發(fā))論文情況80

【引證文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前9條

1 余正鋒;早搏信號(hào)的小波模極大值多重分形分析[D];南京郵電大學(xué);2011年

2 曹文靜;心內(nèi)心電圖分析的關(guān)鍵技術(shù)研究及應(yīng)用[D];東北大學(xué);2009年

3 黃茁;基于小波變換的心電圖處理與分析研究[D];中南大學(xué);2008年

4 鄭鵬;基于小波與神經(jīng)網(wǎng)絡(luò)的心電信號(hào)自動(dòng)分析技術(shù)研究[D];蘇州大學(xué);2010年

5 顧遠(yuǎn);心電信號(hào)去噪及效果評(píng)價(jià)研究[D];天津理工大學(xué);2012年

6 聶橋橋;智能處理在ECG檢測(cè)中的應(yīng)用研究[D];南昌航空大學(xué);2012年

7 劉文軒;GAMP壓縮算法的改進(jìn)及其在心電監(jiān)護(hù)系統(tǒng)中的應(yīng)用[D];東華大學(xué);2013年

8 劉風(fēng)華;基于心電脈搏信號(hào)的睡意檢測(cè)與識(shí)別方法研究[D];蘭州理工大學(xué);2013年

9 許加慶;基于GPU的心肌梗塞早期輔助診斷系統(tǒng)設(shè)計(jì)[D];華南理工大學(xué);2013年

，

本文編號(hào)：671360