本文關鍵詞：基于RR間期和深度置信網絡的房顫檢測

  更多相關文章： 房顫 心電圖 RR間期差 深度置信網絡 檢測

【摘要】：房顫是臨床最常見的一種心律失常疾病,其患者每年增加。其特點是紊亂的心房活動和隨之而來的腦卒、心肌梗死等并發(fā)癥,導致較高的致殘率和死亡率,嚴重危害著人類的健康。因此,開發(fā)房顫檢測系統(tǒng),從而能及早發(fā)現(xiàn)房顫,對改善病人的治療和提高治療質量,減少病人危重病癥發(fā)生率和死亡率等有重要的臨床和社會意義。但是目前,已有的房顫檢測研究均在檢測準確率上存在不足,分析可知現(xiàn)有房顫檢測難以提取穩(wěn)定、能有效判別房顫的特征。本論文將對心電圖中的房顫檢測展開研究,提出高靈敏度、特異性強的房顫檢測方法。論文主要研究工作如下:1、RR間期數(shù)據的處理。本論文采用兩種方法對數(shù)據進行處理,一是基于直方圖的分析研究,處理心電信號的RR間期的序列求得RR間期差序列,然后計算RR間期差直方圖和香農熵;二是基于符號動力學的分析研究,將RR間期差序列轉換成符號序列,求子串長度概率分布的香農熵。直接以RR間期數(shù)據為輸入則存在數(shù)據偏移問題,間期處理后的數(shù)據克服了這一問題。2、采用深度置信網絡(Deep Belief Networks,DBNs)進行房顫的檢測。它是近年興起的機器學習模型,結合了無監(jiān)督學習過程和有監(jiān)督學習過程。由于心電信號復雜多變,且受到多種噪聲干擾,現(xiàn)有房顫檢測難以提取穩(wěn)定、能有效判別房顫的特征,甚至有時醫(yī)生進行診斷時也無法判斷,因此本論文選取深度置信網絡,特征提取和分類融合的方法,通過對大量數(shù)據進行學習,實現(xiàn)房顫的檢測。通過MIT-BIH數(shù)據庫上的實驗結果表明,本論文提出的方法有較高的性能,說明本論文方法具有心電信號檢測房顫的能力。
【學位授予單位】：河北大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R541.75;TN911.7

【參考文獻】

中國期刊全文數(shù)據庫 前2條

1 陳煜;辛怡;王振宇;李勤;;基于多尺度小波熵的陣發(fā)性房顫識別方法[J];航天醫(yī)學與醫(yī)學工程;2013年05期

2 周自強,胡大一,陳捷,張仁漢,李奎寶,趙秀麗;中國心房顫動現(xiàn)狀的流行病學研究[J];中華內科雜志;2004年07期

中國博士學位論文全文數(shù)據庫 前4條

1 萬相奎;心電信號分析與虛擬式心電自動分析儀的開發(fā)[D];重慶大學;2005年

2 于向光;中國制造業(yè)生產率研究[D];吉林大學;2008年

3 黃超;動態(tài)心電圖中房顫自動檢測算法研究及其臨床應用[D];浙江大學;2013年

4 陳宇;基于深度置信網絡的中文信息抽取方法[D];哈爾濱工業(yè)大學;2014年

，

本文編號：1141515