本文關鍵詞：基于RR間期與稀疏分解的房顫檢測方法研究　出處：《河北大學》2015年碩士論文　論文類型：學位論文

  更多相關文章： 房顫檢測 RR 間期 直方圖 稀疏分解 LS-SVM

【摘要】：隨著人口老齡化的日益嚴重以及導致房顫發(fā)生的因素增多,房顫已成為我國乃至全球最為常見的心律失常。因此,及早地發(fā)現房顫,對減少病人的發(fā)病率和死亡率,以及減少經濟上的負擔都具有重要的臨床和社會意義。目前,已有的房顫檢測算法尚未妥善解決特征提取問題,所以房顫檢測錯誤率仍較高。稀疏分解可以實現數據壓縮的高效性,更重要的是可以利用字典的冗余特性捕捉信號內在的本質特征。本文利用稀疏分解這一優(yōu)越性,將其應用于本文的房顫檢測算法當中。RR間期絕對不規(guī)整是房顫發(fā)生時的一重要心電圖特征,本文基于房顫的這一特點展開深入研究,設計了基于RR間期與稀疏分解的房顫自動檢測算法。論文主要研究內容如下:(1)心電信號預處理。本文利用ΔRR間期直方圖對正常和房顫兩類原始心電信號進行預處理,使房顫RR間期分布特征更加明顯。其中,直方圖寬度值M選取101,是為了細分直方圖,以增大分辨率,但為了使維數不增大,僅將直方圖中有效的部分留下,去除多余的“0”值部分,將維數降至15維以提高整體的靈敏度。實驗結果表明,這樣做不僅準確率高,而且算法運行時間短。(2)稀疏分解在房顫檢測算法中的應用。本文從預處理后的直方圖數據中隨機選取一定數量的樣本進行原子庫設計,在此基礎上構造兩個子類字典,分別是正常心電信號字典和房顫心電信號字典。分別求心電信號在兩個字典上的稀疏表示,這樣能夠保留更多的信號特征。最后采用最小二乘支持向量機(LS-SVM)進行分類。經MIT-BIH房顫數據庫驗證,本文房顫檢測算法的準確率、靈敏度和特異性分別達到了96.92%、97.93%和95.50%。實驗結果表明,本文算法在房顫檢測時達到了較高的準確率。
【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】

中國期刊全文數據庫 前4條

1 劉浩;潘煒;;基于FHT的實信號稀疏分解快速算法[J];西南交通大學學報;2009年01期

2 王春光;劉金江;孫即祥;;基于稀疏分解和模糊理論的心電信號波形檢測及識別[J];信號處理;2009年07期

3 戴呼合;姜守達;;基于ICA和小波變換的房顫F波提取算法[J];儀器儀表學報;2011年08期

4 黃從新;馬長生;楊延宗;黃德嘉;張澍;江洪;楊新春;吳書林;馬堅;劉少穩(wěn);李莉;曹克將;王方正;陳新;;心房顫動：目前的認識和治療建議(二)[J];中華心律失常學雜志;2006年03期

中國碩士學位論文全文數據庫 前1條

1 白家蓮;動態(tài)心電信號分析系統(tǒng)設計[D];中南大學;2009年

，

本文編號：1311658