本文關鍵詞：標準12導聯(lián)心電信號重建方法研究

  更多相關文章： 導聯(lián)重建 心電信號 遺傳算法 BP神經網絡 分區(qū)自適應 ECG特征

【摘要】：隨著心臟疾病的日益普遍以及人們自我監(jiān)測意識的不斷增強,用于家庭監(jiān)測和遠程醫(yī)療的可穿戴式心電圖(ECG)采集系統(tǒng)日益受到人們的關注。但此類的可穿戴式設備能直接采集的ECG導聯(lián)數(shù)較少,所能提供的醫(yī)療ECG信息有限。而利用較少導聯(lián)信號重建標準12導聯(lián)信號的方法則能很好的解決這樣的問題。 本文首先提出了一種基于遺傳算法優(yōu)化的BP神經網絡法來進行標準12導聯(lián)ECG信號的重建。該方法通過遺傳算法來優(yōu)化BP神經網絡的初始權值和閾值的設置,在此基礎上BP神經網絡再進行訓練,訓練完后的網絡輸入已知的3導聯(lián)信號組即可重建出標準12導聯(lián)的其余信號。該方法在基于The PTB diagnostic ECG database建立的數(shù)據(jù)庫中進行了實驗,并且與線性變換法和普通的BP神經網絡法進行了對比。實驗結果表明,該方法有效地提高了標準12導聯(lián)ECG信號的重建效果。 本文還進一步的提出了基于ECG特征分區(qū)的自適應導聯(lián)重建方法。該方法首先將ECG波形按照特征及波動特性進行分區(qū),對每個區(qū)域的波形單獨進行訓練得到各自的最優(yōu)網絡,并且在重建時自適應地選擇不同分區(qū)的網絡進行重建。實驗結果表明,本文的分區(qū)自適應導聯(lián)重建法不僅在ECG整體波形的重建準確率上有了很大的提高,對于ECG本身的特征也有更好的重建效果。
【關鍵詞】：導聯(lián)重建 心電信號 遺傳算法 BP神經網絡 分區(qū)自適應 ECG特征
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R541.04;TN911.7
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-8
• 目錄8-10
• 圖目錄10-12
• 表目錄12-13
• 1 緒論13-18
• 1.1 課題背景與意義13-14
• 1.2 國內外研究現(xiàn)狀14-16
• 1.3 本文的研究內容與創(chuàng)新點16-17
• 1.3.1 課題研究內容16
• 1.3.2 創(chuàng)新點和關鍵技術指標16-17
• 1.4 本文的內容及組織17-18
• 2 ECG導聯(lián)重建方法簡介18-23
• 2.1 線性導聯(lián)重建方法18-19
• 2.2 非線性導聯(lián)重建方法19-22
• 2.2.1 人工神經網絡(ANN)法19-20
• 2.2.2 支持向量機(SVM)法20-22
• 2.3 本章小結22-23
• 3 基于遺傳算法優(yōu)化的BP神經網絡導聯(lián)重建方法23-56
• 3.1 數(shù)據(jù)庫建立23-25
• 3.2 波形預處理25-30
• 3.3 重建導聯(lián)組選擇30-33
• 3.3.1 導聯(lián)之間的關系30
• 3.3.2 導聯(lián)的正交性30-31
• 3.3.3 各導聯(lián)主成分分析(PCA)31-33
• 3.4 遺傳算法優(yōu)化BP神經網絡的算法設計33-37
• 3.4.1 遺傳算法優(yōu)化簡介33
• 3.4.2 BP神經網絡結構33-34
• 3.4.3 GA-BP算法用于導聯(lián)重建34-37
• 3.5 實驗結果比較37-55
• 3.5.1 重建性能評估方法37-38
• 3.5.2 實驗設置38-40
• 3.5.3 最優(yōu)訓練集采樣點個數(shù)的確定40-50
• 3.5.4 不同方法的重建結果比較50-54
• 3.5.5 實驗結果討論54-55
• 3.6 本章小結55-56
• 4 基于ECG特征分區(qū)的自適應導聯(lián)重建方法56-74
• 4.1 ECG波形特征介紹與提取56-60
• 4.1.1 ECG波形簡介56
• 4.1.2 ECG波形特征提取56-60
• 4.2 不同分區(qū)信號的自適應重建60-65
• 4.2.1 ECG波形分區(qū)方法60-61
• 4.2.2 ECG波形分區(qū)步驟61-62
• 4.2.3 自適應重建方法62-65
• 4.3 實驗結果比較65-72
• 4.3.1 數(shù)據(jù)庫建立65-66
• 4.3.2 重建性能評估方法66-67
• 4.3.3 實驗結果分析67-72
• 4.3.4 實驗結果討論72
• 4.4 本章小結72-74
• 5 總結與展望74-76
• 5.1 本文總結74-75
• 5.2 展望75-76
• 參考文獻76-80
• 作者簡歷80

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 毛健;趙紅東;姚婧婧;;人工神經網絡的發(fā)展及應用[J];電子設計工程;2011年24期

2 張學工;關于統(tǒng)計學習理論與支持向量機[J];自動化學報;2000年01期

3 陳偉偉;高潤霖;劉力生;朱曼璐;王文;王擁軍;吳兆蘇;胡盛壽;;中國心血管病報告2013概要[J];中國循環(huán)雜志;2014年07期

，

本文編號：846431