基于递归最小二乘法的回声状态网络算法用于心电信号降噪

远程医疗的复杂环境中,心电信号极易被噪声淹没,从而影响心血管疾病的智能诊断。基于此,本文提出了一种基于递归最小二乘法的回声状态网络心电信号降噪算法。该算法通过递归最小二乘法对该网络进行训练,可自动学习得到含噪心电数据中非线性的且具有区分度的深层次特征,并利用这些特征自动分离心电信号与噪声。实验中,采用信噪比和均方根误差为指标,将本文方法与基于子带自适应阈值的小波变换法和S变换法进行比较。实验结果表明,本方法降噪精度更优,同时信号的低频成分也得到了很好的保持。本文方法可做到消除心电信号中的复杂噪声并完整保留心电信号的形态,为心电图的特征检测和心血管疾病的智能诊断奠定了基础。

基于形态学特征的下壁心肌梗死检测

下壁心肌梗死的早期检测是降低下壁心肌梗死死亡率的重要手段。针对现有的下壁心肌梗死检测存在模型结构复杂、特征冗余的问题,本文提出一种下壁心肌梗死检测算法。该方法与临床病理信息相结合,提取心电信号Ⅱ、Ⅲ和aVF三个导联中的QRS波段和ST-T波段的峰值、面积以及ST的斜率等特征,并由遗传算法依据单个特征以及特征之间的离散度进行判断,选择区分度较大的特征送入支持向量机(SVM),实现下壁心肌梗死检测。本文采用德国国家计量学研究所(PTB)诊断心电数据库对该方法进行验证,准确率为98.33%。本文方法有效地利用心电信号形态学特征实现了下壁心肌梗死的检测,符合临床医生诊断以及下壁心肌梗死心电信号特异性改变的特点,适合临床广泛推广以及便携式设备应用的实现。

基于支持向量机多特征融合ST段形态分类

ST段的形态变化和心血管疾病息息相关,不仅能表征不同的疾病,并且能够预示患病的严重程度。但ST段持续时间短、能量低、形态多变并且受到多种噪声的干扰,导致ST段形态分类成为一个难题。本文针对目前ST段形态分类存在的特征提取单一、分类准确率低等问题,利用ST曲面的梯度来提高ST段形态多分类的精度。本文对正常、上斜型抬高、弓背型抬高、水平型压低、弓背型压低五种ST段形态进行识别,首先根据QRS波群位置及医学统计规律选定一个ST段候选段,其次提取ST段面积、均值、与参考基线差值、斜率、均方差特征。此外,将ST段转换成曲面,提取ST曲面的梯度特征,与形态学特征组成特征向量,最后使用支持向量机分类,进而实现ST段形态多分类。采用麻省理工学院-贝斯以色列医院数据库(MITDB)和欧盟ST-T数据库(EDB)为数据来源对本文算法进行验证,结果显示,本文算法在ST段识别过程中分别达到了97.79%和95.60%的平均准确率。基于本文研究结果,期望今后可在临床环境中引入本文方法,为临床中心血管疾病的诊断提供形态指导,提高诊断效率。

基于多分支多尺度卷积网络的心房颤动检测模型

心房颤动(房颤)是危及生命的心脏病之一,其早期检测和治疗近年来备受医生关注。传统的房颤检测方式主要依靠医生对心电图的诊断,但长时间的心电信号分析非常耗时。本文设计出一种基于Inception模块的房颤检测模型,构建多分支检测通道来处理房颤时的心电图原始信号、梯度信号和频率信号。该模型利用梯度信号高效地提取QRS波段和RR间期特征,利用频率信号提取P波与f波特征,并使用原始信号补充丢失信息。Inception模块中多尺度卷积核提供多种感受视野,并对多分支结果进行综合分析,从而实现房颤的早期检测。相较于目前的机器学习算法仅利用RR间期和心率变异性等特征,本文提出的算法额外使用频率特征,充分利用信号中的信息;对于使用原始信号和频率信息的深度学习方法,本文提出强化QRS波段的方法,使网络更有效地提取特征,并通过多分支输入模式综合考虑房颤RR间期不规律和P波与f波特征信息。在麻省理工房颤数据集上的检测结果显示,患者间检测的准确率为96.89%,灵敏度为97.72%,特异性为95.88%。该模型表现出色,能够实现房颤的自动检测。