基于ECG的可电击复律心律自动判别算法研究

体外自动除颤器(AED)是挽救心脏骤停(SCA)患者生命的重要设备。可电击复律心律自动判别算法(SAA)是AED的核心技术。本研究在构建包括8 s的2024段可电击复律心律(SHR)心电图(ECG)和7884段不可电击复律心律(NSHR)ECG数据集的基础上,提出了一种基于机器学习的SAA。首先提取ECG的时域、频域、复杂度相关的32个特征,经筛选得到6个有效特征;之后用支持向量机实现SHR和NSHR自动分类。根据500次按患者随机分组的实验,敏感度、特异性、准确率的均值±标准差分别为97.62%±0.18%、99.15%±0.04%、98.79%±0.08%。所提出的SAA符合美国心脏病协会对AED中SAA敏感度超过90%,特异性超过95%的要求,可作为AED算法模块进行SHR的自动判别。

基于VMD算法的ECG信号基线漂移校正研究

针对现有方法校正ECG信号基线漂移的缺陷,提出基于VMD算法校正ECG信号的基线漂移。首先获取含真实基线漂移的ECG信号;然后基于最佳参数的VMD将含噪ECG信号分解为多个IMF分量,利用各IMF分量频谱图的峰值频率判断基线漂移;最后将含基线漂移的IMF分量舍弃,将其他IMF分量叠加得到去除基线漂移的ECG信号。同时将EMD算法和该方法对相同含基线漂移的ECG信号进行去噪,结果表明,该方法能更好地校正ECG信号基线漂移,且去噪后与原信号的相关系数更大。

基于QR分解的类Jacobi联合对角化算法

为提高实矩阵集的近似联合对角化的盲源分离性能,避免平凡解,提出了一种基于QR分解的类Jacobi联合对角化算法.利用QR分解的数值稳定性,采用Jacobi旋转矩阵,将分离矩阵分解为多个初等三角矩阵和正交矩阵的乘积,利用Jacobi旋转矩阵的结构及矩阵变换后的相关元素求解最优参数,将高维矩阵最小化问题转化为一系列低维矩阵子问题,提升源信号恢复精度.通过求解简化的Frobenius范数目标函数降低算法复杂度.混合心电信号仿真结果表明,与QRJ2D,LUCJD,EGJLUD算法相比,本文算法在分离精度和收敛速度方面均有一定优势.

基于粒子群优化算法的急诊科心电监护设备风险管理模式研究

目的:基于粒子群优化(PSO)算法构建设备风险管理模型,探讨其在急诊科心电监护设备管理中的应用价值。方法:采用PSO算法优化神经网络模型构建心电监护设备风险管理模型,收集北京市普仁医院心电监护设备运行风险数据进行归一化处理,并将2021年11月至2023年10月北京市普仁医院急诊科在用的30台心电监护设备,按照设备管理模式不同对其分别采用反向传播(BP)神经网络模型(简称传统BP模式,设备运行时段为2021年11月至2022年10月)和PSO算法的设备风险管理模型(简称PSO算法模式,设备运行时段为2022年11月至2023年10月)进行管理,比较两种管理模型设备风险故障识别效果(测试集与训练集)、警报风险控制效果和设备故障维修诊断用时。结果:采用PSO算法的测试集风险故障数据识别受试者工作特征(ROC)曲线下面积(AUC)值、准确率、灵敏度和特异度分别为0.869、93.6%、92.8%和95.1%,训练集风险故障数据识别AUC值、准确率、灵敏度和特异度分别为0.839、95.6%、97.9%和96.7%,均高于传统BP模式,差异有统计学意义(x_(测试)^(2)=3.691、4.023、3.557、3.409,x_(训练)^(2)=6.884、5.962、5.334、3.215;P<0.05)。采用PSO算法的心电监护设备警报阈值合格率和设备维护平均合格率分别为(98.61±3.07)%和(98.79±3.11)%,均高于传统BP模式,警报静音率为(1.14±0.27)%,低于传统BP模式,差异均有统计学意义(Z=11.831、10.020、21.141,P<0.05)。采用PSO算法的心电监护设备内部报修用时、外部报修用时、故障诊断用时和报修总用时分别为(1.21±0.96)、(3.18±1.09)、(5.08±1.93)和(10.95±2.81)min,均少于传统BP模式,差异有统计学意义(t=15.404、19.020、16.694、25.511,P<0.05)。结论:基于PSO算法构建的心电监护设备风险管理模型应用,能够提高心电监护设备风险故障数据识别灵敏度、特异度和准确性,提升警报阈值合格率和设备维护合格率,降低警报静音率,缩短故障诊断报修用时。

利用DCT分量差值压缩ECG数据的方法

由于心脏活动的有序性和各心电活动周期波形的相似性 ,各心电活动周期波形的 DCT(离散时间余弦变换 )分量也具有一定的相似性。根据这一特点 ,本文提出了在首先使用 DCT压缩心电图 ( ECG)数据的基础上 ,进一步利用各 ECG周期的

具有压缩比自动控制的 ECG 混合压缩算法

提出一种后验的方式，将传统的ＦＡＮ和ＴＰ算法结合起来，通过比较两种算法的输出，选择最为有效的算法输出，达到较好的压缩效果．引入压缩比的自动控制，以解决ＥＣＧ信息量变化较大与存储总容量固定的矛盾，以便充分利用存储资源来实现给定时间ＥＣＧ信息的记录．最后给出了该算法在长时间动态心电监护系统（Ｈｏｌｔｅｒ系统）便携式记录盒中的应用实例．

基于改进型蚁群神经网络的ECG心搏分类器

采用改进型蚁群算法优化神经网络模型,构造一个蚁群神经网络的ECG分类器,并对MIT/BIH心律失常数据库中的4类心搏进行分类.结果表明,本文的蚁群神经网络能改善网络性能,有效地避免局部极优,提高训练速度,获得了比BP算法更好的心搏分类性能.

基于QR分解最小二乘算法消除ECG中工频干扰

研究了一种基于QR分解最小二乘(QRD-LS)算法消除ECG中工频干扰的方法,此方法采用基于数据域处理的QRD-LS算法进行权值的训练和更新,其直接针对输入数据矩阵进行递推,且可用并行Systolic处理结构高效地实现。并且能自适应消除工频干扰,提高信干比,仿真结果验证了理论。

基于DBSCAN聚类算法的心电图R峰检测研究

本研究致力于提高包含运动噪声、肌电噪声和基线漂移等干扰的心电信号中R峰的检测准确性,为准确估计心率和心率变异性等重要生理参数提供依据。研究通过整合4种不同的R峰检测算法Pan_Tompkins、Hamilton、Engzee和GQRS的结果,并应用DBSCAN聚类算法,用于提升R峰的检测性能。实验选用布尔诺理工大学心电图质量数据库作为数据源,从中提取了1000 s的第二类信号质量样本,这些样本含有运动伪迹和噪音干扰,但R峰依旧可识别,R峰定位的误差容忍度设为100 ms以内。实验结果表明,DBSCAN算法显著提高了R峰检测的准确率至87.6%,灵敏度至93.1%,阳性预测值至93.8%,以及F分数至0.934,说明DBSCAN算法能有效提升在复杂噪音环境下的R峰检测性能,满足临床及研究需求。

ECG信号压缩算法的LabVIEW系统实现

本文以ECG信号压缩算法的系统实现为例,介绍了利用LabVIEW和Matlab进行混合程序开发的思路及方法。设计的ECG压缩算法评价系统采用MIT-BIH标准数据库的心律失常ECG信号作为实验数据,实现了基于经验模态分解或小波分解的ECG信号压缩算法的评价系统。该系统实现对ECG信号的显示、存储、压缩、解压缩及压缩算法的评估。

小波变换和支持向量机相融合的ECG身份识别

为了提高心电图(ECG)信号的身份识别正确率,提出一种小波变换和支持向量机相融合的ECG身份识别方法 (IWT-ABC-SVM)。采用一种小波阈值函数对ECG进行去噪处理,提取ECG特征,将ECG特征输入到支持向量机中进行学习,采用人工蜂群算法优化支持向量机参数,建立ECG的身份识别模型,采用MIT-BIH心电图数据进行仿真测试。仿真结果表明,相对于其他识别方法,IWT-ABC-SVM提高了ECG身份识别的正确率和可靠性。

基于深度全卷积提升网络的心电信号降噪

针对传统的降噪方法难以在不丢失心电信号下准确去除复杂噪声问题,提出一种基于深度全卷积提升网络(FCBN)的心电信号降噪方法。该方法利用全卷积网络的局部连接的特性来保留心电信号波形细节信息,通过提升(Boosting)算法堆叠多个FCN网络形成深度神经网络,多级输入原始信号,保留心电信号的深层信息特征,提高整体网络的降噪性能。实验结果表明,该方法与小波阈值法、S变换法、BP神经网络法和卷积自动编码器比较,信噪比提高明显且均方根误差较小,同时可保留更多心电信号的波形形态信息。

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程,利用多导睡眠仪(polysomnography,PSG)和体动记录仪,分别记录被试的ECG信号和体动信号,再对ECG信号提取心率变异性(heart rate variability,HRV)的特征值,并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合,将实验数据分为训练集和测试集,设计一个用遗传算法改进的BP神经网络模型,对样本进行训练和预测。研究结果表明,改进的BP神经网络能有效地识别测试样本,综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合,能够用于家庭睡眠监测,也可作为睡眠疾病的初筛方法。

一种基于Fourier复变换的压缩比自调整ECG数据压缩算法

本文讨论了一种基于Fourier复变换的ECG数据压缩算法。由于采用复FT，压缩比（CR）较基于实FT的算法提高约一倍，保真度较好，可以实现压缩量的自适应调整，同时也避免了QRS的检测、波形分析和差值计算。

ECG信号自适应贝叶斯小波去噪算法研究

ECG信号是当前移动健康监护的一个常规生物电信号,在该信号采集过程中,常规的硬件放大电路会引入噪声,影响了信号的特征分析。针对ECG信号采集中的噪声消除问题,提出一种基于贝叶斯小波分析的去噪算法。首先对ECG信号进行小波分解,再通过贝叶斯算法重新计算最佳小波系数阈值和加权系数,最终实现ECG信号的去噪和重构。实验结果表明:该算法能够较好地消除ECG信号的噪声,在保留较多信号细节的同时减少了信号失真。相对于小波软阈值和硬阈值算法,该算法的MSE为0.287 1,PSNR值为53.550 7,明显优于前者,具有较高的实际使用价值。

基于CEEMDAN和小波阈值的ECG去噪算法研究

提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)与小波阈值的ECG信号去噪新算法。首先对含噪ECG信号进行CEEMDAN分解,得到从高频到低频排序的各个IMF分量,利用自相关法对各IMF分量进行分析,找出以随机噪声为主的高频IMF分量并进行小波阈值去噪;然后统计包括余量在内所有IMF分量的过零率,过零率小于1.5的IMF分量即为基线漂移信号,直接剔除;最后将经过小波阈值去噪的IMF分量与剔除基线漂移之后的其他IMF分量一起进行合并重构,实现ECG信号的去噪和基线校正。用所提算法对MIT-BIH心电数据库中的ECG信号进行去噪处理,结果表明ECG信号中的随机噪声得到很好的抑制,同时获得了良好的基线漂移校正效果。

基于语义对称分解哈希的快速ECG信号检测

本文提出一种语义对称分解哈希(Symmetric Semantics Decomposition Hashing,SSDH)算法来实现心电图(Electrocardiogram,ECG)信号的识别检测。SSDH首先利用ECG数据标签生成语义相似矩阵,然后对其进行离散的对称哈希分解,从而生成哈希编码库,最后利用学习的哈希函数建立海明空间与原始数据核化空间的映射关系。针对离散优化,基于语义标签,SSDH排列Hadamard矩阵,无需迭代和任何参数的调试即可快速地生成哈希编码库。在基准ECG数据集的实验结果表明SSDH可以更加快速地实现ECG信号检测,而且识别率明显优于深度模型,为心电智能终端设备提供有效的依据和决策支持。

易于硬件实现滤除ECG信号运动干扰的变步长LMS算法

针对移动心电(ECG)信号监测系统中运动干扰难以滤除的问题,提出了一种易于硬件实现的数字自适应变步长最小均方(LMS)算法。通过简化步长因子与输入信号的关系,减少了权值更新系统的运算量;分析传统LMS算法收敛性不稳定的问题,结合迭代次数优化步长因子,提高了算法的收敛性能。对比传统LMS算法,所提算法在运算量增加微小的情况下,收敛性能大幅提升,信噪比(SNR)增加大于14d B。仿真结果表明:算法在心电信号进行实时硬件集成滤除运动干扰方面具有运算量小,滤波效果好等优点。

De-Noising of ECG Signals by Design of an Optimized Wavelet

In this paper, a different method for de-noising of ECG signals using wavelets is presented. In this strategy, we will try to design the best wavelet for de-nosing. Genetic algorithm tests wide range of quadrature filter banks and the best of them will be chosen that minimize the Signal-to-Noise Ratio (SNR). Furthermore, the wavelet function and scaling function related to these filters are reported as the best wavelet for de-noising. Simulation results for de-noising of a noisy ECG signal show that using obtained wavelet by proposed method improves the SNR of about 2.5 dB.

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态,降低作业风险,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化反向传播(Back Propagation,BP)神经网络,构建疲劳识别模型。首先,通过模拟日常作业进行疲劳诱发试验,将OpenBCI Cyton开发套板作为心电信号的采集装置;其次,借助MATLAB对所采集心电信号(Electrocardiogram,ECG)数据进行预处理,基于疲劳等级形成初始样本数据集;进而利用Pan-Tompkins算法进行特征提取;最后,针对特征间皮尔逊相关系数进行假设检验,从而获得优选指标并用于模型训练,经疲劳识别模型得出结果。结果表明,与传统BP神经网络、支持向量机(Support Vector Machines,SVM)、遗传算法(Genetic Algorithm,GA)优化BP神经网络相比,模型准确率分别提高6.25百分点、22.92百分点、2.78百分点,从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。