使用异质集成学习和心电信号异构特征融合的睡眠呼吸暂停分类方法

睡眠呼吸暂停(SA)会影响睡眠质量,增加心脑血管疾病风险,其准确分类有助于在SA早期阶段及时开展针对性治疗。本文提出一种使用异质集成学习和异构特征融合的SA分类新方法。首先从原始心电信号中提取小波时频谱,使用SE-ResNet作为初级分类器;然后提取RR间期序列和R峰值序列,使用1D CNN-LSTM作为初级分类器;再提取心率变异性特征,使用SVM作为初级分类器。最后采用堆叠法作为异质集成学习的融合策略,再使用另一个SVM作为次级分类器实现SA分类。在Apnea-ECG数据集上进行实验,所提出的SA分类方法的准确率为89.12%。实验结果表明,所提方法有效利用了各初级分类器的多样性和异构特征的互补性,其性能优于传统的SA分类方法。

应用平均幅度差函数之和分析心电信号对除颤最佳时机的预测价值

目的应用平均幅度差函数之和(the sum of average magnitude difference function,SAMDF)处理室颤的心电信号,通过与常用预测除颤时间方法振幅谱面积(amplitude spectrum area,AMSA)进行对比找到预测除颤时间更优的方法。方法应用56头重(40±5)kg雄性家猪,诱导室颤后进行10 min未处理的室颤、6 min的心肺复苏和除颤。在室颤和心肺复苏过程当中会记录每1 min SAMDF和AMSA的数据并记录下来。进而计算受试者工作特征(receiver operating characteristic,ROC)曲线,应用单向方差分析(one-way analyses of variance,one-way ANOVA)以及正负样本散点图的比较,以此说明两者均能优化最佳除颤时间。比较除颤成功组(Group R)和除颤失败组(Group N)的SAMDF和AMSA的数值以说明两者预测除颤成功的能力。结果散点图显示SAMDF和AMSA均能够区分阳性和负样本(P<0.001)。ROC曲线显示SAMDF(AUC=0.801,P<0.001)和AMSA(AUC=0.777,P<0.001)一样有着相同的能力预测最佳除颤时间。两组SAMDF和AMSA数值比较,Group R的SAMDF和AMSA数值明显高于Group N(P<0.001)。结论SAMDF在优化预测除颤时机方面具有很高的潜力,并且可以作为AMSA等现有有效预测除颤时机特征的补充。

基于误差可控的转换变换心电信号去噪方法

针对心电信号在去除噪声时不可控误差引起的幅值和形态变形问题,提出一种基于误差可控的转换变换心电信号去噪方法。通过转换变换可以获取心电信号的低频分量和高频分量:通过对特征波形和高频噪声处设置不同的误差界可有效滤除高频噪声,并将特征波的重构误差控制在较小的范围内;对低频分量进行cubic插值可以获得更加光滑的基线漂移。从而可改善去噪引起的形态改变。在MIT-BIH数据库的心电图上进行实验,结果表明:提出的方法可以有效滤除基线漂移和高频噪声,同时特征波形的幅值和形状得到了很好的保持。与对比方法相比,去噪后心电信号的信噪比、均方根误差、归一化相关系数均得到改善。

智能心电信号监测设备研究现状

介绍了国内外智能心电信号监测电极和心电信号监测系统的研究现状,分析了目前智能心电信号监测设备存在的不足及发展趋势,指出了可穿戴技术的发展将进一步推进智能心电信号监测设备的普及,有助于生理指标监测、心脑血管疾病等预防,为伤病情诊断提供快速决策依据,提升救治成功率。

基于集合经验模态分解的心电信号自适应降噪及基线漂移修正

在心电信号的采集过程中,各种噪声的干扰会引起信号失真及基线漂移,进而影响对心脏信号的精准判断。针对此,提出一种基于集合经验模态分解的自适应算法。首先,对含有噪声及基线漂移的心电信号进行集合经验模态分解(EEMD),分解出固有模态函数(IMF)分量。然后,筛选出需要处理的IMF分量。最后,通过自适应窗口处理带噪的低阶IMF以及移除导致基线漂移的高阶IMF,从而达到降噪和修正基线漂移的目的。在MIT-BIH数据库中的实验结果表明,基于EEMD方法的降噪效果良好,在同等肌电噪声情况下,与基于EMD的自适应窗口法对比,在平均信噪比上提升1.7507,增幅约为13%;在同等基线漂移情况下,与基于EEMD的阈值法对比,在平均基线矫正率上下降0.0795,降幅约为14%。

两步式自适应阈值法滤除心电信号中运动伪迹

心电信号广泛应用于心脏疾病的医学检测中,可穿戴动态心电监测设备可以实现对心律失常的风险识别并预警.相比于静息心电信号,动态心电信号在采集过程中会受到更大运动伪迹的干扰,这些干扰会覆盖心电信号的关键信息,限制其临床应用.本文兼顾心电信号局部和全局特征,利用其周期性,研究了一种将心电信号低频PT波和高频QRS波群分开处理的两步式自适应阈值滤波算法,适用于单通道心电信号中的运动伪迹滤除.第一步先通过多分辨率阈值初步抑制心电信号低频部分中的运动伪迹;第二步,对受运动伪迹影响而不平衡的QRS波进行自适应阈值修复,通过对QRS波形调节,减少心电信号中高频部分运动伪迹,同时设置自适应阈值对心电信号P波、T波对应的小波系数进行处理,超出自适应阈值范围的小波系数通过波形缩放进行调整,进一步抑制低频运动伪迹.研究通过不同心电数据库评估算法的性能.在输入信噪比从-10~10 dB时,心电信号信噪比提升了10.9122 dB和4.3912 dB,滤波后心电信号与纯净心电信号的相关系数分别为0.6876和0.9783,提取的运动伪迹与原运动伪迹相关系数分别为0.9530和0.8529.实验结果表明,算法在不同噪声水平下,利用自适应阈值的优点,能有效复原受运动伪迹污染的心电信号波形特征,最大限度保留心电信号的临床信息,可作为可穿戴心电设备滤除运动伪迹的有效工具.

一种面向心电信号处理的奇异谱分析改进算法

心电图(ECG)作为人体的关键生理信号被广泛应用于医疗领域,但在采集过程中心电信号容易受到噪声干扰而影响信号质量。为此,设计了一种奇异谱分析(SSA)的改进算法用于心电信号降噪处理。奇异谱分析改建算法是在SSA中的主元重组(grouping)阶段引入逻辑回归(LR)算法,将主元重组方式改进为自动重组,实现面向心电信号的SSA自监督降噪处理。使用基于AD620的心电信号采集装置,构建53条心电信号测试集进行验证,使用奇异谱分析的改进算法,主元自动选择的准确性为98.68%,重构的心电信号信噪比(SNR)由10.43 dB平均提高到20.17 dB,能够有效提取出清晰的PQRST波,使其在医疗领域心电信号检测与降噪方面具有很好的实用化前景。

基于心电信号图像特征及卷积神经网络的情绪识别研究

为提高情绪识别的准确率,本研究利用卷积神经网络和迁移学习,提出了一种基于心电(electrocardiography,ECG)信号图像特征的情绪识别方法。首先对ECG信号进行预处理,去除噪声;然后提取ECG信号的时域波形图和时频图;最后,利用迁移学习和双输入EfficientNetV2网络学习图像的时域和频域特征并进行分类,得到对应的情绪类别。在公开数据集Amigos上进行验证,结果显示,本研究在唤醒度、效价和优势度的识别准确率分别为91.63%,95.27%和92.32%。相较于其它情绪识别方法,本研究方法具有更高的准确率。

心电信号在智能服装领域发展应用

探讨心电信号在智能服装领域的应用进展。阐述了心电信号的产生机理、采集以及分析方法。结合心电信号对心理情绪和生理状态的反映,分析了心电信号在智能情绪识别服、智能健康监测服和智能防护服领域的应用。讨论了目前基于心电信号监测的智能服装系统研究的重难点――提高智能心电信号检测设备的采集准确性和洗涤耐用性。最后,总结了心电信号技术在智能服装领域应用现状以及有待解决的问题。

基于LabVIEW的心电信号与多数据采集分析系统设计

近年来心血管疾病的发病率和死亡率不断攀升。为了给人们提供一个较为准确的心电信号分析结果,该系统以心电信号为感知节点,结合虚拟仪器技术,打造一个准确性更高、成本更低、更可靠的心电信号分析系统。它的优点在于会结合使用者的各种因素,如:所处气象、饮食、地理位置、身体状况和生活习惯等因素,并结合已经发展较为成熟的心电信号数据分析手段,在对连续的心电图数据实时采集处理与分析功能方面,此设备具有数据实时性、精度较高等特点。结果表明,结合了多数据的分析结果,比单一分析系统给出的结果更为准确,也更加能够满足人们的需要,这将对预防和治疗心血管疾病产生重要作用。

基于元胞自动机的Brugada综合征患者心电信号研究

针对Brugada综合征(Brugada syndrome,BrS)患者的症状发展与其异常CV(conduction velocity,CV)恢复和异常APD(action potential duration,APD)恢复之间的联系仍未明确问题,本文采用元胞自动机模型对其进行研究。首先根据BrS患者心电信号的特点对元胞自动机模型进行量纲化处理,并在模型中考虑CV恢复和APD恢复;然后使用该模型数值模拟不同CV恢复及APD恢复下与心动过速对应的心电信号螺旋波态的演化行为。结果表明:只存在CV恢复时,心动过速只会维持,不会恶化;在CV恢复和无记忆APD恢复共同影响下,心动过速可能消失,也可能转化为心室颤动,其中转化为心室颤动的概率为54%,明显高于临床数据;在CV恢复和带记忆APD恢复共同影响下,心动过速可能消失、维持或转化为心室颤动,其中转化为心室颤动的概率约为35%,与临床数据一致。跟踪观察波头附近的心电信号传导情况,发现BrS患者的症状发展与CV恢复或APD恢复导致的电信号传导阻滞有关,传导阻滞的程度越严重,BrS患者就越容易由心动过速发展为心室颤动。记忆性APD恢复因其记忆效应能降低APD的振荡幅度,所以能降低心室颤动的发生率。

基于门控循环网络和自编码器的心电信号降噪研究

目的心电降噪一直是智能心电信号处理的最重要的一步,为了解决单个多层降噪自编码器(SDAE)降噪无法准确提取特定特征的问题,提升医生对心血管疾病的诊断准确率,论文提出了一种基于多层降噪自编码器与门控循环单元(GRU)级联网络的结构来进行心电信号降噪。方法预处理阶段采用SDAE的非线性特征提取能力,对原始心电信号进行初步去噪,恢复信号的主干特征;后处理阶段利用GRU网络的长短期记忆特性捕获心电信号的时间依赖性和周期性特征,进一步精细化去除残余噪声,同时保留心电信号的关键生理信息。结果与单独使用SDAE相比,级联网络显著提高了心电信号的降噪效果,信噪比平均提升约6 d B,降噪性能提升约35%。结论在含有复杂噪声的心电信号中,级联网络能够更有效地分离出EGC信号特征并同时保留EGC的病态特征,为后续的智能诊断提供更多的信息,在临床应用方面具有可行性。

基于改进小波阈值的心电信号降噪研究

目的心电信号具有低信噪比的特点,其在检测过程中不可避免地会受到多种噪声的干扰。在众多心电降噪方法中,小波变换由于具有良好的时频局部特性、多尺度特性和去相关化等特点受到了学界的广泛关注。而阈值对小波降噪的结果影响较大,阈值的研究一直是小波降噪的重点。本文采用小波变换对心电信号降噪进行研究,并对阈值进行改进,以获得更好的降噪效果。方法首先通过实验获得了较为适合心电信号降噪的db7小波基和3层小波分解层数,然后对软硬阈值的降噪结果进行研究,发现阈值太大或太小会导致丢失细节或噪声消除不好,提出了一种根据信号窗口均统计特性的自适应新阈值算法。新阈值算法将信号进行小波分解后的小波系数,阈值函数处理后的小波系数进行比较,并与原算法给出的阈值相结合,得出新的阈值,再对不同信噪比的心电信号进行处理。结果使用新的阈值算法对不同病人的心电信号进行降噪,新阈值算法处理后的信号的降噪效果均有提升。且对含不同程度噪声的信号处理后的信噪比较原来的阈值算法处理后的信号最高有2 d B的提升,均方误差也有较大的减小。结论本文提出的新的阈值算法所获得的降噪效果较原来的阈值算法有较大提升,在对心电信号的处理上保持心电细节的同时能获得更好的降噪效果。

基于对比学习的心电信号情绪识别方法

现有的机器学习和深度学习在解决基于心电信号的情绪识别问题时主要使用全监督的学习方法。这种方法的缺点在于需要大量的有标签数据和计算资源。同时,全监督方法学习到的特征表示通常只能针对特定任务,泛化性较差。针对这些问题,提出了一种基于对比学习的心电信号情绪识别方法,该方法分为预训练和微调两步。预训练的目的是从未标记的心电数据中学习特征表示,具体为:设计了两种简单高效的心电信号增强方式,将原始数据通过这两种数据增强转换成两个相关但不同的视图;接着这两种视图在时间对比模块中学习鲁棒的时间特征表示;最后在上下文对比模块中学习具有判别性的特征表示。微调阶段则使用带标记数据来学习情绪识别任务。在三个公开数据集上的实验表明,该方法在心电信号情绪识别准确率上与现有方法相比提高了0.21%~3.81%。此外,模型在半监督设定场景中表现出高有效性。

基于位置注意力机制的混合神经网络心电信号分类算法

心电信号分类是医疗保健领域的重要研究内容。心电信号数据是类不平衡数据,不同类别的心律失常依赖于心电图的长期变化特征,局部变化特征及其相对位置。针对大多数方法不能较好地解决数据类不平衡,且未考虑特定波形重要性等问题,提出一种基于位置注意力机制的混合神经网络心电信号分类(DCLB)算法。首先,利用深度卷积生成对抗网络扩充数量少的类别样本,从而解决类不平衡问题;其次,利用二维卷积神经网络和双向长短期记忆网络进行特征提取,从而获得心电信号的局部变化特征和长期变化特征;然后,在每个二维卷积神经网络后嵌入位置注意力机制,从而提高关键位置特征的重要程度;最后,利用全连接网络输出分类结果。对MIT-BIH心律失常数据集中的30584个样本的实验结果表明,DCLB算法的平均准确率为98.79%,敏感性为94.21%,特异性为98.98%,阳性预测值为93.70%。该模型可以有效提取心电信号特征,适用于监测系统中心律失常疾病的诊断。

基于梯度幅值方向调整的心电信号多任务分类算法

心血管疾病对人类生命健康安全的威胁日益严重,通过心电信号可进行相关疾病的诊断分类。现有的心电分类算法大多采用单任务学习模型,无法综合利用多个任务中的互补特征,而多任务学习模型可同时学习多个相关任务,共享相关任务特征,有助于提高多任务的分类表现。结合深度学习和多任务学习两种方法,提出了一种基于损失优化的心电信号多任务分类算法,将心电信号的多分类任务分解为多个二分类任务,从任务梯度的幅值和方向两方面进行损失优化,避免手动设置任务损失权重以及任务损失相互抵消而产生的负迁移,从而提升心电信号多分类任务的性能。在PTB-XL数据库上将心电信号23类分类任务分解为23个二分类任务来评估所提出的算法。实验结果表明,所提算法的宏观曲线下平均面积(AUC)达到0.950,准确率达到96.50%,基于标签的宏观F1分数达到0.583,基于样本的F1分数达到0.777。与单任务学习算法相比,所提算法在心电信号的多分类方面表现出良好的性能。

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。

用于动态心电监护仪的心电信号无线传输系统的设计

目的:设计一种心电信号无线传输系统,以提高动态心电监护仪中心电信号的无线传输性能。方法:该系统由心电信号采集模块、无线收发模块、无线通信协议模块和数字滤波模块组成。心电信号采集模块由数字接口电路、A/D转换器微处理器、心电放大电路组成。无线收发模块由无线射频单元、晶振电路、射频电路、调试串口、寄存器、电源模块和复位电路组成。无线通信协议模块由数据链路层与物理层组成,其中数据链路层设计自动应答和调频2种机制。数字滤波模块主要由数字滤波器、信号输入模块、延时单元、系数寄存器等组成,其中数字滤波器采用等波纹法设计,并将心电信号转换为输出序列,实现信号去噪。将基于ZigBee组网和通用分组无线业务(general packet radio service,GPRS)的心电信号无线传输方法和基于无线组网模块的心电信号无线传输方法作为对比方法,验证该系统在不同近程传输距离和不同远程传输距离下的心电信号无线传输性能。结果:相比其他2种方法,在不同近程传输距离和不同远程传输距离下,该系统的心电信号无线传输平均速率和成功传输比例较高,平均用时及平均重传数较低。结论:该系统能够实现动态心电监护仪中心电信号高效、平稳、清晰的无线传输。

基于深度残差网络的心电信号分类

基于深度神经网络中的残差神经网络模型架构对PhysioBank数据库上下载的心电图记录进行自适应分类,检测出表现为心房颤动的异常心电信号。结果表明,更深层次的神经网络可以实现更好的分类性能,本实验的网络模型具有心电信号检测房颤的能力,可作为辅助医生诊断的有效工具。

基于CNN与BiLSTM相结合的心电信号分类方法

目的:基于卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)相结合的方法在心电信号数据集上训练深度学习模型,实现对心电信号的高效分类。方法:提出CNN+BiLSTM模型实现心电信号数据集分类,采用CNN对心电信号进行初步特征提取;通过BiLSTM对这些特征进行更深层次地学习,以捕捉信号中的时序信息和空间关联性。结果:通过对比实验证明CNN与BiLSTM对模型性能提升的有效性,模型分类精度为98.91%,召回率为98.71%,精确度为99.79%,F1指数为99.14%。结论:将CNN与BiLSTM相结合并应用在心电信号数据集分类,能有效提升临床诊断的精确性,为心电信号的自动分析提供了有效参考。