基于积分均值模式分解和固有模态函数样本熵的阵发性房颤识别

针对阵发性房颤(PAF)发作持续时间较短难以捕捉,且现有识别算法抗噪性能较差易导致误检、漏检等问题,本研究提出一种基于积分均值模式分解(IMMD)和固有模态函数样本熵(IMFSE)的PAF识别方法。首先,对时长为20 min的心率变异性(HRV)信号片段进行IMMD分解得到一系列固有模态函数(IMF)分量,并计算IMFSE;然后,通过对IMFSE结果进行统计分析选取PAF识别的特征量;最后,利用支持向量机与交叉验证完成PAF识别。从PAF Prediction Challenge Database(AFPDB)数据库提供的正常受试者、PAF发作与远离PAF发作受试者心电信号中,分别获取25段时长为20 min的HRV信号片段,构成正常组、PAF发作组与PAF未发作组。通过对这75段HRV信号片段的实验发现:利用本方法进行PAF识别,识别准确率、敏感性、特异性分别可达到94%、96%、92%。所提出的PAF识别算法为进一步地快速准确自动检测PAF提供了参考,在可穿戴设备的长期自动检测识别PAF方面具有较大的应用前景。

基于改进经验模态分解域内心动物理特征识别模式分量的心电信号重建

心电图(electrocardiogram,ECG)诊断心脏疾病的严格标准,要求有效地消除噪声并准确地重建ECG信号.经验模式分解(empirical mode decomposition,EMD)方法重建ECG信号中,模式混叠及重建采用模式分量的识别以经验为基础,导致重建ECG信号准确度降低,且方法不具有自适应和通用性.本文首先基于积分均值定理提出一种改进的EMD方法——积分均值模式分解(integral mean mode decomposition,IMMD)方法,经5000个高斯白噪声样本的蒙特卡罗法验证,IMMD方法比EMD具有更优多分辨率分析能力,能够有效地缓解模式混叠.其次,基于ECG信号内固有心动物理特征量识别重建ECG信号所采用的模式分量,具有现实物理意义,因此,方法具有自适应和通用性.经验证,提出方法重建47例ECG信号与原ECG信号的相关系数中:31例优于变分模式分解方法;33例优于Haar小波软阈值法;42例优于集总经验模式分解方法;45例优于EMD方法.相关系数均值为0.8904,方差为0.0071,表现稳定且最优.

基于心率变异性的阵发性心房颤动预测方法

基于心率变异性(HRV)的特征分析,提出一种患者阵发性房颤(PAF)发作的预测系统方法。首先,基于一种新的自适应滤波技术逐次平滑滤波并粗粒化HRV后,采用熵量化HRV在多个自适应尺度的复杂性特征;其次,特征经MinMax归一化和序列前向选择特征子集,输入支持向量机识别HRV类型,预测PAF发作。经50例时长5 min HRV序列集的五折交叉验证,得到最优预测结果为:准确率98%,敏感性100%,特异性96%,性能表现优越。另外,实验表明远离和紧随PAF时的HRV复杂性特征值在不同频率段内,分别具有不同的显著变化(P<0.05),反映受试者神经系统调节心脏节律改变,以及调控机体、应激等适应外界环境变化能力的下降。