多模型投票的深度学习ECG分类方法设计与研究

由于经典机器学习算法在心电信号(Recording of electrocardiograms,ECG)分析中存在特征表征能力不足等原因,基于深度学习投票机制,提出了一种基于多模型投票的深度学习ECG波形分类方法。利用多个具有不同网络参数的深度神经网络对ECG信号进行分类,并通过加权投票来提高ECG信号的分类准确率。实验的平均分类准确率为98%,与传统方法以及其它深度学习方法比如支持向量机,卷积神经网络,深度神经网络以及长短期记忆网络的结果比较,验证了上述方法在分类精度上有显著提高。

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.

基于双导联ECG和多变量回归模型的远程心电诊断算法研究

目的研究适于远程心电诊断、高精度的心电信号 (ECG)直接分类方法 ,以克服接收端因信号重建而延误时间的问题。方法收集MIT BIHdatabase中正常窦性心律 (NSR)、心房早期收缩 (APC)、心室早期收缩 (PVC)、心室性心动过速 (VT)、心室纤维性颤动 (VF)和室上性心动过速 (SVT)各 30 0例进行分类研究。提出一种融合双导联ECG信号的多变量回归 (MAR)模型对心电信号直接进行分类 ,包括 :心电数据的MAR建模 ,利用MAR模型系数及其K L变换系数实施非线性二次判别函数 (QDF)法分类。结果文中方法快捷方便 ,分别获得了 98.3%至 1 0 0 %的分类精度。结论MAR建模法特别适合于远程心电诊断 。

基于ARMA模型的ECG分类和压缩

心电信号(ECG)对医生诊断心脏疾病极为重要。现存许多ECG分类技术存在实现困难、处理时间长和只能对2～3类ECG进行分类的不足。本文介绍了计算简单的ARMA模型的ECG分类法,利用ARMA模型系数作为特征对ECG信号进行分类和压缩。在对信号特征分类时,采用了非线性二次判别函数的形式。利用文中方法对MIT-BIH标准数据库中NSR、APC、PVC、SVT、VT和VF各200个样本信号进行测试,获得了94.28%～99.28%的分类精度。

面料弹性回复率与心电监测服模型基线不稳伪差关系研究

为了确定制作心电监测服时是否应该考虑针织面料的弹性回复率值,将制作的6个服装模型各采集10次心电图,并将心电电极片采集电信号产生基线不稳伪差程度分为轻微、一般、较严重、严重、强烈五个等级。发现不同弹性回复率面料制作的心电监测服模型所产生的基线不稳伪差程度有显著性差异,即弹性回复率对采集心电信号有很大影响。

一种基于ECG信息推断的心脏运动信号预测方法

提出一种基于时变多变量回归模型利用ECG信号和心脏运动信号相关性进行预测的预测方法,该方法将ECG信号非平稳心率变化信息的全过程通过模型中互相关项引入心脏信号预测中,以克服单纯的基于线性模型预测方法的不足,增强了对心脏信号中非平稳变化的适应能力,提高了估计的精度。通过对偶卡尔曼滤波器对模型的状态和参数分别进行估计,完成心脏运动信号的实时预测,并通过比较实验验证了算法的有效性。

基于Brown指数平滑模型的自适应R峰探测算法

心电图是心脏疾病诊断最有效的医学检查手段之一。R峰探测是心电图解读中的第一步。对于可穿戴心电信号而言,R峰探测的难点主要在于动态强噪声的干扰,并且有限的硬件计算资源限制了一些复杂算法的使用。因此,论文提出了一种基于Brown指数平滑模型的自适应阈值R峰探测算法。该算法基于R峰的形态特点和出现规律选取特征,利用Brown指数平滑模型更新阈值参数,采用相对误差最小二乘法优化其中的平滑系数,修正对观测误差的平滑能力和对观测量变化的反应速度,使得更新后的阈值能够更加符合R峰探测情况。最后该算法在自建的心电图数据集上,精度、召回率和F1分数分别达到了99.6%、99.7%和99.65%,并与其他R峰探测算法进行比较,确定了所提出算法在一些性能指标上的优越性。通过实验证明,该算法能够良好地适应强噪声环境,获得满意的R峰检测精度。

基于扩散模型的心电信号基线漂移去除法

ECG信号的基线漂移直接影响波形的幅值及时程测量精度,快速、有效的基线漂移去除法是ECG信号处理的重点研究内容。提出一种基于扩散模型的ECG基线漂移信号去除法,通过对有基线漂移的ECG信号进行一系列的线性扩散,使这些信号接近于漂移的基线,从而分离出ECG信号,较好地保留了ECG主要波形的形状及其时程关系。利用合成信号的仿真结果显示,扩散模型可较好地将低频成分分离出来,且合成波的频率相差越大,其分离效果越好,显示其在ECG信号基线漂移去除中良好的应用前景。

基于参数建模法心律失常的计算机辅助自动诊断(英文)

利用多变量参数回归模型 (MAR)的数据融合技术 ,从双导联心电信号中提取特征 ,以实现计算机辅助自动诊断。在分类时 ,利用 MA R模型系数及其 K- L 变换作为信号特征 ,并采用了非线性二次判别函数 (QDF)分类器。利用文中方法对 MIT-BIH标准数据库中的正常窦性心律 (NSR)、心房早期收缩 (APC)、心室早期收缩 (PVC)、心室性心动过速 (V T) ,心室纤维性颤动 (V F) ,室上性心动过速 (SVT)信号进行了建模和测试。结果表明 ,融合双导联心电数据后取得了比只利用单导联心电数据更为满意的结果。

一种计算简单的心电诊断算法的研究

研究一种计算简单、实现容易的ECG特征提取和分类算法,以适于嵌入式系统的开发.收集MIT-BIH标准数据库中的正常窦性心律(NSR)和心室早期收缩(PVC)样本信号进行分类研究.提出一种基于ARMA模型的心电信号(ECG)分类法,包括:ARMA建模,特征白化,利用白化后的ARMA系数和ECGRR间期比实施基于Fisher准则的分类.文中的方法计算简单、实现容易,分别获得了92.00%和97.57%的分类精度.结论:ARMA建模法适合于嵌入式系统的开发.

卡尔曼滤波在心电信号QRS波检测中的尝试

心电信号QRS波的检测方法很多,但在准确性与实时性方面都不太好,该文中将心电信号按照QRS波周期进行分割,利用RLS算法的自适应AR建模,为心电信号建立模型,再利用kalman滤波算法对心电信号进行滤波和预测,在保证R波探测率的同时提高了探测的速度。针对心率不齐或者QRS波周期产生波动的情况,程序中利用各QRS波周期的相似性,求其互相关,以确定周期T,同时对T进行自适应建模,以便对下一周期预测。经过试验,取得了比较好的效果。

心搏间隔(R-R)波动的自回归模型分析

用自回归(AR)模型分析短时心血管控制系统(植物神经系统)功能的心搏间隔(R-R)波动。实验在10条草狗上进行。根据Marple的最小二乘法对R-R间隔波作AR模型分析。谱估计显示:在缺血、缺氧及失血状态时,低频段面积增加,高频段面积减少,两者的比值与对照时相比,差别有极显著意义P<0.01)。表明该方法可有效地、无创伤性地反映短时心血管控制系统的调节功能。

基于多导联心电信号和多变量回归模型的心律失常的分类(英文)

心电信号(ECG)智能分析非常有利于严重心脏病人的自动诊断。本文介绍了多变量回归模型(MAR)建模法,利用MAR模型从双导联ECG中提取特征对ECG信号进行分类。在分类时,利用MAR模型系数及其K-L变换(K-LMAR系数)作为信号特征,并采用了树状决策过程和二次判别函数(QDF)分类器。利用文中方法对MIT-BIH标准数据库中的正常窦性心律(NSR)、期收缩(APC)、心室早期收缩(PVC)、心室性心动过速(VT)和心室纤维性颤动(VF)各300个样本信号进行了建模和测试。结果表明,为了达到分类目的,MAR模型阶数取4是足够的,基于MAR系数的分类取得了比基于K-LMAR系数的分类稍好的结果。基于MAR系数的分类获得了97.3%～98.6%的分类精度。

KICA模型选择及其在消除脑电信号伪差中的应用

理论分析并结合实验验证指出基于正定核的独立分量分析算法(K ICA)的优化与分离性能与其模型参数的选择有关。提出了一种简单高效的模型选择方法:在混合信号中附加一个已知验证信号,通过最小化该已知信号的分离误差来选择最优模型参数。实验结果表明:经模型选择后的K ICA能成功分离脑电信号中的心电伪差。

ARMA模型在远程心电诊断中的应用研究

研究适于远程心电诊断,基于ARMA模型的高精度的心电信号(ECG)直接分类方法.利用ARMA模型系数作为特征对ECG信号进行分类和压缩.在对信号特征分类时,采用了BP神经网络分类的方法.利用文中方法对MIT BIH标准数据库中的正常窦性心律(NSR)、心房早期收缩(APC)、心室早期收缩(PVC)、心室性心动过速(VT)、室上性心动过速(SVT)和心室纤维性颤动(VF)各300个样本信号进行了测试,获得了96.51%～98.38%的分类精度.

基于LabVIEW的胎儿心电信号仿真及其时频域分析

全球每年有一部分新生儿出生后,患有不同程度的先天性心脏病,因此在胎儿未出生前进行心电信号监测非常重要,它可以了解胎儿的健康状况。目前,胎儿心电信号可通过侵入式和非侵入式获得,由于侵入式提取风险太大,不提倡使用,而非侵入式提取到的胎儿心电信号会受到母体心电信号的强烈干扰。这些原因使得测量真实的胎儿心电数据比较困难,因此有必要进行胎儿心电信号设计仿真,并进行测量分析。

基于脉搏生物电信息的眼压非接触测量技术研究

根据眼压与脉搏生物电信息的相关特性,建立眼压与脉搏信息的相应关系对眼压非接触测量意义重大。利用自行研制的眼压测量系统,测量40名不同年龄段测试者在不同时刻的脉搏传输时间(PTT)、每搏输出量、脉搏特征值和脉率等脉搏信息的相应数据。对数据进行拟合处理,得到了三种基于脉搏信息的眼压模型,并将眼压模型应用于系统。经验证,多脉搏信息眼压模型的眼压测量准确性最高,比PTTPCG眼压模型提高了41%,为眼压非接触测量提供了一个新的可靠方法。

基于云模型理论的心电信号分析方法研究

由于心电(ECG)信号特征参数具有模糊性和随机性的特点,为ECG信号的自动分析增加了难度,使ECG自动分析往往很难完全达到专家诊断的效果。针对这一问题,本文探索性地将集随机性和模糊性于一体的定性定量不确定性转化模型——云模型用于ECG信号自动分析系统中。基于云变换和综合云的思想,实现ECG信号的聚类分析。进一步基于云模型理论描述心电专家在临床总结出的分类规则,进而分析诊断,从而克服了传统ECG自动分析诊断过程中判断指标、阈值的绝对化和判断规则的精确化的问题。与传统方法相比,分析过程更加接近于心电专家的思维与逻辑,分析结果更加符合医学专家的诊断结果。以MIT/BIH心电数据库为对象,实验结果表明,结果更加接近于心电专家的模糊逻辑思维分析的结果,是一种有效的ECG信号分析方法。

基于隐马尔可夫模型的躯感网心电图信号特征提取方法

为了解决躯感网的心电信号特征提取问题,结合心电图信号波形的特征区间,建立了面向心电图信号特征提取的离散隐马尔可夫模型;并面向该模型定制了专家标注选取、导联选取、观察数据归一化、三元组初始值选取以及训练数据量选取等方法.最后,采用Baum-Welch算法训练HMM模型的参数,并利用Viterbi算法提取心电图的信号特征.仿真结果表明,基于HMM的心电图信号特征提取算法的复杂度较低、精确度较高、实时性较好,适合在线处理非线性、动态变化的心电图信号,能够满足基于躯感网的心电图信号特征提取的性能要求.

基于心电信号的飞行员应激评价模型的研究

本文基于教练机飞行员训练期间的心电信号,以人体瞬间应激水平为评价依据,通过采集特殊的飞行作业期间的飞行员的心电信号,计算心率以及心率变异性的相关指标,对个体产生瞬间应激的心电信号进行心率相关指标分析以及心率变异性的时域指标分析.同时对应激反应下心率曲线面积变化进行分析,采用多尺度算法,构建了应激强度随训练次数变化的函数关系,揭示了飞行训练应激强度变化的规律,提出了飞行训练及应激阶段的划分方法,建立了基于心电信号的飞行员应激评价的模型.