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。

基于支持向量机的室性早搏检测

心电信号分类是自动心电监护设备的基础。支持向量机 (SVM)在分类和模式识别方面展现出卓越的性能。本研究将支持向量机应用于心电信号室性早搏 (PVC)的检测。根据室性早搏的特点 ,从 ML II导联中提取心率、形态心及小波域能量 3大类共 9个特征。并使用 MIT- BIH的 Arrhythmia数据库的数据 ,根据 AAMI建议要求 ,对采用不同核函数的支持向量机的性能作了比较。

基于RR间期差符号序列预测房颤终止

提出了基于RR间期差符号序列预测房颤自发终止的方法。先由房颤信号的RR间期序列求得RR间期差序列,基于阈值将RR间期差转换为符号序列。将符号序列的复杂度和子串长度概率分布的香农熵作为房颤信号特征,采用模糊支持向量机来预测房颤终止,其中模糊隶属度是在特征空间中计算的并可由核函数表示。通过由Holter心电信号组成的房颤数据库来评价本方法预测房颤终止的准确率,数据库包括一个训练集和两个测试集(A和B)。实验结果表明本方法可正确预测100%的测试集A和95%的测试集B,具有通过Holter心电信号预测房颤自发终止的能力。

基于ELM的室性早搏检测算法

计算机辅助室性早搏检测对室早的早诊断、早治疗十分关键,而基于SVM的室早检测方法存在训练速度慢、分类效果不稳定等问题.提出了一种基于极限学习机的计算机辅助室早检测算法,该算法首先对心电图像进行预处理,去除噪声后进行QRS波检测,然后建立室早特征模型并提取特征,最后基于极限学习机(extreme learning machine,ELM)进行室早检测.利用MIT_BIH的Arrhythmia心电数据库的心电信号对该算法进行了测试,结果表明与SVM相比ELM在分类速度及分类准确度上都有明显的优势.

窦性心律与心室纤颤信号分类的研究

目的实现正常的窦性心律与心室纤颤信号的分类,从而检测出心室纤颤信号。方法该算法基于支持向量机技术,Hurst指数和相空间重构算法。待检测信号取自BIH-MIT和CU数据库,首先对待检测信号进行预处理,然后取滑动窗长度为3s计算出心电信号段的动力学指标值Hurst指数与相空间重构算法中的d值,最后把这两个参数作为特征向量输入到事先设计好的二分类支持向量机中,从而实现分类。结果成功实现了心室纤颤信号的分类,并通过计算该算法的灵敏度、特异性、预测性和准确度且与其他算法比较,可得新算法总体准确率优于其他算法。结论该算法可用于心电信号的检测,进行算法优化之后可嵌入到心电检测仪器中实现应用。

基于复杂网络映射的房颤脉检测

为了探索脉搏波中蕴含的复杂性及简便快速地检测心房颤动,结合中国传统医学中"房颤脉"的概念,设计了一种基于复杂网络的房颤脉检测方法。将光电容积脉搏波的时间序列按可视图法映射成复杂网络,将平均心率与复杂网络的度分布作为支持向量机的输入,基于高斯径向核函数设计了二分类的支持向量机。针对阵发性房颤患者的实验表明,这种方法可以有效地分辨病人的发病状态和正常状态。

基于级联分类器的心律失常检测

常见的心律失常如室性早博(PVC)和左束支传导阻滞(LBBB)在心血管疾病诊断和预后中具有重要的临床价值。本文提出一种用于PVC和LBBB自动检测的级联分类器,通过提取时域和形态特征,采用支持向量机区分PVC和非PVC,再采用加权最小距离分类器(W-MDC)将非PVC分为正常(N)和LBBB。用MIT-BIH心律失常数据库进行算法验证,对N、LBBB和PVC三分类的总体正确率为96.28%,N、LBBB、PVC各类的灵敏度和特异性分别为98.59%、97.15%,81.41%、91.89%和89.22%、84.87%,验证该算法的泛化能力及对不同病人的心拍分类有效性。此外,本文还证明多导联信息综合对LBBB分类性能的提高。

基于光电容积脉搏波的心房颤动识别方法

为了能够简便快捷地检测心房颤动,提出一种基于光电容积脉搏波描记法(PPG)对心房颤动进行识别的方法。首先,将已确诊为心房颤动状态脉搏波与健康状态脉搏波数据进行对比分析;其次,基于分析结果,从脉搏波数据中提取与心房颤动相关的6类特征参数作为分类器的输入;最后,使用支持向量机(SVM)、BP神经网络、随机森林算法3种分类器建立心房颤动识别模型,其识别心房颤动的准确率分别可达89.1%、92.3%、95.2%。实验结果表明,基于PPG的心房颤动识别方法具有很高的识别准确率,尤其在使用随机森林算法作为分类器时,识别准确率达到最优。同时该检测方法简便快捷,是一种可以替代传统心电图检测识别心房颤动的方法,对心房颤动患者的长期观察监测具有临床价值。

基于VF波形多特征参数的除颤成功率预测研究

目的:基于心室颤动(ventricular fibrillation,VF)波形构建电击除颤成功率预测模型,选择最佳的除颤时机进行电击除颤,以提高除颤成功率。方法:通过建立动物实验模型,测量动物室颤时心电数据,从时域、频域和相空间、联合域4个不同维度提取特征参数,选择4、8、10、12 s作为预测室颤时间长度,利用逻辑回归和支持向量机算法构建除颤成功率预测模型。采用5折交叉验证方式进行模型的训练和验证。结果:利用支持向量机算法,使用联合域参数构建模型,选择12 s作为预测时间窗口长度时,除颤成功率预测结果最佳,准确率为0.900,AUC为0.949。结论:利用机器学习算法,综合利用各维度特征参数,能够较好地对除颤成功率进行预测,可以为现场急救人员提供宝贵的辅助建议,提高救治的成功率。

基于支持向量机的室颤信号检测算法

目的:实现室颤信号与非室颤信号的分类,进而实现室颤信号的检测。方法:本文引入了一种基于支持向量机(Support Vec-tor Machine,SVM)和改进的越限区间算法(TCI)的新算法,其中支持向量机在处理分类和模式识别等问题中具有很大的优势。该算法采用4s的滑动窗技术,并利用改进后的越限区间算法(Threshold Crossing Interval,TCI)方法提取心电信号的特征。新算法的实现如下:在每一滑动窗内采用改进的后的绝对值阈值,计算中间2s内的平均越限间隔值。并以此TCI值作为特征参数,输入一个预先设计好的二分类支持向量机中,从而实现分类。结果:成功实现了室颤信号的检测,通过计算该方法的灵敏度、精确度、预测性和准确度且与其他方法相比较,可知此新算法总体可靠性优于其他方法。结论:该算法能够实现室颤信号的实时监测,且简单易行,易于实现,较适合实时的心电监测以及除颤仪器。