生物医学工程专业医学信号处理课程实践

医学信息处理技术是当代生物医学工程的一个主题。因此通过医学信号处理课程，在科研的背景下，用讲课和上机实验相结合的方法，培养学生的医学信息处理能力是这门课的任务和使命。

基于多尺度熵的心电图分析

使用Costa等提出的算法研究心电图(ECG)的多尺度样本熵(MSE)的特性。研究发现,心电图MSE均值随着心脏健康状况的变差呈下降趋势。健康人的心电图的MSE波动范围比较稳定在某个范围之内;而冠心病人的波动范围则相对较大;心梗病人的MSE变动范围比较小,波动范围收敛在相对低的多尺度熵值区域。研究表明MSE均值和波动范围的变动情况可以比较有效地揭示心脏健康状况,尤其是MSE波动范围的大小变化情况表征了心脏疾病演化的动态过程(在疾病形成之中其熵值的波动范围变化最大),是一个早期发现病症较为灵敏的参数,具有重要的临床诊断意义。

心电图的基本尺度熵分析

在健康人和有疾病人的生理信号的复杂度问题的量化受到普遍关注.复杂度的降低已被指出是病理动力学的一个普遍特征.本文使用前人提出的算法研究了心电图(ECG)的基本尺度熵(BSE)的特性,研究发现健康人的心电图的基本尺度熵比较稳定在某个范围之内(在每个图的中间区间),示出心电图处于稳定阶段,心脏的健康状况良好;而冠心病人的基本尺度熵变动范围比较大,在某个时段会波动很小、在另一个时段则会波动很大,显示出心电图处于不稳定阶段,心脏的健康状况正在变差;心梗病人则在任何时段都会表征为基本尺度熵变动范围比较小、慢慢在收敛,基本尺度熵值波变动范围最小,说明心脏的健康状况处于恶化阶段,即将危及生命.研究表明基本尺度熵值变动情况对临床诊断心脏疾病的发展演化阶段有重要的指征意义.

基于联合熵的室性心动过速与室颤识别

对心电信号进行分析,是医学临床上检测和诊断心脏功能的重要手段。室性心动过速(VT)和心室纤颤(VF)是威胁人类生命的严重的心脏疾病。本文应用联合熵方法分析正常心跳信号(NSR)、VT和VF信号的动力学复杂性信息。将动力学符号统计理论以及替代数据的概念融入其中,通过计算原始时间序列和其替代时间序列之间的联合熵值,来量化序列的动力学复杂性。经过对实际心率数据的计算机分析,证明了联合熵方法的合理性。根据联合熵值的不同对NSR、VT和VF信号进行区分,取得了令人满意的效果。

基于模式熵的室性早搏与房性早搏识别

对心电信号(ECG)的识别是及时诊断各种严重心脏疾病的基本手段。室性早搏(PVC)和房性早搏(APC)是威胁人类生命的严重的心脏疾病。本文提出基于模式熵方法识别正常窦性心律(NSR)、APC和PVC信号。目前提出的很多识别NSR、APC和PVC等疾病的方法准确率达到90%～98%,但是很多方法都需要大数据量。通过计算正常NSR、PVC和APC信号的模式熵值,然后对结果的分析对比,证明了模式熵方法的合理性和准确性,而且不需要很太多的数据。

窦性和房性心律失常的基本尺度熵检测

文献指出,基本尺度熵方法可以应用于短时心率变异信号的分析。本文利用该方法,从数据库中提取窦性心律、房性心律失常的ECG信号,以实现该两种心律失常的检测。本文对MIT-BIH标准数据库中的正常窦性心律、房性早搏、窦性心动过缓信号进行了分析和检测。结果表明,基本尺度熵方法能够检测窦性和房性心律失常。