基于时域特征的房颤识别方法

针对便携式心电采集设备采集的手部心电信号质量较差、阵发性房颤识别困难问题,提出一种房颤自动识别方法,利用信息熵和连续小波变换(CWT,continuous wavelet transform)筛选奇异波形,准确识别心电信号中的R波,并利用R波信息提取心电信号的时域特征,利用BP神经网络构建阵发性房颤识别模型.在PCinCC2017和AFDB数据集上的实验表明,本文方法的房颤识别的灵敏度和特异性分别高于96%和98%,对失常10秒左右的短时阵发房颤的识别灵敏度和特异性均高于94%,可以应用于家庭便携式房颤监测.

基于高斯混合模型的标准心电波形筛选

针对基于心电信号身份识别中,由于随机选取的心电波形不完整(如T波缺失、R波缺失等)、变形等而影响身份识别准确率的问题,提出基于高斯混合模型的心电波形筛选方法.该方法将信号发生器产生的标准的心电信号切割成单心动周期,提取每个心动周期幅值、斜率、弧长及面积等46个特征,建立单心动周期标准心电波形的高斯混合模型,通过计算马氏距离判断某心电波形是否符合标准心电波形的高斯模型分布,实现具有明显PQRST特征的心电波形筛选.该方法在52人实际采集心电数据和ECG-ID数据库上分别进行了三组实验,不完整波形的平均拒绝率分别为97.87%、98.69%,能够有效挑选出完整的心电波形.