运用双向长短期记忆模型的心拍分类算法

为提高心拍的分类效果,研究基于双向长短期记忆(BiLSTM)模型的深度学习算法.首先,采用“双斜率”法对心电信号进行预处理;然后,设计自适应阈值对预处理后的心电信号进行QRS波定位,并依据R波波峰分割截取心拍;最后,采用BiLSTM模型的深度学习算法对获取的心拍形态进行分类.使用MIT-BIH心率失常数据库验证算法有效性,实验结果表明:文中算法对正常或束支传导阻滞(N)、室上性异常(S)、心室异常(V)、融合(F)类型的敏感性分别为98.56%,97.10%,93.33%,79.52%,特异性分别为98.38%,98.08%,98.54%,99.65%;与传统的支持向量机等方法相比,文中算法能够进一步提高心拍分类的正确率.     

非侵入式胎儿心电信号的R波检测方法

采用非侵入式方法从母体腹部采集的胎儿心电信号(FECG),由于信号微弱并受到母体心电信号和噪声的干扰,要准确识别出FECG的R波非常困难.本文通过对从母体腹部表面采集的信号进行二进小波变换,并用模极大值法确定信号奇异值点的位置,根据母体与胎儿心电在模极大值上的差异,识别出胎儿心电信号的R波.此方法在MIT Physio Net/Cin C 2013挑战竞赛公布的标准数据进行了实验,并参加了SET-B数据集的挑战,根据MIT竞赛平台公布的结果,此方法从母体腹部采集的单通道信号中识别胎儿心电信号R波的准确率达到93.8%.     

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.     

一种新的房颤心电融合特征提取方法

心房颤动(简称房颤)是临床上最常见的心律失常之一。阵发性房颤的发作具有突发性、反复性且发作时间短暂等特点,因而临床上往往难以及时捕捉到房颤心电而造成误诊漏诊等现象。它在心电图上的表征主要为:①P波缺失,代之房颤波(f波);②RR间期绝对不规则。针对这两个表现,文中提出了一种新的房颤心电融合特征提取方法。首先对心电信号进行去噪处理,并对去噪后的心电信号进行可调品质因子小波变换;其次,对QRS波群频带的重构信号进行R峰的自动检测,并计算RR间期变异系数与子串长度概率分布熵;然后,绘制P波频带范围内小波系数的T-lag散点图,并提取置信散度距离和与置信散度指数;最后将这两类特征构成房颤心电融合特征,并结合MIT-BIH心房颤动数据库与超限学习机完成房颤的自动检测,以验证所提方法的可行性与有效性。文中所提方法的平均检测结果的准确率、敏感度和特异度分别为96. 36%,94. 64%,98. 15%,表明所提方法能够有效地完成房颤心电的自动识别。     

基于小波变换自适应滤波方法的ECG信号消噪

为了减少在用小波变换方法进行心电信号消噪时所产生的心电信息损失,本文在对心电信号进行离散正交小波变换的基础上,进行自适应滤波处理,即以具有最大QRS波能量的尺度上的高频细节信号作为自适应滤波器的参考输入,以噪声干扰对应的分解尺度上的“细节”分量及最大分解尺度上的近似分量所重构的信号作为原始输入.实验证明这种改进的滤波方法可以在有效抑制心电信号中噪声干扰的同时,较好保持心电信号的波形特征及有用的心电信息,达到较好的滤波效果.     

一种从母体腹部电极心电信号中检测胎心R波的算法

母体腹部电极心电法通过放置在孕妇腹部的电极片无创检测胎儿心电信号.但腹部无创检测采集的是包含胎儿心电、母体心电及噪声的混合信号,且母体心电信号的幅值远大于胎心信号.基于此问题,提出从母体腹部心电信号中检测胎儿R波的高效算法.该算法避免对腹部信号建立复杂的模型,通过最小化误差函数,自适应地滤除母亲心电信号的波形,以获得较清晰的胎儿心电波形.再经过基于聚类的胎儿R波尖峰检测以及精筛选的步骤,获得正确的胎儿R波尖峰.该算法使用PhysioNet Challenge 2013的腹部心电数据集Set-a进行测试.测试结果中,胎儿R波尖峰提取的平均灵敏度为88%,平均阳性检测率为88%.由于不涉及复杂的计算,该算法运行时间短,效率高,处理持续时长为60s的腹部信号平均用时2.64s,很适合用于可穿戴设备中心电信号的实时检测.     

基于差分阈值与模板匹配的心电R波提取算法

心电信号(electrocardiogram,ECG)是人体最重要的体征信号之一,R波是心电信号中最明显的特征参数.R波的正确提取是计算心率、分析心率变异性等其他参数的基础.以一阶差分为基础,结合模板匹配算法,在匹配的过程中采用阈值比较和匹配系数的心电R波检测方法,提高了R波检测的准确率.实验表明,该算法能够快速准确地检测心电信号数据中R波特征值.     

基于斜率突变的 QRS 波检测

在心电信号的分析中,QRS波群快速准确地检测是计算其他相关参数的前提.在正确识别R波的前提下,对心电信号进行频域变换后,以R渡点为基点,通过逐次计算R波左侧或右侧相邻两点的斜率并比较斜率是否发生突变,当相邻两点斜率突然发生变化时,可判断为Q波或S波.采用实时采集数据对以上算法进行验证,实验表明,该算法原理简单,计算量小,能够快速准确地检测心电信号数据中Q,S波的特征值.     

基于语音信号与心电信号的多模态情感识别

通过采集与分析语音信号和心电信号,研究了相应的情感特征与融合算法.首先,通过噪声刺激和观看影视片段的方式分别诱发烦躁情感和喜悦情感,并采集了相应情感状态下的语音信号和心电信号.然后,提取韵律、音质特征和心率变异性特征分别作为语音信号和心电信号的情感特征.最后,利用加权融合和特征空间变换的方法分别对判决层和特征层进行融合,并比较了这2种融合算法在语音信号与心电信号融合情感识别中的性能.实验结果表明:在相同测试条件下,基于心电信号和基于语音信号的单模态情感分类器获得的平均识别率分别为71%和80%;通过特征层融合,多模态分类器的识别率则达到90%以上;特征层融合算法的平均识别率高于判决层融合算法.因此,依据语音信号、心电信号等不同来源的情感特征可以构建出可靠的情感识别系统.     

一种基于深度学习的OFDM信号检测方法

针对传统算法在正交频分复用(OFDM)系统导频数量较少时误符号率较高的问题,提出一种基于深度学习的OFDM信号检测方法,该算法设计一种信号检测网络,其信号检测网络可以代替传统算法中的信道估计和均衡,主要包含:输入层、双向长短记忆神经网络(Bidirectional long short memory neural network,BiLSTM)层、全连接层、softmax层以及分类层。首先需要构建BiLSTM,然后利用3GPP TR38.901信道模型下生成的数据对已经构建好的神经网络进行训练,最后则可将训练好的神经网络应用于OFDM系统之中,对整个系统进行信号检测。仿真结果表明,BiLSTM信号检测网络采用的是端到端的方式进行OFDM信号检测,与传统的信号检测方法相比,BiLSTM信号检测网络在误符号率为10-3时,有5～6 dB的性能提升,与同类型的采用端到端的LSTM信号检测网络的算法相比,该算法在误符号率为10-3时,有2～3 dB的性能提升。     

具有窗口结构Bi-LSTM网络的心电图QRS波检测方法

心电监测已经成为临床诊断和健康监测的重要手段.作为心电分析的基础,心电图QRS波的自动检测备受关注.但是,由于动态心电数据体量大、有噪声,目前很多方法在动态心电图QRS波的检测任务中往往表现不佳,在实际应用场景下实际准确率不到80%.针对此问题提出具有窗口结构Bi-LSTM(Bidirectional Long Short-Term Memory)网络的心电图QRS波检测方法 .通过增大采样窗口,在双向的LSTM结构中添加卷积层,给模型赋予了特征提取的能力,经过样本训练就能获得可以预测的模型.卷积Bi-LSTM模型可以自动学习和标注心电图中QRS波的位置,解决正样本稀疏和噪音干扰的问题.实验表明,具有窗口结构Bi-LSTM网络的心电图QRS波检测方法在适当增大取样窗口时,可以提高预测准确度并加快收敛速度.     

基于径向基函数神经网络的胎儿心电提取

针对胎儿心电难以提取问题,提出一种从母体腹壁混合信号中提取胎儿心电的方法.利用径向基函数(radial basis function,RBF)神经网络估计母体心电信号传导至腹壁的非线性变换,将非线性变换后的母体心电信号从腹壁混合信号中减去,再通过小波包去噪技术抑制胎儿心电的基线漂移和噪声,得到清晰的胎儿心电.应用临床心电数据完成实验,在胎儿心电和母体心电QRS波完全重叠情况下,提取出清晰的胎儿心电.实验结果验证了方法的有效性.     

基于改进小波变换的QRS特征提取算法研究

提出了一种改进小波变换的方法对心电信号进行检测.首先设计不同的方法对心电干扰进行消噪预处理;然后对预处理后的心电信号采用改进小波变换和窗口函数的方法检测QRS波群;最后利用MIT-BIH标准数据库中的数据对此算法的准确度和有效性进行验证.结果表明改进小波变换方法对R波峰值定位的准确度可达到99.89%,为其他波群的检测定位奠定良好的基础,对诊断心肌梗死等心血管疾病具有重要意义.     

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.     

基于脉搏波数学模型的运动员运动状态判别方法

针对利用运动员脉搏波信息对其运动状态(高强度运动、平静)进行判别,并减少身体状态的随机性对脉搏波特征信息的影响问题,提出了一种对原始脉搏波信号进行建模进而提取特征信息进行状态判别的方法.利用训练-测试的二分类分析方式,对运动员的心率状态进行判别,以分析运动员的运动状态,辅助其进行运动训练工作.实验通过对10名运动员志愿者在不同状态下进行脉搏波采集,对预处理后的原始信号进行函数建模并提取生理信息,利用SVM进行监督训练和测试.结果表明,该方法能够对运动员心率状态进行有效判别,得到运动员的运动状态.     

基于卷积神经网络-双向长短期记忆网络的人体活动识别方法

针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型（CNN-BiLSTM）进行人体活动识别（HAR）。首先对人体活动数据进行样本分割,然后采用卷积神经网络（CNN）自动提取人体活动数据的特征,再通过双向长短期记忆网络（BiLSTM）学习人体活动数据特征在时间序列上前后两个方向的相关性,最后利用softmax分类器实现对人体活动分类。DaLiAc公开数据集上的仿真实验结果表明,基于CNN-BiLSTM网络的人体活动识别方法对13种人体活动的识别准确率达到了97.7%,与仅具备时间特征学习的LSTM网络和BiLSTM网络相比,具有更好的识别分类效果。     

基于平稳小波变换的心电信号P、T波检测算法

QRS波群与P、T波均是心电信号的重要组成部分,其准确检测与分析对心血管疾病的诊断起着至关重要的作用.由于P、T波幅度小且频率低、形态多样,对其准确定位与识别一直是心电信号处理中的难题.针对此问题,提出一种基于平稳小波变换的P、T波检测算法,经降频后在22尺度的细节系数上检测得到P、T波的特征参数.运用MATLAB的仿真环境,对MIT-BIH数据库中的ECG信号进行算法的波形检测实验验证.实验结果表明,该算法对心电信号中P、T波的检测取得了满意的效果.     

心电信号的房颤自动识别算法

为提高房颤识别的准确率和效率,提出基于心电信号的房颤自动识别算法.首先,采用二阶差分阈值法对R波进行初筛;然后,引入指数移动平均的方法动态验证初选出的R波,通过整体上移心电图、结合一阶差分阈值和实时调整窗口时间的方法解决影响R波准确率的问题;最后,基于临床经验,提出3条判别规则,从而筛选出相应的房颤片段.实验结果表明:文中算法的阴性预测率和特异性分别可达99.7%和99.8%,可有效帮助医生减少阅读量,提高工作效率和诊断准确率.     

基于小波相干分析的阵发性房颤自动检测方法

阵发性房颤是一种最为常见的心律失常,发作时心电图主要表现为RR间期绝对不规则以及P波缺失。已有阵发性房颤的自动检测方法仅依赖于心电信号的时域信息,从而使得检测准确率不高。鉴于小波相干分析可以同时展现信号的时域和频域信息,文中提出了一种基于小波相干分析的阵发性房颤自动检测方法。首先,对所有的心电信号预处理;其次,对模板与待测心电信号分别进行小波相干分析得到其小波相干图;进而,计算小波相干值均值、比率和交叉小波相位角方差构成房颤心电特征;最后,将上述特征结合超限学习机完成阵发性房颤的自动检测。文中通过MIT-BIH房颤数据集验证所提算法的有效性与可行性,数值实验结果达到准确率97. 81%,敏感性98. 54%,特异性98. 61%。     

基于改进多尺度ASM和非刚性配准的4D-CT左心室分割

64排及以上多层螺旋CT(MSCT)能提供含有时间信息的四维CT成像数据,可用于动态心、肺等功能的分析.为此提出了基于改进的多尺度ASM和非刚性配准的分割方法,从心脏MSCT四维数据集中提取左心室腔和心肌.该方法根据MSCT层片间的特点,采用改进的特征点标记方法对收缩末期的左心室进行形状建模,在基于改进的模型定位和搜索算法基础上,运用多尺度ASM算法实现三维数据集上的分割.通过互信息量的Demons非刚性配准方法,利用膨胀末期的分割结果实现对其余心相上的左心室配准分割.在256排MSCT四维心脏数据集上的实验表明,该方法对血腔的分割结果和手工分割结果的平均相似度在95%以上,心肌的平均相似度在88%以上.