心肌梗死诊断中的SDEC可分性准则研究

多数现存的可分性准则在高维情况下往往存在实现上的困难。针对心肌梗死心电信号(ECG)特征提取过程中的基于标准差和欧氏中心距(SDEC)的可分性准则进行研究,研究数据取自PTB诊断数据库,包括:正常状态病人、早期心肌梗死、急性期心肌梗死。实验结果表明,基于SDEC的可分性准则应用于心肌梗死心电信号特征提取和分类能有效地克服现存可分性准则实现上的困难,并与心肌梗死实际演变过程中的可分性相一致。     

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。     

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

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—L MAR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。     

一种适于心电数据的可分性评价准则研究

在心电特征提取中,现存的基于多种可分性准则和K L变换等技术在特征提取的有效性等方面都有各自的优缺点,都不能保证取得满意的结果。这就需要有一个评价准则来衡量最终特征的有效性和类间的可分性。为此,本文针对心电数据提出了一种基于标准差和欧氏中心距的可分性评价准则,并应用于MIT BIH数据库中心律失常数据的特征提取、特征有效性的评测和决策树的设计。实验结果表明,这是一种有效和实用的可分性评测准则。