基于小波变换的心电信号阈值去噪

随着医学技术的不断进步,人们可以通过对心电信号的研究来诊断心脏病的严重程度及各种症状,但如何得到一个无噪声的心电信号,即对心电信号的去噪声已成为医学上越来越关注的研究热点。详细介绍了小波变换原理,通过小波变换原理对心电信号阈值进行去噪,由此得到一个纯净的心电信号,为诊断心脏病提供了一个新的方法。     

多功能便携式心电监护仪的研制

介绍一种以８７Ｃ１９８单片机为核心的多功能便携式心电监护仪它可长时间采集、存储患者的心电信号,用ＬＣＤ显示心电波形,能进行心电数据的自动分析,具有多种报警功能,需要时还可通过电话或ＲＳ－２３２接口将心电数据传送到中央监护系统的中心主机     

基于混沌特性和BP神经网络的室性早搏的自动诊断

心电信号是诊断心血管疾病的重要依据.通过心电信号的混沌特性分析和Lyapunov指数导数的相关计算,准确提取了室性早搏(premature ventricular contraction,PVC)的特征,进而,通过BP神经网络的训练,完成了室性早搏心拍在心电信号数据序列中的正确识别,实现了室性早搏的自动诊断.利用MIT-BIH心律不齐数据库中的数据对算法的可行性进行了验证,结果表明该算法有良好的稳定性和较高的准确率,能很好地完成室性早搏的快速诊断.     

心电信号中去除肌电干扰信号的研究

心电信号是一种极易受环境影响的微弱信号,其中夹杂的各种干扰噪声增加了心电信号的分析和诊断难度.针对心电信号中的肌电干扰信号,设计改进型分布式FIR低通滤波器.以MIT-BIH心电信号数据库为样本信号,对该滤波器进行数值仿真和电路测试,研究表明该滤波器能有效滤除肌电干扰信号,能提升信噪比、降低均方差,提高心电信号检测的准确率.因此,该设计对去除肌电干扰信号是有效和可靠的.     

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.     

心电信号数字滤波器的设计与实现

心电信号是心脏疾病的重要医学诊断依据.为获取具有实用价值的诊断信息,介绍在心电信号处理中滤波算法的实现,探讨针对心电信号的工频干扰和肌电干扰的数字滤波方法,选取有效的滤波算法用于消除和抑制工频干扰、肌电干扰.通过对采集到的离散心电数据和理想心电信号相比较,设计出对工频干扰和肌电干扰进行处理的数字滤波器方案,利用Matlab仿真技术进行比较和分析,从而得到较为理想的心电信号.实验表明,选取的心电数字滤波方法能达到预定设计要求,具有实时性、有效性等优点.     

生物电信号发生器

能够方便地产生各种非标准信号的信号发生器在一些专业课教学中是非常需要的，本文介绍了一种方便实用的生物电信号发生器的设计方法。     

MEC—100综合心电心音分析仪通过省级鉴定

由我校402教研室高延滨、冯伟兴等同志研制的MEC—100综合心电心音分析仪,6月16日在我校通过由省科委组织的成果鉴定.MEC—100综合心电心音分析仪具有多项诊断与监护功能.它能够长时间连续地监护病人的多路心电信号,自动诊断十二导心电图,自动分析病人的心向量图,同步输出多路心电心音信号,而且还具有电子听诊器和病例管理等功能.该仪器的主要组成有心电心音放大器、12位A/D转换电路、486计算机和激光打印机等.     

DXJ－2型心电检查／监护两用仪的研制

介绍一种便携式电视显示心电检查／监护两用仪。仪器将心电信号变换为视频和射频信号，可在普通电视屏幕上显示双线实时滚动或冻结的心电波形以及坐标网格，并具有ＱＲＳ波检测、心律判别、自动冻结、报警和１６次记忆等功能。     

基于深度学习的心电信号分析检测系统

针对传统人工识别心电信号方法存在工作量大、容易出错和现有心电监测设备仍然存在心电信号识别类型少、诊断精度不高、过度依赖于网络服务等问题,为提高心电监测设备性能,基于深度学习技术设计了心电信号ECG(Electrocardiogram Signals)分析检测系统。通过搭建SENet-LSTM(Squeeze-and-Excitation Networks-Long Short Term Memory)网络模型实现心电信号7分类的自动诊断,模型建立在一个采用ADS1292R作为心电采集模块,STM32F103作为数据处理模块,树莓派作为中央处理模块的智能化硬件平台上,该系统利用一体化的高性能微型计算机树莓派进行计算分析,为用户提供离线化的人工智能(AI:Artificial Intelligence)服务,同时模型的准确度和精确度分别为98.44%和90.00%,从而实现ECG的实时检测和准确分类,为患者提供精准的病情诊断。     

神经网络在机械系统故障诊断中的应用

近年来，神经网络已成为当代人工智能研究领域的一个热点，工程界也表现了极大的热忱，期望它在解决一些长期以来用传统方法难以解决的问题方面能发挥突破性作用。本文较为详细地探讨了神经网络双向联想记忆法在机械系统故障诊断中的应用。研究表明，该法能大大提高故障诊断的智能水平和实时处理能力，为机械系统故障诊断开辟了一条新途经。     

基于C8051F320单片机的心电监护系统设计

为推进现代心电监护向数字化、智能化发展,使心率精确显示,提出一种基于C8051F320单片机的心电监护系统.该系统采用放大滤波电路对ECG (Electrocardiograph)信号进行处理以实现心电信号的放大、噪声的消除等功能,并利用单片机控制LCD (Liquid Crystal Display)对其进行实时显示...     

急性正后壁心肌梗死采用常规导联与头胸导联心电图定位诊断比较

目的对急性正后壁心肌梗死的患者及健康人,分别采用常规12导联和头胸导联对其进行心电图定位诊断的比较。方法选取心内科急性正后壁心肌梗死的患者36例和健康人52例,分别应用常规12导联和头胸导联心电图进行同步记录,后参照冠状动脉造影确诊结果对两份心电图检查结果进行对比,经计算得出两种导联的心电图对急性正后壁心肌梗死诊断的确诊率和假阳性率,应用χ2检验作出统计学分析。结果常规12导联心电图对急性正后壁心肌梗死36例患者中,32例可确诊,确诊率为88.8%;对52例健康人做出了7例假阳性诊断,假阳性率为13.4%;头胸导联对急性正后壁心肌梗死患者有35例可确诊,确诊率为97.22%,对52例健康人做出了2例假阳性诊断,假阳性率为3.85%。差异具有统计学意义(P<0.05)。结论急性正后壁心肌梗死的临床诊断,头胸导联优于常规12导联,值得临床推广。     

非ST段抬高急性心肌梗死的心电图分析

目的探讨非典型心肌梗死在心电图中的表现及临床意义。方法随机抽取我院2006年1月至2008年1月门诊确诊的急性心肌梗死患者57例,对其临床资料及心电图表现进行探讨。结果 57例急性心肌梗死患者,出现非典型心电图形态20例,占35.08%。结论熟悉并掌握非典型心肌梗死的心电图形态改变对急性心肌梗死的诊断治疗及预后至关重要,防止出现误诊、漏诊现象,为临床提供准确的诊疗依据。     

无创伤性微机分析系统用于诊断心血管疾病的研究

为了从心电和血脉搏的同步采集信号中提取有诊断心血管疾病价值的特征参数,设计了信号采集器和计算机数据处理系统.该系统可以无创伤性地对心电和血脉搏信号实现连续同步采集、波形滚动和冻结显示、数据保存和处理.处理功能包括在时域中对各时间间期、峰值比率、幅相关系和延迟时间的计算分析和相关分析,在频域中对信号的自功率谱和互功率谱的分析.初步临床试验和计算结果表明,一些参数可构成定量分析,并作为对传统诊断心血管疾病方法的有力的补充.     

基于支持向量数据描述的机械故障诊断研究

为了解决在机械智能监测与诊断中缺少故障样本的问题，提出了一种机械故障单值分类的新方法——支持向量数据描述法。该方法只需要一类目标样本作为学习样本，而不需要其他非目标样本，就可以建立起单值分类器，从而区分了非目标样本和目标样本。将这种方法应用在机械故障诊断和状态监测中，仅仅依靠正常运行时的数据信号，而不需要故障数据，就可以监测机器的运行状态，且不需要对原始数据进行特征提取。实验结果表明，支持向量数据描述法与传统的神经网络方法相比，具有较好的分类能力和较高的计算效率。     

MS6001燃气轮机安全监测评估系统的软件实现

以法国引进的ＭＳ６００１燃气轮机发电机组为研究对象，针对它开发了一套以燃气轮机循环计算，压气机和涡轮特性计算及燃气轮机变工况计算为基础的工况监测显示系统软件，该软件的开发有利于提高燃气轮机系统智能化运行管理，具有较好的实用性。     

心电图心向量电轴左偏及左前分支阻滞350例分析

电轴左偏是诊断左前分支阻滞的先决条件,但左前分支阻滞不是引起电轴左偏的唯一因素,因为其它因素所致的电轴左偏度数与左前分支阻滞所致电轴左偏度数互相重叠,因此宜加作心向量与心电图对照分析,排除各种因素所致的假性电轴左偏,予以鉴别珍断,力求达到诊断准确。本文表明心向量对室内传导阻滞及分支阻滞诊断优越于心电图。     

基于粒子滤波的分布式智能故障诊断系统研究

针对传统故障诊断系统硬件结构以及故障识别算法过于复杂的问题,提出并研究了一种基于粒子滤波的分布式智能故障诊断系统.该系统采用ZigBee无线传感网络实现系统分布式多变量参数的实时采集,基于粒子滤波算法在线处理各变量数据,并基于简易模式识别算法获得系统真实状态的准确估计,实现系统故障的智能诊断与故障预示.智能故障诊断系统由ZigBee无线传感数据采集网络、粒子滤波算法、系统状态模型和故障模式识别四部分构成.粒子滤波算法基于粒子序贯重要性重采样和蒙特卡洛方法对传感器采集数据滤波,抑制或消除干扰及显著性误差对系统状态估计的影响,可避免粒子退化.故障模式识别就是求取与粒子滤波输出的系统状态估计曲线残差之和最小的系统状态模型.智能故障诊断系统的实现和实例实验结果表明该系统能实现对象的远程监测、对象状态的精确估计、对象故障的准确诊断,拓宽了分布式传感网络的应用范围,并具有成本低、可靠性高、实时性好和易实现的优点.     

UML建模技术在智能故障诊断系统中的应用

智能故障诊断系统是电站仿真系统中的重要部分,它根据采集到的数据或经转换过的参数进行推理、判断出发生故障的设备.推理诊断采用专家系统和不确定性推理的技术.本文以UML(统一建模语言)为工具,对智能故障诊断系统进行面向对象分析、设计和建模.