人体HRV信号的检测及其复杂性分析

设计开发了一种便携式心电监测仪器,用于监测人的肢体心电(ECG)信号.根据获得的心电数据,采用小波变换技术进行心电R峰的准确定位,进而得到HRV序列.对HRV信号进行复杂性分析的结果表明:处于健康状态下HRV信号的复杂度(C(N))要高于处于病理状态下HRV信号的复杂度,且近似熵和复杂度的分析结果一致;处于健康状态下HRV信号的近似熵要高于处于病理状态HRV信号的近似熵.     

运用功率谱分析预测基因组序列编码区

基因组序列中蛋白编码区的正确预测是后基因组时代的一个重要工作.采用分解子序列的方法将DNA序列映射为数值序列,然后对其进行功率谱分析,DNA序列的功率谱曲线的峰值位置刚好和编码区序列相对应,从而实现了对基因组序列编码区的预测.理论分析和大量计算机实验证实了方法的有效性,预测的探测率和正确率分别达到97%和88%,预测效果良好.该方法不需要基因组序列的任何先验知识,应用面广.     

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.     

基于粒子群优化算法的模式分类规则获取

提出了基于粒子群优化的规则提取算法．该算法将规则编码为粒子,通过粒子群优化算法的速度-位移搜索模型以及粒子保存的记忆信息指导生成模式分类规则集．算法用于Iris数据集模式分类规则的提取．与其他规则提取方法比较,该算法在提高分类规则正确率的同时减少了计算费用．     

基于马尔可夫随机场和多核学习的图像分类

针对词袋模型中的聚集算法对编码矢量之间空间关系信息或者概率分布信息单独建立数学模型,将马尔可夫随机场模型中的拟合参数矢量集合视为编码矢量的聚集矢量集合,计算每个聚集矢量对应的两两图像之间的核矩阵,然后使用基于支持向量机的多核学习方法求解核矩阵的最优线性组合系数以及支持向量系数,最后使用所得训练模型对测试图像进行分类.对于15类场景数据集和Caltech 101数据集,本文算法的分类正确率达到82.67%和62.94%,与其他算法相比具有更高的平均分类正确率.     

神经网络自适应共振理论应用于心电图QT间期自动检测的研究

介绍一种利用改进的ART(自适应共振理论 )人工神经网络检测心电图QT间期的方法 .用经过训练的ART网络对心电波形进行分类和识别 ,较准确的测出T波终点位置 ,从而提高QT间期检测的正确率 .该算法在一定程度上模拟了心电专家手工测量QT间期的过程 ,用于检测包括MIT心律失常数据库 (MIT/BIHArrhythmiaDatabase)在内的共近千个心跳波形 ,并以两位心电手工测量结果作为标准数据进行对比 .对比结果显示 ,我们的算法对单路心电波形自动检测的准确度与通常手工测量具有可比性 ,充分体现了人工神经网络的优越性 ,在要求自动检测大量数据的场合具有显著的应用价值 .     

DNA序列信号3-周期特性

在利用离散傅里叶变换(DFT)对数值化映射后的基因序列进行频谱分析中,DNA序列信号频谱3周期性被认为是用来区分编码区和非编码区的一个重要特征。给出推广后的频谱信噪比(SNR)定义,该定义具有更广的适用性并且适合快速计算;对不同种类生物基因的编码和非编码区域的信噪比进行计算和统计分析,在此基础上提出3种分类阈值确定方法;对影响信噪比和阈值确定的因素,以及基于3周期性的基因识别方法正确率的局限性等也做了较深入的统计分析     

棕色田鼠心电图的测定和分析

实验采用标准双极肢导联(Ⅰ、Ⅱ、Ⅲ)和加压单极肢导联(aVR、aVL、aVF),对轻度麻醉的30只成体棕色田鼠进行了心电图测定,并对心电图各波进行了初步分析.结果表明,棕色田鼠的心律为窦性心律;QRS波平均心电轴为82°,它与T波不能完全分开,呈QRS-T波群,无S-T段.     

基于短时心电信号的疲劳驾驶检测算法

心率变异性分析是最常用的一种基于心电信号的疲劳驾驶检测方法.然而,该方法需要被检测信号时间足够长,且准确率较低.因此提出一种基于短时心电信号的疲劳驾驶检测算法.首先,按照30s的时长截取短时心电信号序列,利用差分阈值法确定R波位置,根据R-R间期差值大小剔除不合格的噪声样本;然后,计算R-R间期序列的时域/频域特征并与利用ImageNet数据集预训练的深度卷积神经网络模型提取的特征相结合;最后,设计了一种随机森林分类器并基于这些特征进行分类.结果表明,该算法在疲劳驾驶检测上具有良好的分类效果,平均准确率达到91%.因此,相较于心率变异性分析方法,本算法检测所需心电信号更短,且在准确率上具备显著优势.     

基于小波方差的运动想象脑电信号特征提取

针对区分两种不同运动想象(想象左手运动和想象右手运动)的脑-机接口任务,提出了以小波方差作为分类特征的方法.首先深入研究了小波变换以及小波方差的计算方法,结合验证脑电图(EEG)存在的ERD/ERS现象,然后利用小波分解系数方差对C3,C4导联脑电信号进行特征提取,最后采用最简线性分类器进行分类,采用分类正确率作为主要评价标准.结果表明,最大分类正确率为85%,最佳分类时间段为4~6.5 s.与BCI竞赛和其他方法相比,在保证分类正确率的前提下,所使用的特征提取和分类方法更加简单,具有较高的参考价值.     

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。     

Poincaré映射的定义域

研究一维周期微分方程Poinaré映射的定义域，证明如果这个映射存在，其定义域一定是一个开区间，并分别对Bernoulli、Riccati和Abelian等方程寻求它们Poincaré映射的定义域.     

心率变异性的复杂性与分形维数分析

发挥非线性动力学的潜力，提出了心率变异性（ＨＲＶ）信号的复杂度分析法和分形维数分析法。由于这两种方法能从较短的ＨＲＶ信号中提取信息，因此作者又进一步把这两种分析方法发展成动态分析法。用这两种方法分别对一个改变体位的ＨＲＶ信号和一个发生心肌缺血的ＨＲＶ信号的过程进行了动态分析。分析结果表明，它们都成功地检测出了ＨＲＶ信号的生理和病理变化。可见，动态复杂度分析法和动态分形维数分析法对ＨＲＶ信号及类似于ＨＲＶ的信号是很有前途的分析方法。     

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程,利用多导睡眠仪(polysomnography,PSG)和体动记录仪,分别记录被试的ECG信号和体动信号,再对ECG信号提取心率变异性(heart rate variability,HRV)的特征值,并将其作为实验数据的特征参数.为了提高识别率和防止过度拟合,将实验数据分为训练集和测试集...     

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。     

Sign series entropy analysis of short-term heart rate variability

Complexity and nonlinearity approaches can be used to study the temporal and structural order in heart rate variability （HRV） signal, which is helpful for understanding the underlying rule and physiological essence of cardiovascular regulation. For clinical applications, methods suitable for short-term HRV analysis are more valuable. In this paper, sign series entropy analysis （SSEA） is proposed to characterize the feature of direction variation of HRV. The results show that SSEA method can detect sensitively physiological and pathological changes from short-term HRV signals, and the method also shows its robustness to nonstationarity and noise. Thus, it is suggested as an efficient way for the analysis of clinical HRV and other complex physiological signals.     

动态心电图对病态窦房结综合征的诊断价值

目的 :探讨动态心电图对病态窦房结综合征的诊断价值。方法 :选用经临床心脏电生理检查证实的 46例病态窦房结综合征患者进行 2 4h动态心电图检查 ,并选 5 0例健康人进行对照。结果 :病态窦房结综合征组心率明显慢于健康对照组 ,两者具有显著差异 ,P <0 .0 0 1;病态窦房结综合征组心律失常检出率明显高于对照组。结论 :动态心电图对间歇性心率和心律改变的病态窦房结综合征患者 ,能明显提高心律失常的检出率 ,是早期诊断病态窦房结综合征的最可靠的方法     

Distribution of correlation dimensions of synchronous 12-lead ECG signals

Correlation dimensionsD ₂ of the synchronous 12-lead ECG signals have been investigated for the first time by distributed multi-sensor (multi-electrode) technique. The results show that correlation dimension of heart has the distributed characteristics.D ₂ calculated from different lead ECG signals is not a constant regardless of a healthy person or a coronary heart disease (CHD) patient with sinus rhythm. But with the same lead signal,D ₂ of CHD patients is evidently smaller than that of a healthy person except I, II, III leads. A healthy person and CHD patient can be identified byD ₂ statistically andD ₂ shows the potential application in the diagnosis of the CHD patients.     

心冲击图心率变异性分析的可行性

 心冲击图（BCG）是一种无接触检测心脏活动的方法。本文研究利用心冲击图进行的心率变异性（HRV）检测。同步采集了20 名测试者在平静、瓦氏动作、瓦氏动作后、运动后4 种生理状态下的心电图（ECG）信号和心冲击图信号;分析了HRV_BCG和HRV_CG在时域、频域、非线性域的测定值;计算了相应测定值的相关性,并利用成对t 检验分析了两种方法的测定值的差异显著性。研究结果表明,在平静、瓦氏动作后和运动后的HRV 测定值无显著性差异。在时间较短的瓦氏动作中,两种方法测定的测定值中nPNN50、LF/HF 和SD₁有显著性差异。