基于心电图分析的心律失常分类

心律失常分类是心电图自动分析的重要内容。论文基于心律失常的心电波形特点,运用逻辑判别树方法实现心律失常分类。首先,运用数学形态学和小波变换算法检测心电波形的QRS波,计算RR间期、QRS波时限等参数;然后结合医生识读心电图判别依据,将所有心拍分成主导性心拍、室上性异常心拍、室性异常心拍、其他心拍4类。利用MIT-BIH心律失常数据库检验分类效果,统计结果表明总体准确率达到了94.2%。     

实时动态心电监护系统

本文介绍了一种用微处理器控制的实时动态心电监护系统,采用数字滤波消除干扰和噪声,用差分法识别 QRS 波起点、终点和 R 波顶点.由 RR 间隔和 QRS 波宽等特征参数判别心电异常,实现实时自动监护,并对异常心电进行分类、存贮模板心电波形,统计发生次数.用微型描绘打印机回放存贮的模板波形和统计表.最后给出临床应用结果.     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法,利用带通滤波对原始心电数据进行降噪处理,实现QRS波群定位和心拍截取;设计7层的一维卷积神经网络（convolutional neural network,CNN）模型,对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测,从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练,结果显示,其准确度为9900%,召回率为9908%;与相关文献的研究方法对比,本方法具有较高识别精度,能有效解决人工对心电图识别的误诊、错诊问题。     

单片机心律失常监护仪

在心电信号ECG中R波幅值最大,变化率最快。因此,对心电信号的处理首先在于准确地检出R波,为此对原始的心电波形进行一次差分,以进一步突出R波。在监护之前,先经过8s自学习,以确定为检出R波所需的差分阙值,把心电波形与阈值比较,就可确定R波位置,进而确定和计算复合彼QRS的位置和宽度、瞬时心率等心电特征量,为一些常见的心率失常的判别奠定基础。根据对心脏停搏、心动过速、心动过缓、漏搏、室性早搏等的判别式,当出现心律失常时,进行显示和报警。     

心拍的镜像高斯建模分析

心拍分类对于临床心律失常自动化检测非常重要。使用一种新的镜像高斯模型(MGM)算法用于描述QRS复合波段形意,可以自动地、有效地提取QRS复合波段宽度信息,并用于心拍分类。通过使用MIT-BIH心律失常数据库的所有数据集进行测试,正常心拍的总识别率达到93.9%,室性早搏心拍的总识别率达到93.94%。因此,MGM算法可以很好地描述QRS复合波段,并且是一种很有前途的心拍分类算法。     

一种检测与分析心电波形的算法

介绍了心电图波形自动识别的软件设计,着重讨论了用特征识别法对心电图波形进行检测,并提出了自学习算法,最后给出了１０种常见的心律失常的判别准则．所有软件均用８０９８汇编语言编制完成．实验表明,本软件对提高ＱＲＳ波检测率及一些基本心律失常的诊断具有良好的效果,适用于心电自动监护系统．     

心律失常性右室心肌病心电图异常波形特征分析

目的探讨致心律失常性右室心肌病心电图异常波形特征,分析心电图在致心律失常性右室心肌病快速临床诊断中的应用价值.方法选取26例明确诊断为致心律失常性右室心肌病患者,对其心电图异常波形特征及临床表现进行综合分析.结果心电图异常波形特征性表现为E波,V_1～V_3导联出现T波倒置,局限性QRS波时相间期延长,波幅降低,S波升支时间延长.致心律失常性右室心肌病患者的主要临床表现是心悸、头晕、晕厥、胸闷、室性心律失常、心力衰竭甚至猝死.结论在致心律失常性右室心肌病的快速临床诊断中,患者的临床表现缺乏特异性,根据心电图异常波形的特征表现能够更为准确地进行快速临床诊断.     

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.     

基于织物电极的心电监测系统

为解决传统动态心电监测存在的一些问题,例如粘性心电电极刺激皮肤、信噪比随使用时间延长而下降、动态心电图仪缺乏实时分析能力等,研制了一种可穿戴心电异常检测系统
。制作了有导电织物材料心电电极的穿戴衣,设计了心电信号采集装置,提出了基于分析R-R间期和QRS波群波形的异常心电波形检测算法,在PDA(Personal Digital Assistant)平台上实现了基于该算法的异常心电信号识别软件。通过实际测试,验证了本系统的有效性和可靠性。     

实时动态心电监控系统

本介绍了一种用微处理器控制的实时动态心电监护系统，采用数字滤波消除干扰和噪声，用差分法识别ＱＲＳ波起点，终点和Ｒ波顶点。由ＲＲ间隔和ＱＲＳ波宽等特征参数判别心电异常，实现实时自动监护，并对异常心电进行分类，存贮模板心电波形，统计发生次数。用微型描绘打印机回放存贮的模板波形和统计表，最后给出临床应用结果。     

基于小波变换特征提取的支持向量机心搏分类研究

在对心电信号进行离散小波变换并提取优化特征组合的基础上,利用标准算法(l-a-r算法)和二叉树算法分别构建支持向量机分类器实现心电图的分类,对不同小波下提取不同维特征向量构建的分类器性能进行比较,同时对取自MIT-BIH数据库的4类心电图(正常心搏、左束支传导阻滞心搏、右束支传导阻滞心搏和起搏心搏)进行分类.结果表明,采用标准算法对db2小波下8维特征向量训练的支持向量机分类器分类性能最优,总体分类正确率达98.770/0.     

多级自组织映射用于心电信号QRS波群聚类

提出了一种利用多级自组织映射(MSOM)网络进行心电QRS波群聚类的算法。此方法将归一化的两导联心电数据作为第一层自组织映射网络的输入,其输出作为第二层自组织映射的输入,最后得到聚类结果。网络迭代学习过程采用了特殊的设计,能根据不同类别自适应调整学习参数,从而提高了自组织映射的聚类能力。使用MIT-BIH数据库数据的聚类结果表明,这种方法非常适合心电QRS波群的聚类,对室性早搏(PVC)真阳性检出率达到99.1%,且聚类效率比ART-2网络方法、匹配方法有明显优势。     

太行山猕猴心电图的分析

本文对70例健康的太行山猕猴的心电图进行了分析。心电位大部分为横位和半横位。心电轴有68.8%在正常范围。全部为窦心律,心率随年龄增长在一定范围内逐渐减慢。第Ⅱ导联P—R间期、Q—T间期都随年龄增加而增长;P波时间、电压,QRS波群时间、R波电压,T波时间、电压,在性别间和年龄组间似不存在差异。S—T段偏移较为多见。太行山猕猴心电图的某些项目与南方猕猴存在着显著差异。     

基于分形盒维数检测QRS波群定位方法

应用分形盒维数检测理论，对心电信号的分形特征进行了研究，结果显示不同格子尺度下检测到的覆盖信号盒子数与格子尺寸之间存在密切的对数线性关系，这表明心电信号也具有分形特性。同时，研究过程中还发现当采用一个时间窗来对信号进行检测时，在心电信号中QRS波群位置检测到的分维较大。而且这种差异很显著。在这个发现的基础上，提出了基于分形盒维数检测的心电信号QRS波群定位方法，经实际应用表明该算法速度较快，并能有效去除干扰，可用于心电信号特征点的实时检测中。     

基于多生理信息迁移学习的脑力负荷分类

在复杂的人机系统中,保持对实验人员脑力负荷状态的监测对于维护人机系统的安全、高效运行具有极为重要的理论和应用意义。针对现有脑力负荷分类方法识别率低及实际应用时测试样本数据偏移问题,提出了采用迁移学习及脑电和心电特征融合的脑力负荷分类识别方法。基于多任务航空情境操作的MATB-II平台同步采集12名健康受试者的脑电信号和心电信号,分别从时域和频域上提取各生理信息特征并进行融合,在此基础上引入迁移学习,基于迁移成分分析(transfer component analysis, TCA)方法进行特征空间变换,实现源域和目标域的边缘分布适配,并进行脑力负荷分类。实验结果表明,基于多生理信息特征融合识别率高于传统脑力负荷识别方法,使用迁移学习可取得较高的识别准确率,为多生理信息脑力负荷分类研究提供了新方法。     

基于自适应小波变换的QRS波检测算法

提出了一种新的心电ＱＲＳ波检测算法,该算法用心电信号的小波变换作为自适应白化滤波器的输入,然后对白化滤波后的输出进行匹配滤波和阈值检测来识别出ＱＲＳ波．用ＭＩＴ心电数据库对该算法进行了评估,并与其他几种算法的结果进行了比较,表明此算法在ＱＲＳ检出率和计算速度上都有一定的改善．