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。     

基于三域特征提取和GS-SVM的ECG信号智能分类技术研究

近年来,基于单域的特征提取方法已经得到广泛的研究,并被用于心律失常的检测分类.事实上,多域特征提取在其分类中往往表现得更好.本文利用MIT/BIH心律失常数据库中的48组ECG信号进行预处理,从时域、频域和小波域提取了信号的三域特征,这些特征从各个方面充分表征了ECG信号的性质.再利用基于网格搜索的SVM结合归一化特征可将ECG信号划分为常见的4类.该方法的总体精度达到98.01%,f_1分值为0.9800,对ECG信号的检测性能良好,相对目前绝大多数ECG信号分类器具有更强的泛化能力.     

基于经验模态分解的间接心电去噪

提出了一种基于心电图（ECG）动态模型和经验模式分解（EMD）的新颖心电间接去噪方法．通过设计一个心电信号模型对噪声ECG进行预滤波处理,为了保持重要的形态特征,尤其是QRS群波,从噪声ECG信号中减去这个模型,用EMD分解残存下来的信号,并且抛弃分解结果中的噪声成分达到去噪．最后,通过把模型和无噪的残余信号叠加起来获得无噪ECG波形．     

基于新的SPIHT算法的ECG信号压缩

文章在SPIHT算法的基础上,通过合理分配比特、改进零树集合、完善分类策略等措施,提出了一种新嵌入零树小波ECG信号压缩编码算法（简称为改进的SPIHT算法）。算法首先将ECG数据进行离散小波变换;其次,对离散小波变换后的系数进行均匀量化;最后用基于上下文的自适应算术编码对量化后的系数进行编码。仿真结果显示,该算法压缩比大,信息损失小,能够较好的恢复原有的信号。     

用于信号发生器的ECG信号分段模型

讨论了一种用于信号发生器的ECG信号模型及其建模方法,模型中将完整的ECG信号分为几部分,每部分有各自可调的取样时间间隔。采用分段模型后,通过调整每部分的取样时间间隔,并对信号插值,可实现信号时间轴扩展。对两种信号插值方法做了对比,一种是在相邻两个采样点间插入零值;另一种是采用分段线性插值的方法。分段线性插值可以避免高阶插值的病态性质,用通过插值点的折线来逼近原曲线。频谱分析证明这种建模方法可以保证原有信号的信息不丢失。     

基于卷积神经网络的心电信号分类研究

心电图(ECG)信号基本上与人体心脏的电活动相对应,所以心电图通常在医疗领域被用来检测心血管疾病。通过计算机对心电信号进行自动分类,可以帮助医生更有效地进行心血管疾病的诊断,提高准确率。该文提出了一种一维卷积神经网络模型,可从原始心电数据中提取有效特征并实现自动分类。该模型实现了对5种典型心律失常信号的分类,即正常心搏(N)、室上性早搏(S)、室性早搏(V)、心室融合心跳(F)、未分类心跳(Q)。在MIT-BIH心律失常数据库上的实验结果表明,该方法的分类准确率较高,达到了97.8%,并且稳定性也较高。     

基于AR信号处理和KII模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法．将传感器信号分为：上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征．在电子鼻的模式识别算法上,利用KII模型对气味信号进行分类．该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KII模型在模式识别方面的优越性．仿真将该方法与BP网络、AR—BP算法及单KII网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KII建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率．     

基于AR信号处理和KⅡ模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法.将传感器信号分为:上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征.在电子鼻的模式识别算法上,利用KⅡ模型对气味信号进行分类.该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KⅡ模型在模式识别方面的优越性.仿真将该方法与BP网络、AR_BP算法及单KⅡ网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KⅡ建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率.     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

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...     

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。     

基于小波变换的心电信号处理研究

在简述小波变换理论发展的基础上,介绍了心电信号的主要特点和研究内容,从两大方面概括小波变换应用于心电信号处理的国内外研究现状:一是去噪,着重介绍了小波阈值消噪的研究成果,概括了在母婴心电信号分离、去除肌电噪声、保留特征波形方面的研究现状;二是波形检测和特征提取,着重介绍了QRS波群检测、ST段检测和R波峰值提取的研究现状,以及小波与其他理论结合用于心电信号处理的研究成果。最后,展望了利用小波变换进行心电信号处理的前景。     

心电信号的降噪处理及其评价研究

为抑制心电信号中存在的噪声干扰,以利于准确提取反映心电信号的特征信息,文章提出应用一维离散小波变换实现对心电信号的降噪处理方法.通过对MIT/BIH心电数据库中的心电信号进行仿真,研究结果表明,该方法能够有效地去除心电信号中的噪声,对实现心电信号特征信息的提取具有一定的实用价值.     

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．     

穿戴式心电信号伪差识别算法的研究及应用

针对穿戴式心电监测设备普遍存在的运动和设备伪差问题，提出了基于心电幅度突变度和突变分布连通性、变换后心电极大极小值对凌乱度，以及异常心搏特征等设计的伪差识别组合算法.通过在心电自动分析三个关键环节嵌入组合算法实现伪差识别，并选择了3种设备4种数据样本进行算法验证.结果表明，组合算法伪差识别灵敏度可达98.35%，可将QRS检出正确率提高3.08%，且并未增加心电自动分析运算时长，算法不依赖特定硬件设备，可应用到各类穿戴式设备的心电数据分析中，具有普适且高效的特点.      

小波分析应用于对心电图信号实时处理的研究

简要介绍了小波变换原理和Mallat快速小波变换算法，重点介绍了如何运用小波分析对心电图(Electrocardiogram，ECG)信号消噪，并解决了它所涉及到的问题：小波函数的选取、噪声频段的分析、阈值处理和解决了在ECG信号采样中实时小波滤波所遇到的问题——数据滤波前的分段和滤波后的衔接。通过实验的证明，提出的方法能够很好地滤除ECG信号中的基线漂移、工频干扰、肌电干扰和其它高频干扰，并且在采样过程中小波滤波的实时性也较好。     

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。     

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。