论文部分内容阅读
心肌缺血/心肌梗塞是一种常见的心血管疾病,严重威胁着人们的生命健康。心电图（electrocardiogram,ECG）是一种诊断心血管疾病首要选择。它具有无创、操作简单、价格低廉等优势。然而,心电图检测冠心病/心肌缺血准确率不高（60%左右）。最近,借助确定学习理论对ECG数据的准确动力学辨识,发展了一种相比ECG具有更高的准确率的方法（Cardiodynamicsgram,CDG）。基于非线性动力学分析方法,本文主要研究了基于CDG的心电特征提取,分类识别与应用实现等问题。首先,运用功率谱法和主成分分析法对心电动力学进行非线性特性分析,基本确定心电动力学中存在混沌特性。其次,选取四个典型的非线性动力学特征:关联维数、最大Lyapunov指数、0C复杂度和近似熵,对心电动力学进行定量指标提取,并以箱线图的形式对病态与非病态心电动力学进行特征分布分析,初步分析各特征对心肌缺血检测的有效性。通过上述特征,结合两种常见的分类器（SVM、KNN）对心肌缺血进行分类识别。结果表明,以上非线性心电动力学特征在心肌缺血分类中有较明显的区分,所有单特征的准确率均在70%以上。其中分类效果最好的是C0复杂度（准确率83.79%、敏感性84.21%、特异性81.38%）。再次,把以上四个特征综合考虑,基于多个特征对心肌缺血进行分类识别。结果显示,多特征的分类结果可达准确率86.64%、敏感性85.82%、特异性87.45%,与已有的临床结果相符。针对于多特征的数据可视化表示问题,通过雷达图表示法与SVM最优分类面相结合,得到一种多边形判别图,为临床诊断心肌缺血提供直观且有效的判别信息。最后,基于MATLAB和MySQL数据库开发了面向心肌缺血的心电工作站,工作站能够支持心电信号的本地采集、自动分析、数据管理等功能,实现了本文中非线性心电动力学特征的程序计算,为医生诊断心肌缺血提供定量的指标参量供临床诊断参考,同时也为医务人员管理医案信息提供便捷。