心脏性猝死(Sudden Cardiac Death,SCD)是一种严重危害人类健康的疾病,世界每年因此病猝死的患者约有1200万,其中SCD占75%。患者一旦出现症状,通常在一小时内死亡,倘若能及时的实行早期电除颤,就能最大限度的挽回患者的生命。因此避免SCD的发生主要是依靠预测和预防。心电图主要反映的是心脏兴奋的电活动过程,其特征参数对于心肌缺血和猝死的诊断具有极高的价值。特别是一种心电信号微弱交替的现象——T波交替(T-wave Alternant,TWA)已经被FDA认证成为预测室性心律失常与SCD独立的、具有统计学意义的指标。本课题通过对心电信号特征值和TWA的分析研究,结合现代非平稳信号处理和模式识别技术,最终实现对SCD的无创诊断。具体内容如下:1、经验模式分解(Empirical Mode Decomposition ,EMD)算法的改进:本文借鉴“镜像延拓”和信号衍生算法提出新的方法改善EMD的边界效应;根据心电信号的特征,提出筛选停止标准的修正方案,提高了实用性。2、心电信号的预处理:提出一种时间尺度滤波法,首先运用改善后的EMD将心电信号分解成多个固有模态函数(Intrinsic Mode Functions,IMFs),然后通过摒弃含有明显噪声的IMFs,对余量使用软门限阈值去噪,最后重组得到新的检测信号。此时的新信号不仅滤除了相应噪声和干扰,而且有效地突出心电信号特征点。3、心电信号特征点的定位:通过对多个IMFs成分和剩余参量进行频率分析可以知道,QRS波和P波、T波的特征点通过预处理得到加强和突出。因此,本文结合自适应阈值以及一系列补偿类几何策略来分析IMFs,最终达到定位心电特征点的目的。4、TWA的检测:已有的TWA检测方法包括谱分析法、相干平均的快速傅里叶变换法、复合解调法和相关法,本课题首先运用上述几种方法对多种模拟信号进行试验,然后对比检测准确度,从而分析得到这几种方法的优缺点,最后选用相关分析法得到TWA的幅值,将其与T波均值共同作为一个特征参量,运用到SCD诊断中。5、SCD诊断的实现:将机器学习领域的最新研究成果—支持向量机(Support Vector Machine, SVM)应用在SCD的自动分析诊断中。首先确定函数参数,然后构建了SVM分类器,结果表明,利用SVM能够得到较高的诊断率。与传统的神经网络方法相比较,此方法具有更高的诊断率和推广性。