论文部分内容阅读
近几年伴随着城市居民生活、工作节奏的加快和饮食规律的紊乱,心脏疾病已成为现代社会的高发病症,心电图能反映人体心脏的工作状况,是对心脏疾病进行诊断的重要依据,因此,对大量的心电图信息进行处理的过程就要求更加准确,实时性能更高。所以计算机对心电图的自动分类方法就越来越受到广大群众尤其是研究者们的高度重视。本文研究基于小波变换与概率神经网络相结合的心电图自动分类的方法。由于心电信号是非常微弱的信号,单位为毫伏(mV)级的,所以非常容易受到环境的影响,噪声对它的干扰较大,如果不加滤波,直接提取波形特征,会因为噪声的加入而影响特征值的质量,也会降低网络的准确率和泛化能力。如何将肌肉震颤和工频干扰,即高频干扰的频率成分,及基线漂移,即低频信号成分滤除对进行后续特征提取和分类工作的准确率非常重要。所以本论文先采用小波算法对心电图信号中因肌肉震颤、工频干扰、基线漂移等引起的高低频噪声进行滤波处理,并利用数学形态学对心电图的QRS波进行检测定位和特征提取,提取出心电图的十二基本特征值,然后采用并行概率神经网络对心率异常诊断进行实时又准确的分类,完善概率神经网络心电图分类算法。仿真实验表明该心电图自动分类方法的准确率达到了百分之九十五以上,运行时间在几秒到十几秒之内。该算法的研究提高了心电图分类的速度和准确率,对医务人员针对心脏疾病进行快速和准确地诊断具有重要意义和实用价值。