论文部分内容阅读
随着社会的发展和人们生活水平的提高,心血管疾病已成为威胁人们生命健康的主要慢性疾病之一,心律失常是其中较为常见的一种心血管疾病,而心电信号是检测和诊断心律失常等心脏疾病的关键指标。可穿戴式健康监测系统作为一种最有效和最实际可行的新型医疗监护方式,可以实现对心电信号的连续实时监测和心律失常的自动分类。然而,大量的心电数据将给资源受限的可穿戴式系统存储和传输过程造成巨大的负担,压缩感知作为一种信号压缩技术很好地解决了该问题。但是,目前现有可穿戴式健康监测系统中的心电信号压缩感知及自动分类方法还存在很多的问题,仍有改进的余地和创新的空间。因此,对可穿戴式健康监测系统中心电信号的压缩感知与心律失常分类方法进行研究,具有非常重要的意义。本文根据可穿戴式系统各种资源受限的特点,主要针对可穿戴式健康监测系统中心电信号的预处理、特征波形检测、压缩与重构、特征提取和心律失常分类等几个方面进行了深入的研究。第一,基于扩展递归最小二乘法的心电信号的预处理方法研究。心电信号的预处理操作旨在尽量保留原始信号重要特征的前提下,消除心电信号中的各种噪声干扰。本文提出一种基于扩展递归最小二乘法的自适应去噪方法。这种方法能够较好地去除工频干扰、基线漂移和肌电干扰等噪声,为后续的心电信号处理提供干净的心电信号,并且具有较低的计算复杂度。第二,基于Pan-Tompkins算法的QRS特征波形检测研究。QRS特征波检测是心电信号的特征提取与自动分类的基础。本文提出了一种基于Pan-Tompkins算法的心电信号QRS特征波检测方法。该算法同时具有较高的检测正确率和较快的检测速度,做到了正确性和实时性的统一。第三,基于压缩感知的心电信号压缩重构研究。信号的稀疏表达是实现心电信号压缩感知的核心。该过程不仅需要能对原始心电信号进行稀疏表示,还需要兼顾其消耗的时间。为了减少字典学习的时间,本文提出了一种“分—合”式字典学习方法,通过利用心电信号内在的聚类结构对其进行训练学习。该算法具有较低的时间复杂度,并且构造出的字典更加符合心电信号特点,能对原心电信号进行更好的稀疏表示。此外,针对多通道心电信号的实际应用情况,本文还提出了一种基于时空稀疏模型的多通道心电信号压缩感知方法,通过同时利用每个通道内心电信号的时间相关性,以及各个不同通道之间的空间相关性,实现多个通道心电信号的压缩重构。该算法在保证较高的信号重构质量的前提下,压缩性能较好,并且具有较低的时间复杂度。第四,基于改进主成分分析法的心电信号特征提取研究。心电特征的提取是心电信号自动分类的关键,其结果直接影响到心律失常分类的准确度。本文对主成分分析法进行了改进,通过特殊主成分的方差对不同类别数据的主成分的均值之差进行标准化,并根据标准化的结果选择值最大的几个主成分,将其和QRS波的宽度、RR间期两个特征参数共同组成心电信号的特征向量。该算法能有效地提取心电信号的特征。第五,基于最小二乘支持向量机半监督学习的心律异常分类研究。本文在最小二乘支持向量机算法的基础上,提出一种半监督学习分类方法,通过加入对未标记样本的训练学习来增强分类效果。在此基础上还提出了一种多层多分类模型,并将其应用于正常心拍、右束支传导阻滞、房性早搏和室性早缩四种类型的心电信号自动分类中。该方法具有较高的分类准确度。此外,本文还探索性地提出一种心电信号的直接特征提取与自动分类方法,跳过心电信号的重构步骤,直接在压缩域上对压缩后的心电数据进行特征提取与分类。该方法在保证分类性能下降非常少的前提下,心电信号的数据量大大地减少,有效提高了自动分类的效率。同时为今后在压缩域上进行心电信号处理研究工作奠定了良好的基础。第六,基于实测心电数据的实验研究。本文分别采用了源于国外标准心电数据库中的心电数据和国内某医院对近1000名患者的实测心电数据,针对正常心拍、右束支传导阻滞、房性早搏和室性早缩四种类型的心电信号,就预处理、QRS特征波形检测、信号的压缩与重构、心电特征提取,以及自动分类等各个步骤开展了实验研究,并对实验结果进行了深入的分析。从而验证了本文所提出的心电信号压缩感知与心律失常分类方法的有效性和实用性,同时更好地评价了该方法的鲁棒性。