论文部分内容阅读
心血管疾病的患病人数急剧增加,我国心血管疾病现有患病人数约为3.30亿。心力衰竭作为一种高致死、难治愈和治疗成本昂贵的心血管疾病,广受临床医师和相关领域专家的关注。本文使用数字信号处理、HRV分析、多时间尺度分析和机器学习算法等技术,借助计算机对生理信号进行相关分析,构建基于长程心电信号的心衰诊断模型,希望可以为穿戴心电的心衰早期诊断工作提供帮助。
本文是以MIT/BIH数据库中长时的RR间期时间序列为数据来源,利用多时间尺度分析和HRV分析方法,提出了一种新的特征选择方案,创新性地使用多时间尺度分析方法选择在不同时间尺度上具有稳定性的特征,构建多时间尺度特征矩阵,构建其支持向量机算法的心衰诊断模型的研究。本文研究的主要内容如下:
1)多时间尺度HRV特征选择方案研究。计算心衰患者和健康受试者在不同时间尺度下的HRV特征,本文分别从时域、频域和非线性域中各选取三个常用特征,共九个HRV特征作为各选特征。计算备选HRV特征在心衰样本和正常样本的显著性差异,选择有显著性差异的特征。再使用多时间尺度分析方法,选择在不同时间尺度上无趋势性变化的HRV特征,作为本文特征选择方案的适用HRV特征。使用适用HRV特征构建多时间尺度特征矩阵。
2)基于多时间尺度特征矩阵构建心衰诊断模型研究。首先,使用单时间尺度HRV特征和多时间尺度HRV特征矩阵分别构建心衰诊断模型进行比较分析。分别比较不同单时间尺度特征和多时间尺度特征矩阵所构建模型的分类效果。通过研究发现,基于多时间尺度特征矩阵构建的心衰诊断模型的性能评估要优于单时间尺度。
3)多时间尺度心衰诊断模型的对比分析。首先,对多时间尺度分析方法中时间尺度进行细化分析,确定最佳多时间尺度选择方案。然后,对特征选择方案中选择的HRV特征进行进一步的合理性分析,分别分析其稳定性与差异性。最后,将多时间尺度特征构建的心衰诊断模型与两种心衰诊断模型分别为指标堆叠模型与smote模型进行性能对比,验证本文方法的有效性。通过对比分析验证,为本文提出的新的特征选择方案及其在生理信号处理领域的应用提供了借鉴意义。
本文是以MIT/BIH数据库中长时的RR间期时间序列为数据来源,利用多时间尺度分析和HRV分析方法,提出了一种新的特征选择方案,创新性地使用多时间尺度分析方法选择在不同时间尺度上具有稳定性的特征,构建多时间尺度特征矩阵,构建其支持向量机算法的心衰诊断模型的研究。本文研究的主要内容如下:
1)多时间尺度HRV特征选择方案研究。计算心衰患者和健康受试者在不同时间尺度下的HRV特征,本文分别从时域、频域和非线性域中各选取三个常用特征,共九个HRV特征作为各选特征。计算备选HRV特征在心衰样本和正常样本的显著性差异,选择有显著性差异的特征。再使用多时间尺度分析方法,选择在不同时间尺度上无趋势性变化的HRV特征,作为本文特征选择方案的适用HRV特征。使用适用HRV特征构建多时间尺度特征矩阵。
2)基于多时间尺度特征矩阵构建心衰诊断模型研究。首先,使用单时间尺度HRV特征和多时间尺度HRV特征矩阵分别构建心衰诊断模型进行比较分析。分别比较不同单时间尺度特征和多时间尺度特征矩阵所构建模型的分类效果。通过研究发现,基于多时间尺度特征矩阵构建的心衰诊断模型的性能评估要优于单时间尺度。
3)多时间尺度心衰诊断模型的对比分析。首先,对多时间尺度分析方法中时间尺度进行细化分析,确定最佳多时间尺度选择方案。然后,对特征选择方案中选择的HRV特征进行进一步的合理性分析,分别分析其稳定性与差异性。最后,将多时间尺度特征构建的心衰诊断模型与两种心衰诊断模型分别为指标堆叠模型与smote模型进行性能对比,验证本文方法的有效性。通过对比分析验证,为本文提出的新的特征选择方案及其在生理信号处理领域的应用提供了借鉴意义。