论文部分内容阅读
心脏病是当今医学上发病率和死亡率最高的疾病之一,心电图是医生诊断治疗心血管疾病的主要依据之一。因此,基于心电图的心电自动分析得到了广泛的研究。心电自动分析诊断技术解决的主要问题是心律失常识别问题,研究的关键在于心电信号的特征提取和分类。心电自动分析诊断技术可以大大减少医生的工作量,提高心电图的诊断效率和准确率。本文针对心律失常识别问题的关键技术做了研究,主要涉及特征提取和分类两方面。提取有效的特征向量是心律失常分类中的重要步骤,为了能够更全面地反映出心电信号的特征,本文提出了一种将小波包分解-近似熵与经验模式分解-近似熵相结合的心电信号非线性特征提取方法。心电信号属于微弱信号,幅值仅为毫伏级,所以在采集过程中易受干扰,引起波形失真,严重影响后续的特征提取、分类效果,故滤除噪声和干扰是首要任务。本文首先采用提升小波变换和改进半软阂值方法对MIT-BIH心律失常数据库中的5类心电信号进行预处理,然后对预处理后的心电信号分别进行3层小波包分解,计算得到的8个小波包系数的近似熵值；对预处理后信号进行经验模式分解,计算选取的前6个固有模式函数的近似熵值；最后将求得的两组近似熵值合并作为特征向量T290×14。本文在提取特征向量后采用概率神经网络和支持向量机两种方法实现对心电节拍的分类。第一种方法是将求得的特征向量输入到概率神经网络,并采用粒子群算法寻找扩展系数Spread的最优值,对5种心拍类型进行分类；另一种方法是将所得特征向量输入到支持向量机,并采用粒子群算法寻找其惩罚系数C和核函数参数σ勺最优值,对5种心拍类型进行分类。经MATLAB仿真分析可得基于概率神经网络和支持向量机的心电节拍分类准确率分别为97.9%和98.6%。结果表明,本文方法对MIT-BIH心律失常数据库中的5种心拍类型能够进行有效分类,且支持向量机的分类效果优于概率神经网络。本文最后采用Fluke prosim2生命体征模拟器作为信号源搭建实验平台进行心电信号采集,对本文心电信号非线性特征提取和分类方法进行验证。完成采集信号的预处理过程后,提取出了采集信号的非线性特征向量P200×14,之后通过两种分类方法进行分类验证,结果表明支持向量机在分类准确率以及总体的灵敏度、特异度和阳性预测值等方面都略高于概率神经网络,且特异度高达98.5%,在少量样本情况下,结果还是令人满意的。