室性心动过速(VT:Ventricular Tarchycardia)与心室纤颤(VF:Ventricular Fibrillation)是恶性心律,易引发心脏猝死现象。猝死发生前可无任何先兆,据美国AHA统计,在猝死病例中,约有高达30 %的死者没有或从来没有发现过心脏病。绝大部分心脏病猝死情况发生在医院外面,如果能提前发现和采用迅速的治疗可以提高这部分人存活的机会。因此对猝死和恶性室性心律失常的预测是心律失常学研究的一个重要课题。本课题也是以此为主要内容进行研究的。心电信号(ECG)是一种微弱的非线性、非平稳的随机信号,常规的心电信号一般是mV级。由于在心电信号的采集过程中,采集端需要与人体直接接触,因而采集端采集到的心电信号中包含了大量的干扰信号,如工频干扰、基线漂移、肌电干扰、电极接触噪声、运动伪迹等。这些噪声给心电信号的分析、识别和诊断带来了严重的干扰,因此必须对采集的心电信号进行有效滤波。小波变换(WT)是一种时频局部化、多分辨分析方法,具有自动“变焦距”的功能,可用来提取和识别那些淹没在噪声中的微弱电生理信号,在获得信噪比增益的同时,能够保持对信号突变信息的良好分辨。因此WT是处理心电信号的一种可行有效的方法。本文采用coif4小波对采集的心电信号进行去噪。在经典的软、硬阈值去噪算法的基础上,对中间尺度的小波系数采用软、硬阈值折衷的去噪算法。仿真结果表明,coif4小波十分适合用于心电信号滤波,它能有效地去除心电信号中常见的肌电干扰、工频干扰、基线漂移等干扰和噪声,并且在去除肌电干扰的同时,有效地保留了有用的心电信号成份。最近的研究表明心脏动力学是复杂、非线性的。因此,非线性动力学与非线性数学模型可以有效地来分析心电信号。本文引用了一种非线性算法——引入Hurst指标来识别NSR、VT与VF。该算法基于多尺度分析与非线性动力学,通过量化心电信号的运动状态,提取相应的动力学参数来识别NSR、VT与VF。利用此算法在研究心脏机能和状态时,不再是对心电信号时间序列进行特征提取,而是针对心电信号变化的动力学原因和运动学特征进行研究,目的是揭示心脏在发生病变及猝死前的情况下,寻找心电信号从正常的窦性节律到心动过速,到心室纤颤变化的动力学指标趋势,从而为临床心电医学的研究提供可靠的证据。Complex Measure算法被认为是经典的恶性心律检测算法,它是通过在时域上量化心电信号的动力学特征来识别VT与VF,大量的仿真结果表明:当WL (Window Length) =7s时,VT、VF的检测率可达到100%;本课题中采用的Hurst Index算法是在时频域上来量化心电信号的动力学特征.,当WL=5s时,VT、VF的检测率即可达到100%,并且,当用Hurst算法与Complex Measure算法分别处理相同长度的数据时,结果表明,前者比后者处理速度快很多。另外,Complex Measure算法处理的VT仅是单形态的,而Hurst Index算法处理的VT既包含单形态的,也包含多形态的。综合算法识别的准确性、实时性与普遍性,本文的Hurst Index算法在临床应用中比Complex Measure算法有更大的潜能。本课题主要进行的是恶性室性心律失常识别与检测的算法研究。课题所使用的心电数据主要来自于MIT-BIH Arrhythmia Database (MITDB)、MIT-BIH Malignant Ventricular Ectopy Database (VFDB)与CU Ventricular Tachyarrhythmia Database (CUDB),这三个数据库均来源于美国麻省理工大学创建的生理信号处理数据库(PhysioBank)被世界公认为标准、权威的心电信号数据库。嵌入式ARM微处理器技术是目前最热门的一项技术,它的应用几乎已经深入到各个领域,如:工业控制领域、消费类电子产品领域、通信系统领域、网络系统领域、无线系统领域等。ARM技术正在逐步渗入到我们生活的各个方面。ARM微处理器具有体积小、功耗低、成本低、性能高、专用性强、系统精简等特点。将ARM微处理器应用到便携式心电监护系统的设计上可以提高运算速度和存储能力、降低电路的复杂度、减小系统的体积、进一步提高心电监护质量。便携式心电监护仪是及时检测出病人发生的心律失常信号并实时发出报警的心电监护设备,它具有体积小、便于携带、操作简单等优点,对挽救院外病人的生命发挥着重要作用。目前,便携式心电监护仪受到越来越多消费者的青睐,并且,越来越多的医学工作人员进行便携式心电监护仪的研制与改进。本课题中选用Philips公司的LPC2368作为微处理器,并以此为核心对便携式心电监护仪的设计进行了探讨,使便携式心电监护仪具有集成度高、体积小、反应速度快、稳定及可靠性强等特点。这为本课题的算法应用搭建了硬件平台,也为以后的研究工作提供了参考方向。