心电图的计算机智能分析系统

发布时间：2017-03-30 04:10

  本文关键词：心电图的计算机智能分析系统，由笔耕文化传播整理发布。

【摘要】：随着我国人民生活水平的不断提高和人口的逐渐老龄化，心血管疾病正逐渐成为威胁人类健康的一大杀手，心脏是血液循环的动力源头，就像一个永不停止的发动机，伴随着人类的一生。心脏的器质性病变或功能性病变，都会给患者和家属带来极大的痛苦。作为人体四大常规检查的心电图检查，以其方便易测，和可以测出功能性病变的能力，被很多人接受。但心电图的人工分析，不仅需要经过专业训练的医师进行大工作量的劳动，而且主观性比较强。因此借助于有强大数据处理能力的计算机对心电图进行自动分析就显得迫切需要，随着数字处理技术的快速发展和新的理论算法的不断出现，将新技术和理论应用于提高心电图机自动分析的准确率和实时性，已经成为热点的课题。 心电图的计算机自动分析作为一个完整的系统，应该包括采集原始心电数据，存储大量心电数据，建立包含专业医师注释诊断说明和高分辨率的心电图数据库，建立患者的电子病历以作为参考，然后进行计算机自动分析，根据分析结果做出参考处方等功能。 本文在前人劳动成果的基础上，对新出现的理论和已存在的方法进行了学习和分析，并将其用于心电图的自动诊断。本文主要从如下几个方面阐述心电图的自动分析系统： 1．心电信号的预处理：介绍了心电图测量过程中常见的三种噪声干扰，并介绍了其常见的处理方法。然后采用具有时频局部性的小波变换去噪方法，并将其与自适应滤波相结合，尝试去滤除工频干扰、基线漂移、肌电干扰等干扰。实验结果表明，该方法有效的滤除了三种噪声，提高了信号的信噪比。 2．心电特征参数提取：在比较了几种常用的参数提取方法之后，采用小波变换，，利用Mallat算法对心电信号进行多尺度分解、奇异点检测后，对心电信号各波段进行精确定位并提取其特征参数。 3．心电信号的自动分类：针对常见的心律失常，应用模糊神经网络对室性早博(PVC)进行识别，并采用基于图像模式识别的句法分析方法对心律失常进行分类，在此基础上设计了用于标准心电图传输、存储和分析的小型系统。 本文实验数据采用MIT-BIH相关心电图数据，经过实验验证，取得了初步的
【关键词】：心电图(ECG) 小波分析 特征提取 神经网络 句法分析 分类识别
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2006
【分类号】：TH772.2
【目录】：

• 中文摘要7-9
• ABSTRACT9-11
• 第一章 绪论11-17
• 1.1 研究背景11-16
• 1.1.1 心血管疾病的现状11-12
• 1.1.2 计算机辅助 ECG自动分析研究的发展历史12-13
• 1.1.3 ECG自动分析技术的研究现状13
• 1.1.4 ECG信号预处理的发展现状13-14
• 1.1.5 ECG信号波形检测和特征提取的发展现状14-15
• 1.1.6 ECG的分类识别及疾病诊断15-16
• 1.2 研究动机及目的16
• 1.3 本文结构及创新点16-17
• 1.3.1 本文结构16
• 1.3.2 主要创新点16-17
• 第二章 心电图概论及标准机读格式17-26
• 2.1 心电图概论17-22
• 2.1.1 心电图产生原理17-18
• 2.1.2 典型的正常心电图波形18-19
• 2.1.3 常见心电图机的导联方法19-20
• 2.1.4 心电图机输出的纸质心电图的常用参数及阅读方法20-22
• 2.2 标准心电图格式22-23
• 2.3 心电图数据采集到PC机23-25
• 2.4 标准心电图数据库提取到PC机25-26
• 第三章 研究所使用的理论背景26-34
• 3.1 小波变换理论27-31
• 3.1.1 连续小波变换27-29
• 3.1.2 离散小波变换29
• 3.1.3 离散二进小波变换29-30
• 3.1.4 小波变化模极值(或过零)点与信号突变点的关系30
• 3.1.5 用小波变换模极大值的变化规律表征信号的奇异性30-31
• 3.2 人工神经网络(ANN)简介31-33
• 3.3 模糊技术简介33-34
• 3.4 小结34
• 第四章 信号预处理34-44
• 4.1 ECG有效信号的频谱范围和特点34-35
• 4.2 三种主要干扰的特点及其传统处理方法35-36
• 4.2.1 工频干扰噪声消除的传统方法35-36
• 4.2.2 基线漂移滤除的经典方法36
• 4.2.3 肌电干扰滤除的经典方法36
• 4.3 小波变换自适应滤波36-42
• 4.3.1 自适应滤波原理37
• 4.3.2 最小均方误差(LMS)准则37-38
• 4.3.3 自适应滤波38
• 4.3.4 小波变换自适应滤波除噪具体方法38-39
• 4.3.5 实验及分析39-42
• 4.4 小结42-44
• 第五章 波形识别与特征值提取44-53
• 5.1 常用特征参数介绍(心电图的时域特征):44
• 5.2 小波函数的选择44-45
• 5.3 三次B样条小波应用于ECG检测45-50
• 5.3.1 三次B样条小波滤波器组设计45-47
• 5.3.2 实现方法47
• 5.3.3 应用于R波的检测47-48
• 5.3.4 应用于QRS波的检测48
• 5.3.5 应用于S点，J点的检测48-49
• 5.3.6 应用于T波的检测49
• 5.3.7 应用于U波的检测49-50
• 5.4 分析与讨论50-52
• 5.4.1 实验参数及阈值的设定50-51
• 5.4.2 实验结果及分析51-52
• 5.5 本章小结52-53
• 第六章 心律失常的计算机诊断53-69
• 6.1 心律失常的心电图特征53-55
• 6.2 心律失常的自动识别的常用方法55-56
• 6.3 模糊神经网络用于心律失常分类识别56-64
• 6.3.1 FNN介绍56-57
• 6.3.2 ECG信号特征参数的选取57
• 6.3.3 FNN的建立57-60
• 6.3.4 网络学习算法及其改进措施60-62
• 6.3.5 实验及分析62-64
• 6.4 图像识别句法分析用于心律失常的自动诊断64-67
• 6.4.1 可行性分析64-65
• 6.4.2 所用到的方法65
• 6.4.3 具体实现方法65-67
• 6.4.4 实验结果及结论67
• 6.5 可用于传输，交换和分析的标准心电图系统67-68
• 6.6 本章小结68-69
• 第七章 总结与展望69-71
• 7.1 研究总结69
• 7.2 展望69-71
• 参考文献71-76
• 致谢76-77
• 在研究生期间发表的论文77-78
• 学位论文评阅及答辩情况表78

【引证文献】

中国期刊全文数据库 前2条

1 刘婷;刘红秀;;基于小波阈值变换的心电图去噪研究[J];广东药学院学报;2008年06期

2 樊玉明;蔡伯根;王剑;上官伟;安毅;;基于北斗-陀螺仪组合定位的轨道占用判别方法研究[J];铁道学报;2013年09期

中国硕士学位论文全文数据库 前8条

1 丁莉;基于虚拟仪器的动脉硬化智能分析系统设计[D];内蒙古大学;2011年

2 李贵娟;模糊聚类技术在心电波形分类中的应用研究[D];河北工程大学;2011年

3 张坤艳;脉象特征信息的提取与识别方法研究[D];山东科技大学;2007年

4 徐涛;人体脉象生理信息的提取与识别方法研究[D];山东科技大学;2008年

5 李亚琼;多参数人体状态监护系统的研究[D];山东大学;2010年

6 聂桥桥;智能处理在ECG检测中的应用研究[D];南昌航空大学;2012年

7 石屹;基于形态学的心电信号特征提取和分类方法的研究[D];华东理工大学;2013年

8 耿涛;ECG波形可视化聚类策略研究[D];天津理工大学;2013年

  本文关键词：心电图的计算机智能分析系统，由笔耕文化传播整理发布。

本文编号：276186