论文摘要
心电信号是心脏兴奋的发生、传播和恢复过程的客观指标。通过分析心电信号自动区分不同类别的心律失常，对自动除颤器等治疗心律失常的设备至关重要。但是目前的大多数方法只提取单个特征参数，识别的错误率较高。而基于多参数的方法虽然其识别准确率有所提高，但由于往往只提取心电信号某一方面的特征信息，识别准确率的提高仍然十分有限。另一方面，在房性心律失常中，房颤是临床上最常见的心脏紊乱，它将加大病人中风和血栓的风险。预测房颤有可能自发终止或持续，不仅可以更好地了解房颤发作终止的机制，还可以避免不必要的治疗和更加有效地治疗持续房颤。但是目前预测房颤终止较成功的方法基本都是仅从频域的角度提取房颤信号的特征，预测准确率不高。本论文主要研究了心电信号处理新方法及其在房性心律失常识别和预测房颤自发终止方面的应用，抓住特征提取和模式识别这两个心电信号分析中的关键问题，以提高房性心律失常识别和房颤自发终止预测的准确率为目标，重点研究了以下几个方面的问题：1、在时间域、频率域和时频域三个方面提取心电信号及其RR间期的线性特征参数的基础上，用替代数据法证明了房性心律失常心电信号及其RR间期时间序列具有非线性，并重点从符号动力学、相空间、庞加莱图和递归图等非线性角度提取能反映心电信号特征的参数：1)、采用符号动力学研究心电信号特征时，先将心电信号符号化为符号串，然后对符号串序列编码得到符号码，取符号码的发生概率来描述心电信号的确定性结构。采用符号动力学研究RR间期差序列特征时，先对RR间期差二值符号化，由于其符号的改变反映了RR间期序列的局部极大或极小点，因此提取RR间期差符号序列的子串长度概率分布熵来反映RR间期变化的不规则程度，以更好地揭示心脏的动力学特性；2)、通过重构心电信号相空间，分别从几何和信息论的角度提取相空间点的密度分布熵作为特征，不仅减少了特征向量的冗余信息，而且大大减少了下一步模式识别的计算量；3)、通过构建心电信号的庞加莱图，从几何和计算机视觉的角度提取能反映庞加莱图特性的参数，加深了对房颤期间心率变化的生理理解；4)、研究定量递归分析技术量化心电信号递归图，指出房颤信号递归图特征能反映房颤时心房活动的动力学复杂特性，含有能区分不同终止类型房颤的信息。2、从模糊支持向量机、模糊分类器、基于神经网络的融合分类器和基于灰关联度的k近邻法研究心电信号的模式识别：1)、为抑制噪声对分类器的影响，在支持向量机中引入模糊概念，在特征空间中对训练样本赋予不同的隶属度，更好地表示每个点对特征空间中决策面构造的贡献，提高了支持向量机的分类性能；2)、采用模糊分类器，最终输出结果用隶属度函数来表示观察对象属于特定类别的程度，避免了整个模式识别系统非此即彼的判别模式，结果更符合人类的思维习惯；3)、研究了将心电信号不同特征信息融合分类的方法，提出基于神经网络的多分类器融合方法，充分发挥单个分类器的长处并抑制其短处，性能与单个分类器相比有较大提高；4)、根据心电信号既含有确定信息又包含不确定信息、符合灰色系统研究对象的特点，提出基于灰关联度的k近邻法，分类性能明显高于常规k近邻法。3、用两个心电数据库来研究论文提出的房性心律失常识别方法的性能，一个为MIT-BIH心律失常数据库，另一个为犬心外膜信号数据库。提取房性心律失常心电信号的时域、频域、时频域、相空间和符号动力学特征，基于这些特征分别建立模糊分类器和神经网络融合模糊分类器进行心律失常的识别，结果表明：非线性特征比线性特征含有更能反映及区分房性心律失常的特征，而神经网络融合分类器的方法能对单个分类器扬长避短，性能有提高。其识别MIT数据库中窦性、房颤和房扑信号的准确率分别为98％，99．3％和97．3％；识别犬数据库中窦性、房颤和房扑信号的准确率分别为98．3％，98．3％和99．3％。与已有算法相比，论文提出的算法通用性强，对不同类型数据库中心电信号识别均具有较高的正确率，有望用于治疗心律失常的自动装置。4、用PhysioNet提供的房颤数据库来评价论文提出房颤自发终止预测算法的性能。提取房颤信号RR间期时域统计特征和庞加莱图特征作为一组特征，递归图特征作为另一组特征，基于这两组特征分别用模糊支持向量机和灰关联度k近邻法预测房颤的自发终止，结果表明：这两组特征预测房颤终止均具有较高的性能，但总体比较，基于递归图的特征略胜一筹，说明递归图携带了更多能区分不同终止类型房颤的信息。将模糊支持向量机、基于灰关联度的k近邻法分别与传统支持向量机、传统k近邻法相比，它们预测房颤自发终止的性能均有大幅提高。而模糊支持向量机比基于关联度k近邻法预测房颤终止的性能更好，因此最终选择了基于递归图特征的模糊支持向量机方法来预测房颤自发终止。其对训练集和测试集中不终止和立即终止房颤、马上终止和立即终止房颤的预测准确率均达到了100％；对训练集中不终止和马上终止房颤的预测准确率达到100％；对测试集中的不终止和马上终止房颤的预测准确率为96．2％。与已有方法相比，其性能有了较大的提高，可以较准确地预测房颤的自发终止。
论文目录
相关论文文献
- [1].混合时频方法及体表ECG房颤特征研究[J]. 生物医学工程学杂志 2008(06)
- [2].基于RR间期的非线性特征预测房颤终止[J]. 中国生物医学工程学报 2008(02)