基于非線性特征提取的心電節(jié)拍分類算法研究.pdf

1、心臟病是當(dāng)今醫(yī)學(xué)上發(fā)病率和死亡率最高的疾病之一，心電圖是醫(yī)生診斷治療心血管疾病的主要依據(jù)之一。因此，基于心電圖的心電自動(dòng)分析得到了廣泛的研究。心電自動(dòng)分析診斷技術(shù)解決的主要問(wèn)題是心律失常識(shí)別問(wèn)題，研究的關(guān)鍵在于心電信號(hào)的特征提取和分類。心電自動(dòng)分析診斷技術(shù)可以大大減少醫(yī)生的工作量，提高心電圖的診斷效率和準(zhǔn)確率。本文針對(duì)心律失常識(shí)別問(wèn)題的關(guān)鍵技術(shù)做了研究，主要涉及特征提取和分類兩方面。
　　提取有效的特征向量是心律失常分類中的重要步

2、驟，為了能夠更全面地反映出心電信號(hào)的特征，本文提出了一種將小波包分解-近似熵與經(jīng)驗(yàn)?zāi)Ｊ椒纸?近似熵相結(jié)合的心電信號(hào)非線性特征提取方法。心電信號(hào)屬于微弱信號(hào)，幅值僅為毫伏級(jí)，所以在采集過(guò)程中易受干擾，引起波形失真，嚴(yán)重影響后續(xù)的特征提取、分類效果，故濾除噪聲和干擾是首要任務(wù)。本文首先采用提升小波變換和改進(jìn)半軟閾值方法對(duì)MIT-BIH心律失常數(shù)據(jù)庫(kù)中的5類心電信號(hào)進(jìn)行預(yù)處理，然后對(duì)預(yù)處理后的心電信號(hào)分別進(jìn)行3層小波包分解，計(jì)算得到的8個(gè)小波

3、包系數(shù)的近似熵值;對(duì)預(yù)處理后信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸?，?jì)算選取的前6個(gè)固有模式函數(shù)的近似熵值;最后將求得的兩組近似熵值合并作為特征向量T290×14。
　　本文在提取特征向量后采用概率神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種方法實(shí)現(xiàn)對(duì)心電節(jié)拍的分類。第一種方法是將求得的特征向量輸入到概率神經(jīng)網(wǎng)絡(luò)，并采用粒子群算法尋找擴(kuò)展系數(shù)Spread的最優(yōu)值，對(duì)5種心拍類型進(jìn)行分類;另一種方法是將所得特征向量輸入到支持向量機(jī)，并采用粒子群算法尋找其懲罰系數(shù)C和核函

4、數(shù)參數(shù)σ的最優(yōu)值，對(duì)5種心拍類型進(jìn)行分類。經(jīng)MATLAB仿真分析可得基于概率神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的心電節(jié)拍分類準(zhǔn)確率分別為97.9％和98.6％。結(jié)果表明，本文方法對(duì)MIT-BIH心律失常數(shù)據(jù)庫(kù)中的5種心拍類型能夠進(jìn)行有效分類，且支持向量機(jī)的分類效果優(yōu)于概率神經(jīng)網(wǎng)絡(luò)。
　　本文最后采用Fluke prosim2生命體征模擬器作為信號(hào)源搭建實(shí)驗(yàn)平臺(tái)進(jìn)行心電信號(hào)采集，對(duì)本文心電信號(hào)非線性特征提取和分類方法進(jìn)行驗(yàn)證。完成采集信號(hào)的預(yù)處理