基于非線性的室顫信號與房顫信號檢測.pdf

1、近年來，隨著我國人口老齡化的日趨嚴重，身患心血管疾病的人數(shù)逐年增加，已對人們的生命安全構(gòu)成極大的威脅，很多人會突發(fā)心臟病以致死亡，其中惡性的心律失常是引發(fā)心臟病猝死的主要原因，而本文所要研究的心室纖顫(Ventricular Fibrillation，VF)和心房纖顫（Atrial Fibrillation，AF）是惡性心律失常中最常見和最嚴重的兩種。據(jù)American Heart Association統(tǒng)計，約有高達30％的死者含有未

2、知或已知的心臟病，并且發(fā)病常常在沒有醫(yī)療措施的地方，發(fā)現(xiàn)病人發(fā)病后再送往醫(yī)院還要需要大量的時間檢測才能進行治療，導致有些病人在被送往醫(yī)院的路上就會喪失生命。如果能夠提前檢測出這些惡性的心率失常，就可以大大提高這部分人生存的幾率。因此，對惡性心律失常的檢測是一項重要的研究課題。
　　心室纖顫（Ventricular Fibrillation，VF），簡稱室顫，是一種非常嚴重的心律失常，能夠?qū)е虏∪丝焖傩穆仕ソ咭灾滤劳?。如果是VF信號

3、，不能及時進行除顫，那么病人存活的機會大大降低，在發(fā)病數(shù)分鐘內(nèi)就會死亡。因此，正確和及時的檢測是非常重要的。
　　心房纖顫（Atrial Fibrillation，AF），簡稱房顫，指的是心房肌纖維發(fā)生亂顫，出現(xiàn)每分鐘350-600次的不協(xié)調(diào)、不規(guī)則的信號。據(jù)統(tǒng)計，75%的AF患者并發(fā)意外腦血管疾病，導致病人殘疾甚至病死率急劇增加，嚴重威脅人類的健康。因此，心房纖顫的預測和輔助診斷研究，可大大提高治療質(zhì)量，并減少病人危重病癥的發(fā)生

4、率和死亡率，對臨床和社會有非常重要的意義。
　　支持向量機（Support Vector Machine，SVM）是建立在統(tǒng)計學理論的結(jié)構(gòu)風險最小原理和VC維理論基礎(chǔ)上的一種機器學習方法，根據(jù)有限的樣本信息在模型的學習能力（即無錯誤地識別任意樣本的能力）和復雜性（即對特定訓練樣本的學習精度）之間尋求最佳折中，來獲得最好的推廣能力?？梢宰R別模式、分析數(shù)據(jù)，常用在二分類問題中。本課題采用支持向量機，用于非線性分類，選取具有模型參數(shù)少、

5、應用廣泛等優(yōu)點的徑向基函數(shù)（RBF Radial Basis Function）作為核函數(shù)。
　　研究表明心臟動力學是復雜的和非線性的，因此，基于非線性可以對心電信號進行較好的分析。本文利用基于心電特征和支持向量機（Support Vector Machine，SVM）分類理論的非線性檢測算法。論文中主要采取以下步驟對信號進行分類：對心電信號預處理先用五階滑動平均濾波器濾除肌電噪聲；然后，用1Hz的High-pass filter