心電數(shù)據(jù)的預處理與分類算法研究
發(fā)布時間：2020-12-14 10:55
近年來隨著計算機輔助診療系統(tǒng)的發(fā)展,對心電圖進行分析研究不僅極大地緩解醫(yī)生工作壓力,也有助于為患者提供及時診療,能夠一定程度提升診斷準確率。心電信號是一種微弱的生理信號,在采集過程中容易受到干擾,因此需要首先對心電圖進行預處理;對心電圖研究的最終目的是疾病診斷,目前的方法大部分在特征提取上展開研究,隨著深度學習在生物醫(yī)學數(shù)據(jù)分析中取得的成功,研究者們逐步將其應(yīng)用于心電圖,但仍有提升空間。本文針對心電圖的預處理和分類展開研究,主要研究以下內(nèi)容:（1）針對集合經(jīng)驗模態(tài)分解方法在去除心電數(shù)據(jù)噪聲時,噪聲IMF分量難以選擇且將噪聲分量直接舍棄會導致數(shù)據(jù)失真,提出了一種基于EEMD的自適應(yīng)閾值算法。首先對含噪ECG數(shù)據(jù)進行EEMD分解,得到固有模態(tài)函數(shù)根據(jù)馬氏距離進行信號IMF分量和噪聲IMF分量的判定,然后通過果蠅優(yōu)化算法確定噪聲IMF的閾值,將經(jīng)過閾值去噪的新的分量和剩余分量重構(gòu)得到去噪后的ECG數(shù)據(jù)。最后,使用MIT-BIH數(shù)據(jù)庫中的心電數(shù)據(jù)進行實驗,實驗結(jié)果表明,該方法在去噪同時能夠較好地保留數(shù)據(jù)細節(jié)。（2）為了提高心電數(shù)據(jù)分類準確率,采用基于EEMD的多尺度模糊熵特征提取策略。首先,對...
【文章來源】：中北大學山西省
【文章頁數(shù)】：59 頁
【學位級別】：碩士
【部分圖文】：
正常心電圖波形示意
中北大學學位論文集過程中會受到噪聲和偽跡的影響，這就使得 ECG 被如果直接使用這些原數(shù)據(jù)去分類，會因為噪聲的存在降預處理。這些干擾的來源可能是生理性的，例如肌肉活的，例如相鄰電子設(shè)備或設(shè)備的不正確使用[41]。常見的：當 ECG 被肌肉收縮偽影污染時，表現(xiàn)為如圖 2.2 所致，當被試者心理緊張或者體表溫度出現(xiàn)變化時會出現(xiàn)z，頻譜特征接近于高斯白噪聲[42]。
擾：當 ECG 被肌肉收縮偽影污染時，表現(xiàn)為如圖 2.2 所致，當被試者心理緊張或者體表溫度出現(xiàn)變化時會出現(xiàn)z，頻譜特征接近于高斯白噪聲[42]。圖 2.2 肌電干擾噪聲移：該噪聲與被試者的運動有關(guān)，由皮膚和電極之間的可如呼吸活動），頻率較低約為 0.1Hz[43,44]�；�漂移會從而嚴重影響醫(yī)生對心臟疾病的診斷。
【參考文獻】：
期刊論文
[1]ST段壓低的分析[J]. 張夏琳,劉墨青. 實用心電學雜志. 2017(04)
[2]ECG去噪算法的設(shè)計與實現(xiàn)[J]. 馬曉婷,尚宇. 國外電子測量技術(shù). 2017(07)
[3]急性ST段抬高型心肌梗死患者的心電圖特征分析[J]. 肖開懷. 臨床醫(yī)藥文獻電子雜志. 2017(50)
[4]基于深度信念網(wǎng)的心電自動分類[J]. 顏昊霖,安勇,王宏飛,牟榮增. 計算機工程與設(shè)計. 2017(05)
[5]房性早搏揭示的幾個心電現(xiàn)象[J]. 魏瑩,石娜,王倩,馬立寧. 醫(yī)學爭鳴. 2017(02)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的心電特征提取[J]. 顏昊霖,安勇,王宏飛,牟榮增. 計算機工程與設(shè)計. 2017(04)
[7]基于集成學習的室性早博識別方法[J]. 周飛燕,金林鵬,董軍. 電子學報. 2017(02)
[8]果蠅優(yōu)化小波閾值超聲檢測信號去噪[J]. 李大中,趙杰,孫立江,張坤. 中國測試. 2016(07)
[9]一種基于心率和深層學習的心電圖分類算法[J]. 李慧慧,金林鵬. 航天醫(yī)學與醫(yī)學工程. 2016(03)
[10]基于集合經(jīng)驗模態(tài)分解和小波收縮算法的自適應(yīng)心電信號去噪問題研究[J]. 宋美. 生物數(shù)學學報. 2015(04)
博士論文
[1]縮短QT間期藥物潛在致心律失常風險及其標志物的研究[D]. 邱博.河北醫(yī)科大學 2017
[2]基于深度學習的心電信號降噪和T波自動檢測研究[D]. 熊鵬.燕山大學 2016
[3]基于健康體檢大數(shù)據(jù)的人群異常ECG與冠脈斑塊分布譜及其影響因素研究[D]. 李江冰.山東大學 2016
碩士論文
[1]基于特征學習的ECG身份識別[D]. 駱騰飛.吉林大學 2017
[2]長QT間期綜合征患者的腦電分析[D]. 胡良慧.安徽醫(yī)科大學 2017
[3]心電信號特征提取及心律失常分類算法研究[D]. 史夢穎.天津工業(yè)大學 2017
[4]基于稀疏自動編碼器和邊緣降噪自動編碼器的深度學習算法研究[D]. 鄧俊鋒.武漢科技大學 2016
[5]基于EMD的心電信號去噪方法研究及實現(xiàn)驗證[D]. 張磊磊.重慶郵電大學 2016
[6]基于深度神經(jīng)網(wǎng)絡(luò)的心電圖自動分類方法研究與實現(xiàn)[D]. 樊承柱.山東大學 2016
[7]心律失常ECG信號的多尺度時頻特征提取與分析研究[D]. 母遠慧.北京理工大學 2015
本文編號：2916299
【文章來源】：中北大學山西省
【文章頁數(shù)】：59 頁
【學位級別】：碩士
【部分圖文】：
正常心電圖波形示意
中北大學學位論文集過程中會受到噪聲和偽跡的影響，這就使得 ECG 被如果直接使用這些原數(shù)據(jù)去分類，會因為噪聲的存在降預處理。這些干擾的來源可能是生理性的，例如肌肉活的，例如相鄰電子設(shè)備或設(shè)備的不正確使用[41]。常見的：當 ECG 被肌肉收縮偽影污染時，表現(xiàn)為如圖 2.2 所致，當被試者心理緊張或者體表溫度出現(xiàn)變化時會出現(xiàn)z，頻譜特征接近于高斯白噪聲[42]。
擾：當 ECG 被肌肉收縮偽影污染時，表現(xiàn)為如圖 2.2 所致，當被試者心理緊張或者體表溫度出現(xiàn)變化時會出現(xiàn)z，頻譜特征接近于高斯白噪聲[42]。圖 2.2 肌電干擾噪聲移：該噪聲與被試者的運動有關(guān)，由皮膚和電極之間的可如呼吸活動），頻率較低約為 0.1Hz[43,44]�；�漂移會從而嚴重影響醫(yī)生對心臟疾病的診斷。
【參考文獻】：
期刊論文
[1]ST段壓低的分析[J]. 張夏琳,劉墨青. 實用心電學雜志. 2017(04)
[2]ECG去噪算法的設(shè)計與實現(xiàn)[J]. 馬曉婷,尚宇. 國外電子測量技術(shù). 2017(07)
[3]急性ST段抬高型心肌梗死患者的心電圖特征分析[J]. 肖開懷. 臨床醫(yī)藥文獻電子雜志. 2017(50)
[4]基于深度信念網(wǎng)的心電自動分類[J]. 顏昊霖,安勇,王宏飛,牟榮增. 計算機工程與設(shè)計. 2017(05)
[5]房性早搏揭示的幾個心電現(xiàn)象[J]. 魏瑩,石娜,王倩,馬立寧. 醫(yī)學爭鳴. 2017(02)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的心電特征提取[J]. 顏昊霖,安勇,王宏飛,牟榮增. 計算機工程與設(shè)計. 2017(04)
[7]基于集成學習的室性早博識別方法[J]. 周飛燕,金林鵬,董軍. 電子學報. 2017(02)
[8]果蠅優(yōu)化小波閾值超聲檢測信號去噪[J]. 李大中,趙杰,孫立江,張坤. 中國測試. 2016(07)
[9]一種基于心率和深層學習的心電圖分類算法[J]. 李慧慧,金林鵬. 航天醫(yī)學與醫(yī)學工程. 2016(03)
[10]基于集合經(jīng)驗模態(tài)分解和小波收縮算法的自適應(yīng)心電信號去噪問題研究[J]. 宋美. 生物數(shù)學學報. 2015(04)
博士論文
[1]縮短QT間期藥物潛在致心律失常風險及其標志物的研究[D]. 邱博.河北醫(yī)科大學 2017
[2]基于深度學習的心電信號降噪和T波自動檢測研究[D]. 熊鵬.燕山大學 2016
[3]基于健康體檢大數(shù)據(jù)的人群異常ECG與冠脈斑塊分布譜及其影響因素研究[D]. 李江冰.山東大學 2016
碩士論文
[1]基于特征學習的ECG身份識別[D]. 駱騰飛.吉林大學 2017
[2]長QT間期綜合征患者的腦電分析[D]. 胡良慧.安徽醫(yī)科大學 2017
[3]心電信號特征提取及心律失常分類算法研究[D]. 史夢穎.天津工業(yè)大學 2017
[4]基于稀疏自動編碼器和邊緣降噪自動編碼器的深度學習算法研究[D]. 鄧俊鋒.武漢科技大學 2016
[5]基于EMD的心電信號去噪方法研究及實現(xiàn)驗證[D]. 張磊磊.重慶郵電大學 2016
[6]基于深度神經(jīng)網(wǎng)絡(luò)的心電圖自動分類方法研究與實現(xiàn)[D]. 樊承柱.山東大學 2016
[7]心律失常ECG信號的多尺度時頻特征提取與分析研究[D]. 母遠慧.北京理工大學 2015
本文編號：2916299
本文鏈接：http://www.lk138.cn/linchuangyixuelunwen/2916299.html
最近更新
教材專著
