可穿戴心电信号特征提取及分类

论文摘要

心血管疾病在近几年呈现越来越高的发病率,已经成为全球疾病的死亡率之首,因此日常心电监护正在成为研究热点。可穿戴设备在日常心电监护中承担着重要的角色,主要利用心电信号中的QRS波群位置和心率变异性的一些时域频域指标进行计算,推测出心脏的健康状况。因此,本文首先对心电信号进行QRS波群检测,然后基于心率变异性的时域特征和频域特征设计了五种不同的分类器,对不同心律类型进行分类,最后基于Android平台搭建了一个ECG实时监测软件。在可穿戴设备的应用场景中,用户的姿势或周围环境的噪声会给QRS波群的检测带来很大干扰,本文在前人的一种基于斜率阈值的SC算法基础上进行改进,提出了一种抗干扰能力强、适用于可穿戴设备的QRS波群检测算法—ISC算法。该算法增加了自适应幅值筛选、自适应斜率比较阈值、RR间隔修正以及最大值修正等机制,有效提高了R波检测的正确率和算法的抗干扰能力。用MIT-BIH心律失常数据库数据验证的ISC算法的平均P+为99.12%,平均Se在95%以上;对MIT-BIH噪声压力测试数据库中的基线漂移、肌电干扰和电极运动干扰三种类型的噪声具有较强的干扰抑制能力,Se和P+均超过94%;即使在7km/h的跑步速度下P+仍可达到99.32%。在R波检测的基础上,采用差分最值法和最值法检测Q波和S波,Q波的平均Se为96.02%,平均P+为99.22%,S波的平均Se为95.94%,平均P+为99.17%,与R波检测结果相当,基本能够正确地检测出QRS波群的位置,适用于可穿戴设备的实时QRS波群检测。心率变异性可表征人体的自主神经系统以及心脏功能,一般用RR间隔衡量。本文对五种不同类型心律信号进行时域特征和频域特征提取,共提取出10个特征,包括RR间期均值（RR）、RR间期标准差（SDNN）、相邻心动间期差值均方根值（RNSSD）、相邻心动间期差值的标准差（SDSD）、相邻的RR间期之差大于50ms的心动周期间期个数（NN50）以及相邻的RR间期之差大于50ms的心动周期间期个数所占百分比（PNN50）、TP、LF、HF和LF/HF。然后基于BP神经网络,分别构建了二分类、三分类、四分类和五分类的心律分类器,采用PhysioBank中的MIT-BIH正常窦性心律数据库、BIDMC充血性心力衰竭数据库和MIT-BIH心律失常数据库中的数据进行了训练和测试。基于BP神经网络的五分类和四分类心律分类器的平均正确率分别68.514%和73.790%,二分类心律分类器在区分正常窦性心律和充血性心力衰竭心律方面的平均正确率为89.448%,可以有效地为心力衰竭患者提供预警,具有较高的应用价值。最后,基于Android平台搭建了一个心电监护APP,集成了心电数据实时处理、心电波形实时显示、呼叫紧急联系人以及数据保存和导出心电图功能,与自主研发的可穿戴心电采集设备配合使用,操作简单,灵活方便。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 论文背景与研究意义
•   1.2 国内外研究现状
•     1.2.1 可穿戴设备发展现状
•     1.2.2 心电信号特征提取研究现状
•   1.3 主要研究内容及安排
• 第二章 数据采集与预处理
•   2.1 心电数据库简介
•     2.1.1 MIT-BIH心律失常数据库（mitdb）
•     2.1.2 MIT-BIH噪声压力测试数据库（nstdb）
•     2.1.3 MIT-BIH正常窦性心律数据库（nsrdb）
•     2.1.4 BIDMC充血性心力衰竭数据库（chfdb）
•     2.1.5 运动状态数据库
•   2.2 心电数据预处理
•     2.2.1 去除工频干扰
•     2.2.2 去除基线漂移和运动噪声
•   2.3 本章小结
• 第三章 基于斜率阈值法的QRS波检测
•   3.1 R波检测
•     3.1.1 So and Chan （SC）算法
•     3.1.2 Improved So and Chan（ISC）算法
•     3.1.3 R波检测小结
•   3.2 Q波检测
•     3.2.1 基于差分最值法的Q波检测原理
•     3.2.2 Q波检测结果
•   3.3 S波检测
•     3.3.1 基于最值法的S波检测原理
•     3.3.2 S波检测结果
•   3.4 本章小结
• 第四章 基于心率变异性的多种心脏疾病分类
•   4.1 HRV特征提取与选择
•     4.1.1 时域特征提取
•     4.1.2 频域特征提取
•   4.2 基于BP神经网络的心律分类器
•     4.2.1 BP神经网络基本理论
•     4.2.2 多类别心律分类器设计
•     4.2.3 实验结果分析
•   4.3 本章小结
• 第五章 Android终端软件设计
•   5.1 APP整体框架
•   5.2 关键技术的实现
•     5.2.1 数据传输
•     5.2.2 心电数据处理
•     5.2.3 实时绘制心电波形
•     5.2.4 紧急联系人功能
•     5.2.5 数据的存储和生成心电图
•   5.3 本章小结
• 第六章 结论与展望
•   6.1 结论
•   6.2 展望
• 参考文献
• 致谢
• 在校期间发表的学术论文与研究成果

文章来源

类型: 硕士论文

作者: 顾秀秀

导师: 张丽敏,闫锋

关键词: 可穿戴设备,波群检测,特征提取,神经网络

来源: 南京大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,电信技术

单位: 南京大学

分类号: TN911.7;R318

总页数: 77

文件大小: 5908K

下载量: 660