基于非线性的室颤信号与房颤信号检测

摘要

近年来，随着我国人口老龄化的日趋严重，身患心血管疾病的人数逐年增加，已对人们的生命安全构成极大的威胁，很多人会突发心脏病以致死亡，其中恶性的心律失常是引发心脏病猝死的主要原因，而本文所要研究的心室纤颤(Ventricular Fibrillation，VF)和心房纤颤（Atrial Fibrillation，AF）是恶性心律失常中最常见和最严重的两种。据American Heart Association统计，约有高达30％的死者含有未知或已知的心脏病，并且发病常常在没有医疗措施的地方，发现病人发病后再送往医院还要需要大量的时间检测才能进行治疗，导致有些病人在被送往医院的路上就会丧失生命。如果能够提前检测出这些恶性的心率失常，就可以大大提高这部分人生存的几率。因此，对恶性心律失常的检测是一项重要的研究课题。
　　心室纤颤（Ventricular Fibrillation，VF），简称室颤，是一种非常严重的心律失常，能够导致病人快速心率衰竭以致死亡。如果是VF信号，不能及时进行除颤，那么病人存活的机会大大降低，在发病数分钟内就会死亡。因此，正确和及时的检测是非常重要的。
　　心房纤颤（Atrial Fibrillation，AF），简称房颤，指的是心房肌纤维发生乱颤，出现每分钟350-600次的不协调、不规则的信号。据统计，75%的AF患者并发意外脑血管疾病，导致病人残疾甚至病死率急剧增加，严重威胁人类的健康。因此，心房纤颤的预测和辅助诊断研究，可大大提高治疗质量，并减少病人危重病症的发生率和死亡率，对临床和社会有非常重要的意义。
　　支持向量机（Support Vector Machine，SVM）是建立在统计学理论的结构风险最小原理和VC维理论基础上的一种机器学习方法，根据有限的样本信息在模型的学习能力（即无错误地识别任意样本的能力）和复杂性（即对特定训练样本的学习精度）之间寻求最佳折中，来获得最好的推广能力。可以识别模式、分析数据，常用在二分类问题中。本课题采用支持向量机，用于非线性分类，选取具有模型参数少、应用广泛等优点的径向基函数（RBF Radial Basis Function）作为核函数。
　　研究表明心脏动力学是复杂的和非线性的，因此，基于非线性可以对心电信号进行较好的分析。本文利用基于心电特征和支持向量机（Support Vector Machine，SVM）分类理论的非线性检测算法。论文中主要采取以下步骤对信号进行分类：对心电信号预处理先用五阶滑动平均滤波器滤除肌电噪声；然后，用1Hz的High-pass filter来抑制基线漂移，这样可以滤除频率较低的噪声；最后，利用30HZ的Butterworth消除高于30Hz的不需要的信号信息。再提取信号特征值，最后将特征值送到向量机中进行分类。并采用陆振波的支持向量机软件包(SVM_luzhenbo&LS_SVMlab)在matlab上进行仿真。
　　本算法主要在监护仪以及具有监护功能的手机软件等便携可靠的心电图监测仪器中实现应用。

目录

封面

声明

目录

中文摘要

英文摘要

第一章 绪论

1.1 课题背景及意义

1.2 国内外研究现状

1.3 本文主要研究内容

第二章 心电信号及噪声

2.1心电信号简介

2.2影响检测的各种噪声

2.3 心电数据库介绍

2.4 检测算法性能评价参数

2.5本章小结

第三章 VF检测算法的研究

3.1时域检测算法的分析

3.2 频域检测算法的分析

3.3 时频域检测算法的分析

3.4 已有的典型的VF检测算法

3.5 本章小结

第四章 AF检测算法的研究

4.1 时域法

4.2 频域法

4.3本章小结

第五章 本文所用的VF/AF检测算法

5. 1心电信号的获取

5.2信号预处理

5.3特征提取

5.4信号分类——支持向量机

5.5 本章小结

第六章 总结与展望

参考文献

致谢