基于小波包和神经网络的心电信号分类方法研究

摘要

心电图是人体心脏电活动最直接的反映，是医生进行心脏病诊断治疗的重要依据之一。随着科学和技术的发展，基于心电图的自动分析诊断技术已被广泛地用于心脏病检测和诊断的研究。基于心电图的自动分析诊断技术不仅大大降低了医生的工作量，而且可以显著地提高心电图分类的效率和准确率，对于心脏病及时的诊断和治疗具有重要的实际应用价值。因此，本文主要针对心电自动分析诊断技术中的心电信号分类识别方法进行了深入的研究，主要研究内容包括心电信号的特征提取和特征分类。
　　提取稳定有效的心电信号特征是心电自动分析诊断技术中的重要环节，本文提出了一种基于小波包分解与统计分析相结合的心电信号特征提取算法。该算法首先采用小波包分解方法对心电信号进行四尺度分解，然后结合统计分析方法计算小波包分解后第四尺度上的16个小波包系数的奇异值、标准差和最大值，将求得的48维小波包系数统计特征组成心电信号特征空间。为了尽可能地提高心电信号分类识别的效率和准确率，本文提出了一种基于遗传算法优化神经网络的心电信号特征选择和分类算法。通过遗传算法对心电信号特征空间进行降维得到25维心电信号特征，同时采用遗传算法对误差反向传播神经网络分类器的权值和阈值进行优化，将降维得到的心电信号特征输入到分类器中进行训练和预测，从而实现对MIT-BIH心律失常数据库中六类心电信号:正常心跳、左束支传导阻滞、右束支传导阻滞、起搏心跳、室性早搏和房性早搏的分类，测试集的识别准确率为97.78％，平均灵敏度、平均特异度和平均阳性预测值分别为97.86％、99.54％和97.81％。最后，本文通过基于MPS450多参数模拟仪组成的心电信号采集实验系统对六类心电信号进行采集，并对其进行特征提取和分类算法验证，识别准确率达到了99.33％，平均灵敏度、平均特异度和平均阳性预测值分别为99.33％、99.87％和99.36％。
　　实验结果表明本文提出的特征提取算法和分类算法能够有效地提取稳定的心电信号特征，并通过遗传算法优化的神经网络分类器实现了对六类心电信号的高精度分类。因此，本文提出的心电信号分类方法可以有效地用于心律失常识别，对于心脏病的预防、诊断和治疗具有重要的意义。

目录

声明

摘要

第一章 绪论

1．1 论文的研究目的与意义

1．2 论文的国内外研究现状

1．2．1 心电信号特征提取的国内外研究现状

1．2．2 心电信号分类识别的国内外研究现状

1．3 本文的主要研究内容与章节安排

第二章 心电信号基础知识及课题总体研究方案设计

2．1 心电信号的基础知识

2．1．1 心电信号的产生机理

2．1．2 心电信号的组成

2．1．3 心电信号的特点

2．1．4 MIT-BIH心律失常数据库

2．1．5 本文所用的心电数据类型

2．2 课题总体研究方案设计

2．3 本章小结

第三章 心电信号的特征提取算法研究

3．1 小波分析的理论基础

3．1．1 小波分解的理论基础

3．1．2 小波包分解的理论基础

3．2 统计分析的理论基础

3．3 基于小波包分解与统计分析相结合的特征提取

3．3．1 心电信号的小波包分解

3．3．2 小波包系数统计特征提取算法

3．3．3 小波包系数统计特征提取仿真

3．4 本章小结

第四章 心电信号的特征分类算法研究

4．1 神经网络概述

4．2 传统BP神经网络的心电信号分类

4．2．1 BP神经网络的原理

4．2．2 传统BP神经网络的心电信号分类算法

4．2．3 传统BP神经网络的心电信号分类仿真

4．3 遗传算法优化BP神经网络的特征选择和分类

4．3．1 遗传算法的原理

4．3．2 基于遗传算法优化BP神经网络的特征选择算法

4．3．3 基于遗传算法优化BP神经网络的特征分类算法

4．3．4 基于遗传算法优化BP神经网络的特征选择和分类仿真

4．4 心电信号分类方法的仿真结果对比分析

4．5 本章小结

第五章 心电信号的特征提取和分类实验设计

5．1 心电信号采集实验系统的搭建

5．2 心电信号的采集结果与分析

5．3 基于小波包分解与统计分析相结合的特征提取实验

5．4 基于遗传算法优化神经网络的分类实验

5．4．1 传统BP神经网络的分类实验

5．4．2 基于遗传算法优化BP神经网络的分类实验

5．4．3 心电采集信号分类方法的实验结果对比分析

5．5 本章小结

第六章 总结与展望

6．1 论文工作总结

6．2 展望

参考文献

发表论文和参加科研情况

致谢