论文部分内容阅读
心率变异性(HRV)是指心率或者心跳变化的快慢随时间所发生的细微差异,能够反映出人体自主神经,交感神经和迷走神经对心血管系统调节能力的强弱和变化,同时可以用于分析心脏做功的强度。由于HRV能够有效的从心脏活动是否正常来反映出人体的身体状态情况,如果能有效的检测出HRV信号的特征值如RR间期,功率谱密度,就能够利用这些特征信息来判断和预测相关的心血管疾病并提出有效的治疗方案。本文首先以小波变换为基础,对比分析了几种不同的小波基的信号分解效果,分析结果发现在分解心电HRV信号方面,Db6小波基信噪比增益高,分解效果好。其次,本文在选择了Db6小波基的基础上,对比分析了四种不同的基于小波变换的去噪方法包括软阈值去噪,硬阈值去噪,Garrote阈值去噪和基于改进的Garrote阈值去噪方法。通过分析发现,基于改进后的Garrote阈值去噪方法在处理心电信号方法有着明显的优势。再次,本文提出了利用基于小波变换的Mallat算法来实现心电信号HRV的QRS波群检测,并且提取了RR间期特征信息,然后从MIT-BIH心电数据库中抽取15组心电信号验证该算法对HRV信号QRS波群检测效果。最后利用AR模型分析了HRV信号的功率谱,从而提取了SDNN,LF/HF,HR,SDANN,TP,PNN50等几组HRV信号特征值用于心电信号分类。通过从MIT-BIH抽取的各5组正常心电信号和心律失常心电信号数据进行分析,发现SDNN,LF/HF,HR和PNN50的相关性较小,可以作为单独的特征变量用于信号分类。因此本文选择了SDNN,LF/HF,HR和PNN50这4组特征值进行心电信号的分类识别。本文将HRV特征值的提取方法包括信号的去噪,QRS波群检测,功率谱分析等方法组合起来,根据提取的HRV特征值,设计了基于HRV特征的心电信号分类识别系统界面,从MIT-BIH数据库中抽取了5类心电数据进行训练和检测。本文设计了三种分类系统:基于决策树的分类系统,基于BP神经网络的分类系统,基于支持向量机SVM的分类系统,同时本文对比两种降维方法:传统的PCV降维和非负矩阵分解NMF降维。通过对这两种降维方法和三种分类算法的组合,进行心电信号分类实验,结果发现本文提出的基于非负矩阵分解和决策树的心电信号分类系统准确率高,具有明显的诊断优势。同时通过不同心电信号特征值的选择对比分析,发现本文提取的基于HRV信号的SDNN,HR,LF/HF,PNN50这4组特征值能够有效的提高心电信号的分类准确率。