前 言
移动心电监护设备能够实时采集、监护被监护对象的健康信息,及时分析、发现健康异常的情况,从而充分利用有限的医疗资源,保证患者得到及时的救治。本书以移动心电监护关键技术为研究目标,以移动ECG信号处理关键技术为重点,深入研究ECG压缩技术、ECG特征值检测技术。本书系统研究了小波去噪理论,小波的特征检测理论,基于ECG的逆向分析技术,以及基于提升小波进行信号压缩理论。本书做了以下几个方面的工作:
一、本书提出了一种多项式直接代入FFT的并行算法。大多数被测信号具有稀疏特性,通过选择合适的变换基,有可能做到信号中仅含少量的非零变换系数。但是经典FFT基于MIMD模型的算法在处理稀疏信号时,对复杂度没有任何改善。多项式直接代入FFT并行算法充分利用了多项式奇偶项的不同特点,直接代入数据计算减少了运算过程中的通信,提高了并行性能。从研究结果来看,如果每次FFT变换的规模控制在16~32 个数据单元,那么多项式FFT变换算法就具有相当大的计算优势,减少了数据变换过程中前后时序依赖性与空间依赖性,适合于做并行计算,但是随着运算规模的增大,基本操作次数呈指数上升。
二、本书提出了一种基于EZW 的ECG压缩算法。通过建立小波消失矩与ECG信号幅频特征之间的关系模型,根据ECG信号的幅频特性对滤波器组进行优先处理,使基于小波变换的ECG去噪技术更加精细,效果更加显著。研究发现,通过小波变换滤波的效果与小波基函数的形状无关,而仅与消失矩的阶相关。研究还发现并不是消失矩的阶越高滤波的效果就越好。对于某一稳定的ECG信号,在同一束滤波器中存在一个确定阶数的滤波器能够取得最优滤波效果。本书通过对消失矩的阶实现最优选择,然后基于EZW 算法对零树编码进行序列化裁剪,并且能够最大限度保留心电信号的特征,有效地提高了心电数据压缩比。
三、本书研究提出了一种基于小波的ECG信号特征检测理论,将特征检测、ECG去噪、ECG信号压缩三个运算过程结合起来,省略了重复计算过程,在时间复杂度方面具有极大优势,非常适合于移动实时ECG分析处理。本书提出了一种基于ECG特征逆向分析心肌外膜动作电位的算法,开辟了一条智能分析诊断心脏疾病的途径。虽然目前的准确率仅有87%,但随着医疗大数据的建立,心肌外膜动作电位标准将会更丰富,计算的精度将会不断提高。
四、本书提出了一种在一定条件下能达到最优节能的实时调试算法。智能移动平台面临的关键问题是待机时间短,实时任务调度复杂,实时计算的任务繁重。本书研究任务调度模型、任务能耗模型,通过将外设的能耗因子映射到运行的进程中,根据能量消耗最优化策略,分段实现动态规划调度。研究结果表明,本书实时调度算法在理论上与实践上都是一种可行的且最优节能的。(https://www.daowen.com)
五、本书提出了一种基于ECG信号的深度可分离卷积的方法,并通过加快数据归一化处理速度,节省了深度卷积神经网络的计算资源。本书基于快速深度卷积神经网络研究多分辨率ECG信号精确分类识别,训练一个高精度的快速深度卷积神经网络,实现多分辨率ECG信号精确的分类识别。
感谢本书作者的工作单位湖南工业大学对本书出版的大力支持。
由于作者水平有限,书中难免存在不妥之处,恳请读者批评指点。
作 者
2020年10月