4.6 ECG特征检测研究

更新于 2026年11月21日 版权声明
4.6 ECG特征检测研究

心脏由于心室受损而泵送所需量的心输出量的失败是充血性心力衰竭(CHF)的令人担忧的症状之一。ECG是临床医生常规用于捕获患者CHF征象的主要非侵入性测试。识别ECG信号中的报警特征,对于CHF的预测是极其重要的。文献[53]提出了基于双树复合小波变换(DTCWT)的方法,来自动识别正常显示CHF的ECG信号。文献[54]对两段持续时间的ECG段,执行了DTCWT直到六个水平以获得系数,已经实现了99.86%的准确率、99.78%的灵敏度和99.94%的CHF特异性识别。文献[55]提出了一种使用短期(2 s)ECG信号的双树复合小波变换(DTCWT)方法的新算法。在这项工作中,开发了使用DTCWT结合统计特征的ECG信号分析,其能够捕获CHF患者,并且在2 s的ECG段中将它们从正常患者中分类。文献[56]提出了一种新的特征选择方案,其采用了可变范围搜索策略和经验模态分解(EMD)的修改的遗传算法。首先,将ECG信号分解成表示具有样本振荡模式的信号特性的固有模态函数(IMF)。然后,使用具有可变范围编码、动态搜索策略和改进的遗传算法来优化统计特征子集。接下来,开发基于接收器操作特性(ROC)分析的统计模型,以选择主要特征。最后,基于SVM的模式识别模型用于分类不同的ECG模式。与其他特征选择方法的比较研究表明,所提出的方法可以在处理ECG信号中选择显性特征,并且以较低的特征维度实现更好的分类性能。

利用先进的模式识别技术,用于ECG信号分类在基于计算机的心脏疾病诊断中具有很大的潜力。人工智能和统计方法已经进入高级诊断系统的发展,以识别心律失常。文献[57]提出了基于创新的VRGA模型,开发了用于ECG模式识别的新的特征选择方案,其采用通过改变染色体的长度来改变特征候选的范围的动态搜索策略,这种方案的分析结果也显示出较高的准确性。

文献[58]提出了使用各种神经分类器,将ECG信号数据真实地分类为两类(异常类和正常类)。利用MIT-BIH心律失常数据库在48 个记录文件中选择45 个一分钟记录(25 个正常类的文件和20 个异常类的文件)。将总共64 个特征分成两类,即基于DWT(48)的特征和被设置为分类器的输入的ECG信号的形态学(16)特征。使用三个神经网络分类器:后传播网络(BPN),前馈网络(FFN)和多层感知器(MLP)来分类ECG信号。分类器性能根据灵敏度(Se),正预测性(PP)和特异性(SP)来测量。使用MLP以100%的精度实现系统性能。

随着硬件环境的改进,计算性能的提高,基于变换的检测算法越来越多,例如小波变换。使用小波变换检测QRS 波群的算法更是常见。文献[59]提出的方法:基于使用反向双正交母小波的ECG信号进行小波变换分解,并使用非线性滤波器(平均和中值滤波器)对所得到的系数进行滤波,然后使得到的滤波系数通过动态阈值以检测所有QRS 复合波。目前这种方法在检测结果的准确性上具有一定的优势,但是计算复杂,不太适合移动实时计算。(https://www.daowen.com)

在心血管疾病诊断中使用ECG信号是必要的,因为包含在该信号中的不同波(P,Q,R,S 和T)与心脏活动直接相关。通过研究文献,我们发现了许多算法用于ECG信号的检测和分割。这些算法中的一些使用线性或非线性滤波,其他算法使用信号变换以检测QRS 波群。作为滤波算法的示例是Pan Tompkins的提议,其提出了基于带通滤波(BPF)来识别QRS 波群的算法,以减少ECG信号中的误检测。Yeh 和Wang提出了一种简单可靠的线性方法——差分操作方法(DOM)来检测QRS 复合波。最近,遗传算法(GA)已被用于基于PCA的自动PC选择。聚类通常用于在信号滤波和维数降低之后提取ECG时间序列的特征。由于现实世界中的数据集合可能没有被明确定义,并且它们通常以模糊的边界存在,因此模糊聚类通常比清晰的聚类更适合自然分区[60]。在模糊聚类中,模糊C均值(FCM)聚类算法是众所周知的方法。在动态ECG信号的测量中,受试者具有多少病理波形也是不可预测的。

文献[61]提出一种新的基于模糊熵的C均值聚类(FECM)用于ECG特征数据的簇分割。通过基于模糊熵的聚类测量(ECM)找到具有特定ECG特征的数据集的最优聚类数,其聚类精度优于三种常用算法,即谱聚类(NJW)、分层聚类(HCA)和K均值聚类。

ECG记录了心脏及心血管的实时生理状态,广泛用于临床心脏疾病的检测和诊断。ECG特征值自动检测能够快速准确地检测出心脏疾病。目前ECG特征值检测有许多种算法,如基于导数的检测、数字滤波器检测算法、线性预测算法、小波变换算法、数学形态学方法和经验模态分解方法、神经网络检测方法等。基于小波变换的ECG特征值检测方法,由于相对准确高效,近来引起广泛关注。目前基于小波变换的方法一般是利用小波变换后的低通系数进行特征定位,有两个问题一直没有解决:一是在第几层小波变换后进行特征检测比较合适;二是用高通系数还是低通系数合适进行特征定位。如果仅仅根据经验来决定这些关键参数,那么实验与仿真难以得出系统的科学的结论。本书提出了根据ECG信号不同波段的频率特征,在小波变换过程中直接抓取信号的频率特征分量,从而实现在小波变换过程中精确定位特征值的检测方法。目前各种检测算法一般聚焦于QRS 特征值定位及提取,如果能够合理利用该结果,进一步对心肌细胞的电生理活动进行逆向分析,对心脏生理状态的自动分析诊断将会具有重要意义。在特征检测的基础,本书进一步研究了心肌电位动作的逆向分析,从而能够实现心肌缺血与心衰等疾病的自动检测与诊断。本书研究ECG特征值自动分析与检测方法,并利用ECG特征值对心肌动作电位进行逆向分析,以实现心脏疾病的自动检测与诊断。首先,本书基于小波变换提取特征信号的频率分量,该分量经过能量积分处理后能够清楚定位信号特征。其次,本书对心肌膜的动作电位建立了联立方程组模型,利用ECG特征值进行回归拟合,从而准确获取心肌膜电位的特征值向量。实验结果显示,本书算法识别ECG特征值的准确率超过99.27%,识别心肌缺血、心衰等心脏疾病的准确率超过86.7%。

✍AI写作