英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
基于无人健康监管的自动化心电图信号噪声检测和分类系统
摘要—— 目的：噪声的自动检测和分类，在无人健康监管的心电图分析系统的发展上扮演了重要角色。这篇论文提出了在自动检测，本地化，和对于单一和复合的心电信号噪声分类的整合框架论述。方法：提议的框架构成： 改良的整体经验模型分解(CEEMD)，短期的时间特征提取，以及基于规则决定的噪声检测和分类。在这个被提议的框架里，心电图信号第一次利用改良的CEEMD算法，使得可鉴别的心电图要素从噪声和伪影像中分离。这时，短期的时间特征，如最大绝对振幅，零点穿越数量，自相关函数的局部最大峰值，从提取的高频噪声和低频噪声信号中计算。最终一个基于规则决定的算法将被发送去检测噪声存在，并将已加工的心电图信号分成六种信号组别：无噪声心电图，心电图BW，心电图MA，心电图PLI，心电图BWPLI，心电图BWMA。
在5个基准心电图数据库和实时心电信号的基础上，对该框架进行了严格的评估。该框架在检测噪声方面的平均灵敏度为99.12%，特异性为98.56%，总体精度为98.90%。分类结果表明，该框架的平均灵敏度为98.93%，正确率为98.39%，分类准确率为97.38%。结论:与现有的方法相比，该框架不仅能实现更好的噪声检测和分类，而且能准确定位短脉冲噪声，且具有较低的端点描绘误差。意义:对基准数据库的大量研究表明，在自动心电分析应用中，该框架更适合于降低误报率和选择合适的噪声特异性去噪技术。关键词:基线漂移、心电图去噪、心电图噪声检测与分类、心电图信号质量评估、肌肉伪影。
一、介绍
心电图信号(ECG)经常被各种噪声和伪影破坏，比如基线漫游和漂移（电极接触噪声和电极运动伪影），电源线干扰(PLI)和肌肉伪影,使它几乎不可能执行形态学的呼吸频率区间分析，如污染的心电图信号[1]- [3],[4]。现有的心电分析系统大多设计用于处理相对无噪声的心电信号[1]。在这种情况下，现有的系统造成不准确和不可靠的测量，导致产生高误警报率的杂音心电信号[3]。因此，频繁的错误警报不仅是临床医生和患者最头疼和最困扰的问题，而且还会导致心律失常[3]-[8]的误诊。心律失常误报率和心率误报率高的问题严重影响实时心电监护仪的使用，其主要原因有二:一是心电信号等电线上的噪声和伪影被误检为正常或异常跳动;(二)严重污染的心电搏动由于对基本心电特征参数[5]-[8]测量不准确而被错误分类。因此，有噪声的心电信号要么被抛弃，要么在提取有效成分前进行滤波。
A. 相关的工作和动机
不同的策略已经被采用去处理由于噪声和伪影造成的高误报率。(i)基于心电图去噪在心电图记录中抑制噪声和伪影(ii)信号质量指标(SQI)的基础上评估的具有临床可接受记录心电图信号方法。
1)基于心电图去噪的策略:为了降低误报警率, 采用了各种ECG去噪方法，基于移动平均和平均滤波器，频率选择滤波器，自适应滤波器，维纳滤波器，多项式滤波器，奇异值分解(SVD), 离散余弦变换(DCT), 离散小波变换(DWT), 切换 卡尔曼(Kalman) 滤波器, 经验模型分解(EMD), 非线性贝叶斯(Bayesian) 滤波器(NBF), 数学形态学(MM)算子，主成分分析(PCA)，独立成分分析(ICA)，非局部均值方法，变分模态分解(VMD),和EMD -小波法:通过去除单心电和混合心电噪声源[2][9]、[10]。现有的去噪方法大多是具有较强的噪声抑制和伪影抑制能力,与心电形态学不同。评价结果表明，基线漂移消除方法可能会造成图像失真ST-segment，这是由于衰减的ECG低频信号成分。结果进一步证明，简单滤波器不足够去除严重的肌电噪声，在没有扭曲振幅、持续时间、间隔和形状特征心电图信号[10]的情况下。基于EMD去噪方法在QRS 波群的开始和结束造成重大失真，这可能是导致QRS[10]变宽的原因。因此，这些去噪方法显著解决了无法处理的心电图局部波的噪声和伪影问题，那是与频谱有相当大的重叠的心电信号，频率在0.5赫兹到100赫兹之间。
2 )信号质量评估 策略: 除了降噪策略, 信号质量评估(SQA)策略已被用来处理误报问题。提出了多种方法将记录的心电图信号划分为到可采用或不可采用[6]- [13]，[14]。本节简要描述了评估心电信号质量的提取特点。D. Tobon Vallejo等，[5]提出了一种基于频谱调制的心电质量指标，来自于光谱谱信号的表示和相互关系。C. Orphanidou等人提出了[6]信号质量指标基于心率，RR间隔特征和模板匹配。E. Morgado等人提出了一种基于导联间互相关的心电图质量估计方法决策树和SVM分类器。J. Behar等人，[13]，[15]应用7个SQIs对心电信号质量进行了分析，例如峰度SQI (kSQI)，偏度SQI (sSQI)在QRS波函数(pSQI)中，相对功率为在基线(basSQI)中，wqrs检测到的节拍的比例与(bSQI)检测到的节拍相匹配由bqrs和wqrs检测到的拍数之比(rSQI)，以及特征值和的比值与5个主要成分的总和有关，通过时间对齐心电周期的主成分分析得到的所有特征值(pcaSQI)，以及SVM分类器。P. X.奎斯奈尔等人,提出了一个基于PQRST复合物检测结果的集成平均的质量心电图信号分析，即平均PQRST复合波减去每个PQRST复合波的心电信号。G.D克里弗德等人研究了7个信号质量指标(iSQI，bSQI, fSQI, sSQI, kSQI, pSQI, basSQI)，具有多层结构和可接受性，用于临床诊断心电信号的感知器(MLP)和SVM分类器。约翰内森和加莱奥蒂[17]提出了一种自动心电质量评分方法，它基于QRS特征提取和规则集。Li等人，[18]进行基于频谱的心电信号质量指数(sdSQI)，比较多个QRS检波器对一个信号的监测(bSQI)，不同心跳信号之间监测的一致程度(iSQI)和心电图的峰度(kSQI)的心电图质量评估。J. Lee等人提出了一个自动运动和噪声伪影检测方法，使用经验模态分解，三项统计测量，例如香农熵，均值，和第一个IMF的变化，以及特征阈值规则。D. Hayn等人，[20]，[21]提出了一个基于心电图质量评价的QRS波检测，利用了QRS复合波，RR区间时域波形特征和特征阈值规则。I. Silva等人提出了一个新属性的逐点信号质量指数(SQI)，利用了不依赖于形态学特征的多通道自适应滤波，也不依赖于心电图逐拍分析。f·J。Martinez-Tabares等人提出了一种改进的心电信号质量量度，使用相关性和基于多样性的方法。I. Jekova等人提出了基于阈值的[24]噪声检测系统，采用六个并联滤波支路，分析不同频率的心电图振幅和斜率。S. J. Redmond等人提出了[25]心电信号质量测量方法，基于QRS特征和心跳相关的平均值和中位数。A. C. Maan等人提出了心电信号质量评估及电极放置时间特征(心电图转折点、动态范围和预测误差)[26]。K. Noponen等人提出了[27]基于稳定最佳子集线性预测特点的心电质量评估。
大多数方法都是基于QRS复合波探测器建立的，以及心电图形态学和区间特征，后者依赖于采用两个开源的QRS波检测器(eplimited)和(wqrs)得到的准确可靠的r峰测定心电信号。文献研究表明，现有的QRS波检波器即使是对无噪音的心电信号也有很高的假阴性率，包括宽qrs波和低qrs波的复合波，突变QRS波形态上，T波高，RR不规则区间[28]。一些基于机器学习的方法已经被开发，获取信号和噪声的关系以及不同敏感性的噪声。因为心电图光谱与所提取的噪声有相当大的重叠，使得提取的特定心电局部波形和复合波的特征模型可能与噪音和伪影相似。此外,基于机器学习的SQA方法，在充分收集心电信号和噪声数据库上要求较高，以足够捕捉心电图搏动模式的独特特征和各种噪音及伪影[13]。
- 目的和关键贡献
学术研究表明 , 单个信号处理技术并不足以消除各种噪声和心电图信号中的伪影。此外，去噪结果显示：每个过滤技术都可能引入不同种的波形变形。因此，探讨以心电监护记录中噪声的性质来选择适合的信号处理技术非常重要。此外，在一些心电图记录情况中，噪声和伪影可在心电图信号10秒内部分出现。因此，确定边界对于局部噪音很重要，以便将心电信号部分标记作为不可靠测量 或 将提取有噪声特征段的心电信号丢弃。据我们所知，没有能够进行自动检测的系统框架，在心电图信号中定位和分类噪音及伪影。这些议题十分重要，在休息，步行及运动时的心电图记录条件下，心电图信号实时分析和诊断系统的设计。
本文提出了一种新的心电信号噪声和伪影自动检测、定位和分类的统一框架。 本研究有四个主要目标：（一）与以往的SQA研究不一样，我们旨在提出一个统一的心电噪声检测、定位和分类框架，在减少误报率和筛选噪声处理方法方面（特异性噪声信号处理（或噪声模型）技术，有效地去除心电信号中的噪声）有巨大潜力。（二）在迭代过程中引入了新的停止准则，如零点交叉数(NZ C)和最大绝对振幅(MAA)。 （三）探讨短期时间特征提取方法， 基线漂移(B W)、肌肉伪影(MA)和电力线干扰(PL I)的定位和分类。 建立基于决策规则的心电信号分类算法 六组：无噪声心电图、心电图BW、心电图MA、心电图PLI、心电图BWPLI和心电图BWMA。 评价结果表明，该框架具有较高的灵敏度、正预测性和准确性，能够检测和分类心电信号中存在的噪声和伪影。
本文的其余部分组织如下。第二节介绍心电信号噪声检测、定位和分类框架的主要组成部分 检测、定位和分类框架。 第三节介绍了各种心电数据库的评价结果，包括各种正常和异常的心电信号，不规则心率，最常见的心电噪声源。 最后，第四节给出了本研究的结论。
- 拟议的心电监护、定位和分类框架图
说明了所提出的单个和组合心电噪声检测及分类框架的主要组成部分。 本节首先介绍了改进的的完整集合经验模式分解(CEEMD)算法具有新的停止准则，并讨论了所提出的停止准则，比起常规的停止准则，具有显著减少计算负载的优势。然后，我们描述了该框架的主要组成部分，包括（一）心电信号和噪声分离；（二）短期时间特征提取；（三）基于噪声检测和分类的决策规则。
A.改进的CEEMD算法
有几种技术将心电信号分解为几个子信号。 经验模式分解(EMD)是一种自适应时频分析技术，广泛应用于DEC， 将复杂的、多组分的信号分解成几个快速和缓慢的振荡，称为本征模函数(IMFs)[29]。 完整的集成EMD技术提出了克服基本EMD和集合EMD(EEMD)缺点的方法， 例如基本EMD的模式混合问题，在同一IMF中存在不同的振荡，或在不同IMF中存在类似的振荡；产生不同数量的IMF；以及重建当信噪比低时，信号分解后含有残余噪声。Torres等人 提出了在残差中加入不同高斯噪声实现的CEEMD算法 ，提取后续固有模式函数后的L信号[30]。 实验证明，CEEMD算法对原始信号进行了精确的重构，并改进了模型的频谱划分，与EEMD算法相比，筛选迭代次数减半，于是
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238312]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
