基于信号特征的房颤心电分类.PDFVIP

基于信号特征的房颤心电分类 一、小组成员 张渊 2520170002 刘雨薇 2120161018 二、问题描述 房颤是最常见的心律失常之一，是由心房主导折返环引起许多小折返环导致 的房律紊乱。它几乎见于所有的器质性心脏病，在非器质性心脏病也可发生。可 引起严重的并发症，如心力衰竭和动脉栓塞。临床上根据房颤的发作特点，将房 颤分为阵发性房颤(房颤发生时间小于7h ，常小于24h,可自行转复为窦性心律) 、 持续性房颤(发生时间大于2 天，多需电转复或药物转复) ，永久性房颤(不可能转 为窦性心律) 。 基于单导联的房颤心率识别是临床上的一大挑战，我们希望用数据挖掘的方 法改进对心电信号特征的分类，提高预测的准确性。 三、目标与功能 基于心电信号的时域频域特征，用支持向量机对信号分类，实现区分正常信 号，房颤信号，其他节律与噪声的功能。 工作由以下几部分组成： （1）选择数据集。ECG 数据由AliveCor 提供，ECG 采集信号为 300Hz ， 采集设备已经进行过初步滤波。 （2 ）数据预处理。训练数据长度不一，其中以30 秒的居多，因此在训练模 型的时候先不管短于30s 的信号。超过30 秒的信号截成两段。最后生成一个标 准长度的训练集。 （3 ）特征提取。按照文献中采用的特征，提取峰均功率比和对数能熵。 （4 ）特征分类，用支持向量机分类，把心电信号分为正常信号，房颤信号， 其他节律与噪声四类。 四、数据与平台 数据：the PhysioNet/Computing in Cardiology Challenge 2017 官网上提供了 训练集的数据。主办方的数据由AliveCor 提供，ECG 采集信号为300Hz ，采集 设备已经进行过初步滤波。所有数据以.mat 的格式存储，含有.hea 文件。 平台：生理信号处理使用Matlab ，其中用到滤波的包、SVM 的包。统计分 析使用R 语言。 五、理论基础 4.1 信号处理 人体心电是一种微弱的电信号，正常人心电信号的频率范围为 0.05 到 100Hz，能量主要集中的范围为0.25-35Hz 。它有如下特征： （1）微弱性：通过电子设备采集到的原始心电信号很微弱，其幅值一般不 超过5mV 。 （2 ）低频特性：它的能量主要集中的范围为0.25-35Hz 。属于低频信号。 （3 ）易受干扰：心电信号很微弱，因此在采集信号的过程中会受到很多干 扰，比如测试者的状态、环境因素等。 分析心电信号首先要进行滤波。心电信号的干扰主要有三种： （1）工频干扰 工频干扰是受测量环境中的电磁辐射的影响产生的，频率主要集中在50Hz 。 它使心电波形上产生规律的细小波纹，影响我们对心电的观察。 （2 ）肌电干扰 肌电噪声的形成是人的肌肉神经系统的活动，肌肉纤维的收缩引起物电变 化，经过心电电极引导、放大就形成了肌电噪声。它属于高频噪声，主要能量集 中在30~300Hz 范围内，在波形上的表现为快速变化不规则波形。 （3 ）基线漂移 一般由采集心电的电子设备引起，呼吸干扰和运动伪迹也可引起。基线漂移 属于低频干扰，频率一般小于5Hz，效果相当于在心电信号上加一个低频的正弦 分量。 4.2 特征点的检测 基于时域波形的特征提取需要先定位主要波形的位置，如QRS 波。R 波是 心电信号中最突出的波形，因此可以首先对R 波进行定位，再进一步定位Q 波、 S 波。Pan-Tompkins 方法是一种很好的 R 波检测算法。理论基础比较复杂。我 们基于该算法，加入了回检的步骤，提高了检测R 波的准确性。 4.3 特征提取 心电信号的特征有时域特征、变换域特征。AF 病人的心电特点是RR 间期 绝对不规律，因此，RR 间期是十分重要的特征。另，变换域如小波变换域的特 征也广泛地运用于心电信号分类中。 4.4 SVM 分类 六、项目进展 6.1 信号处理： 因此我们采用带通巴特沃斯滤波器，实现2-50Hz 的滤波。 对心电信号进行分割，由于主办方提供的训练数据长度不一，其中以30 秒