基于机器学习的心电信号识别分类算法研究及软件实现

【摘要】：随着人们生活和工作压力的逐步加大,心血管疾病已经成为人类生命健康的一大威胁。心电图能够有效地反应心脏健康状况,是心血管疾病检测常规且有效的手段,在临床上具有重要价值,被广泛应用于心血管疾病诊断中。因此研究一套有效的心电信号识别分类算法具有重要意义。本文主要研究内容如下:首先采用带通滤波器对MIT-BIH数据库中的数据进行去噪处理,对预处理后的数据进行波群检测,对基于二进样条小波进行R波峰值点检测进行改进,加入自适应阈值检测极值对,减少R波的漏检、误检。提出斜率阈值平台搜索法检测QS波的峰值点及起始点,基于QRS波的检测信息采用斜率最值平台搜索法进行P、T波峰值及起始点检测,提高了波群检测准确率。根据波群检测信息计算特征值,计算了RR间期、QT间期等12种特征值。采用遗传算法对支持向量机的惩罚因子和核参数进行优化,基于特征值对5种心电信号进行分类,进行性能评估,结果表明采用遗传算法优化后的支持向量机识别分类性能更优,准确率得到提高。然后基于卷积神经网络对5种心电信号分类,分别设计一维卷积神经网络和二维卷积神经网络模型,对分类性能进行评估,结果表明卷积神经网络的性能优于遗传算法支持向量机的分类性能,二维卷积神经网络的分类性能优于一维卷积神经网络,且分类准确率得到提高。本文有从医院采集的全导联临床心电数据,设计卷积神经网络模型对临床数据的5种类型心电信号和6种形态进行识别分类,分类性能均良好,该算法较好的泛化能力,适用于实际数据分类。本文对8个导联分别进行识别分类,结果显示II导联数据性能最好,能更全面的反应心电信号信息,在无法获取全导联数据时可着重参考II导联数据。最后设计心电信号自动分析软件,选用Visual Studio 2013作为编译器,采用C#进行程序编写,实现了数据接收、数据解包、界面显示、识别分类和数据存储功能。采用MIT-BIH数据库的数据对所编写软件进行了测试,测试结果表明该软件能对心电信号完成自动识别分类,并能够显示异常类型及位置。