论文总字数：18561字

摘 要

当今社会，虽然科技进步推动医疗水平不断提升，但是由于高强度的劳动压力却会导致越来越多的心脏病发生。心肌缺血症是常见的心血管疾病之一，患病率在我国呈现逐年攀升上升的趋势。世卫组织呼吁人们应重视对心脏病和其他心血管疾病的预防和研究。现在国内外对心电信号的研究主要针对R波和QRS波群，但ST段检测研究还没有像QRS波群被广泛。基于心电信号的心肌缺血评估是预防心血管疾病心电信号重要技术手段。现在对心电信号的研究着重机器学习，对心电信号进行数据特征提取，进行训练、测试、检测分类。相对于QRS波的研究，基于的ST段形态变化诊断心肌缺血的研究相对较少。本文研究了基于心电信号ST异常检验心肌缺血评估，主要工方作包括以下面:1.评估前的数据准备工作信号预处理，主要包括滤除噪声，去除基线漂移和去除工频干扰。2.特征点定位，对心电信号QRS波和ST段检测和识别，及对ST的特征提取，对特征点的定位和提取的准确率直接影响分类准确率。3.基于机器学习的心肌缺血分类算法研究，搭建和训练机器学习支持向量机模型和BP神经网络模型等实现心肌缺血信号的识别研究。

关键词:心电信号;ST段检测;心肌缺血评估

Study on evaluation method of myocardial ischemia based on ECG

Abstract

In today"s society, although the progress of science and technology promotes the continuous improvement of medical level, but due to the high intensity of labor pressure will lead to more and more heart disease. Myocardial ischemia is one of the common cardiovascular diseases, and the prevalence rate is increasing year by year in China. Who calls on people to pay attention to the prevention and research of heart disease and other cardiovascular diseases. At present, the research of ECG mainly focuses on R wave and QRS complex, but the research of ST segment detection has not been widely used as QRS complex. Myocardial ischemia assessment based on ECG signal is an important technical means to prevent cardiovascular disease. Now the research of ECG focuses on machine learning, data feature extraction, training, testing, detection and classification. Compared with the study of QRS complex, the study of diagnosis of myocardial ischemia based on ST segment morphological changes is relatively less. This paper studies the assessment of myocardial ischemia based on St abnormal ECG. The main work includes: 1. Data preparation before assessment, signal preprocessing, including filtering noise, removing baseline drift and removing power frequency interference. 2. Feature point location, ECG QRS complex and ST segment detection and recognition, and St feature extraction, the accuracy of feature point location and extraction directly affects the classification accuracy. 3. Research on classification algorithm of myocardial ischemia based on machine learning, build and train machine learning support vector machine model and BP neural network model to realize the recognition of myocardial ischemia signal.

Key words: ECG signal; ST segment detection; Assessment of myocardial ischemia

目 录

基于心电信号的心肌缺血评估方法研究 I

摘 要 I

Abstract II

第一章 绪 论 1

1.1研究背景和意义 1

1.2国内外研究现状 1

1.3研究内容 3

第二章 心电信号及预处理 4

2.1心电信号结构分析及特征介绍 4

2.1.1 心电信号结构分析 4

2.1.2心电信号特点简介 5

2.2 滤 波 5

2.2.1 常见的心电信号噪声干扰 5

2.2.2 基于巴特沃斯滤波器的滤波 5

2.2.3 基于小波变换的滤波 7

2.2.4基于小波变换的滤波结果和参数变换分析 9

2.3 去基线漂移 11

2.3.1椭圆高通滤波器 11

2.3.2椭圆高通滤波器去基线漂移结果分析 11

2.4 ST段识别 11

2.4.1 R波检测算法 11

2.4.2 基于R波的ST段识别 12

第三章 心肌缺血评估算法研究 14

3.1 基于SVM的心肌缺血评估算法研究 14

3.1.1 SVM支持向量机的原理及实现 14

3.1.2 搭建网络SVM环境及各参数的选择分析 14

3.1.3 SVM中的心电信号特征数据提取及评估结果 14

3.2基于BP神经网络的心肌缺血评估算法研究 16

3.2.1神经网络的原理介绍 16

3.2.2 BP神经网络机器学习中心电信号特征数据提取及评估结果 17

第四章 总结和展望 19

4.1 总 结 19

4.2 展 望 19

致 谢 20

参考文献（References） 21

第一章 绪 论

1.1研究背景和意义

心血管疾病在目前的我国疾病患者中仍然占有非常大的比重，2020年仍然存在着很高的死亡率。心血管病已经成为我国的主要病害之一，占农村居民的46%，占城镇居民的43.22%。临床上心肌缺血性心脏病占心血管疾病的绝大部分，心肌缺血性心脏病的发病率也是各类心血管疾病中增长较快的。对于一般患者和正常人来说,长期的心电图监测及心率变化也是可以从这些变化趋势中提取有用的资料,对于疾病的早期预防和诊断都会有一定的帮助,心血管疾病诊断也会有一定帮助。由于心血管病的患者死亡率较高并带有并发症等，心血管疾病的预防和治疗受到世界各国的重视。但由于医疗水平不发达，生活质量和生活水平得不到保障，一些地区生活压力加大，生活水平不高，心血管疾病发病率逐年上升。遗憾的是，许多心血管疾病的治疗还需要投入大量的人力物力财力。高昂的医疗费用给许多家庭带来了很大的困难和麻烦。而那些生活在低收入国家的人更难得到有效的高水平治疗。统计显示，在我国男性和女性患心血管疾病的概率分别为1.79%和1.12%，患病率随人口老龄化而增加2.2%。据统计，中国约有2.91亿心血管疾病患者。心血管疾病防治工作已成为当前社会群体面临的重要健康问题。随着经济的不断发展和科技的不断被创新，对心电信号的检测和评估。心电实时监测和评估是防治心血管疾病的重要手段基于心电信号的自动检测分类评估与识别算法是分析心肌缺血的重要组成技术,具有光明的前景。基于心电信号的心肌缺血的机器学习的出现大大提高了心血管疾病的预防及治疗的效率,医学研究者在心血管疾病的研究领域引起了很大的关注。它的主要优点在于它具有实时性、长期性,而且很少因为受到来自外界的干扰。同时随着无线技术的发展,远程实时心电监护已经能够做到24小时实时心电监护,但是心电图的数据传递量也将随之加快,造成了后台的医生在判读心电图时工作量大,工作效率低。这就使得越来越多的先进心血管病理学技术在我国得以应用和开发,其中之一的研究是如何提高心肌缺血科学性检测和临床应用。基于心电信号的心肌缺血评估算法研究，对ST段进行检测和特征提取，实现对心肌缺血的评估，对心肌缺血的检测和预防有着重要意义。

1.2国内外研究现状

心电图是医生诊断心血管疾病的重要的依据。早期动态心电图（DCG）记录装置（DCG或DCG）能长期记录患者生活中的心电图活动。然而，对心电信号异常做出准确判断是当今要解决的重要技术问题，但准确率一直是一个难题，早期心电信号检测诊断设备对心电信号的检测判断正确率并不高。医生只能对心电监护信息进行复查，进一步确诊。动态心电系统只能作为远程心电监护的前端设备，其采集的信号不能实时传输。基于心电信号的心肌缺血的机器学习作为心肌缺血诊断方式的一种，解决了心肌缺血的诊断分类和检测评估问题，特别是对心血管疾病患者的心电信号实时学习监测问题，为心血管疾病的防治带来了方便。

对于心电信号的正确检测判断分类研究，现在中国对心电信号的研究多数致力于用于心电信号特征提取来判断和识别心电信号。现在基于R波和QRS波群的心电信号检测技术已经相对成熟，但ST段检测还没有像QRS波群被广泛的研究。对心电信号分类过程的研究一般分为三个部分，第一步心电信号的去除噪声处理，第二步是对信号的特征提取，第三步根据提取特征进行分类器设计。对于心电信号的预处理方法较多，针对不同的噪声干扰有不同的滤波算法。其中常见的肌电噪声适用各种低通滤波器，对于去基线漂移适用各种高通滤波器。常见的滤波器有巴特沃斯滤波器，椭圆滤波器，和基于小波算法的滤波处理。在国内研究者对特征提取方面使用了代表心电信号的各种特征，如形态学特征等^[1];在分类器设计方面研究者们使用了支持向量机、神经网络等机器学习模型。

剩余内容已隐藏，请支付后下载全文，论文总字数：18561字