论文总字数：42234字

摘 要

在过去的几十年中，国内外学者开发了许多基于RR间期的房颤（AF）检测特征。结合这些特征和机器学习方法，可以获得AF检测的高分类准确度。在动态ECG监测场景中，QRS波的准确定位具有挑战性，导致计算的和真实的RR间期序列之间存在偏差。然而，QRS波检测引起的RR间期序列偏差对AF特征的影响尚未量化。本研究解决了这一问题并分析了14种常用AF特征的抗干扰能力，包括mRR、minRR、maxRR、SDNN、RMSSD、medHR、PNN50、LFn、HFn、LF/HF、COSEn、NFEn、MAD和AFEv。

本研究通过实验：误检和漏检两种情况，分别研究各特征的性能，并结合支持向量机的方法分类。综合两个实验的结果，最终认为：特征AFEv、MAD、NFEn、COSEn、minRR和PNN50具有较强的抗干扰能力；特征HFn、LF/HF、LFn、mRR、maxRR和medHR虽然抗干扰能力较强，但其检测准确度很低；而特征SDNN和RMSSD正好情况相反。同时使用临床数据进一步验证这六个特征的性能，得到的 SVM模型的灵敏度Se为100%，特异度Sp为99.0991%，准确度Acc为99.7831%。

关键词：房颤检测，支持向量机，抗干扰能力，QRS波检测，特征指标，RR间期

Abstract

In the past decades, a number of RR rhythm-based atrial fibrillation (AF) features were developed. Combining with these features and machine learning methods, we can obtain high classification accuracy for AF detection. In dynamic ECG monitoring scenario, accurate location for QRS complexes is challenging, resulting in a deviation between calculated and true RR interval sequences. However, the effect of RR sequence deviation caused by QRS detection on the AF features has not been quantified. This study addressed this concern and analyzed the anti-interference ability of 14 commonly used AF features, including mRR, minRR, maxRR, SDNN, RMSSD, medHR, PNN50, LFn, HFn, LF/HF, COSEn, NFEn, MAD, AFEv.

In this study, the performance of each feature was studied by two kinds of experiments：wrong detection and missed detection and the data was classified by SVM. Based on the results of two experiments, it is concluded that features of AFEv, MAD, NFEn, COSE, minRR and PNN50 have strong anti-interference ability; features of HFn, LF/HF, LFn, mRR, maxRR and medHR have strong anti-interference ability, but their detection accuracy is very low; features of SDNN and RMSSD are exactly the opposite. At the same time, the clinical data were used to further verify the performance of these six features, the sensitivity (Se) of SVM model was 100%, the specificity (Sp) was 99.0991%, and the accuracy (Acc) was 99.7831%.

KEY WORDS: AF detection, support vector machine, anti-interference ability, QRS detection, feature, RR intervals

目 录

第一章 绪论 1

1.1课题相关背景及意义 1

1.1.1房颤研究 1

1.1.2机器学习及算法分类 1

1.2房颤检测的研究现状分析 2

1.2.1基于心房活动分析的方法研究现状 2

1.2.2基于心室响应分析的方法研究现状 3

1.3本文整体思路及章节安排 4

1.3.1文章整体思路及框架 4

1.3.2章节安排 5

第二章 心电图及房颤基本知识 6

2.1心电图 6

2.2房颤发生机制 7

2.2.1电生理方面的研究现状 7

2.2.2病理生理学方面的研究现状 7

2.3房颤分类 8

2.4房颤在心电图上的表现 8

2.5本章小结 9

第三章 数据库及QRS波检测算法 10

3.1数据库 10

3.1.1MIT-BIH AF数据库 10

3.1.2临床可穿戴AF数据库 11

3.2QRS波检测算法 11

3.3本章小结 13

第四章 房颤特征指标的计算与优化 14

4.1特征指标的计算 14

4.1.1时域特征指标 14

4.1.2频域特征指标 15

4.1.3非线性特征指标 16

4.1.4特征值的比较 20

4.2特征指标的优化 21

4.2.1误检情况模拟 22

4.2.2漏检情况模拟 23

4.3实验结果及分析 25

4.3.1误检低强度情况下的检测结果 25

4.3.2误检高强度情况下的检测结果 26

4.3.3漏检情况下的检测结果 28

4.3.4综合结果 30

4.4本章小结 30

第五章 基于支持向量机的房颤自动识别 31

5.1支持向量机原理 31

5.2 SVM模型分类方法 32

5.2.1数据格式 32

5.2.2数据缩放 32

5.2.3交叉验证 33

5.2.4训练 33

5.2.5测试 34

5.2.6简便操作 34

5.3基于支持向量机的房颤检测 34

5.4本章小结 36

第六章 总结与展望 37

参考文献 39

致 谢 42

附录A 43

第一章 绪论

1.1课题相关背景及意义

1.1.1房颤研究

房颤（Atrial Fibrillation，简称AF），全称为心房颤动，是一种典型的且临床最常见的持续性心律失常，其定义为“快速性心律失常，特征主要是不协调的心房激动，和随之而来的心房机械功能恶化”^[1]。据统计，全球范围内房颤的患病率和发病率都在逐年上升，并且已经成为全球性的流行病和主要的公共卫生问题^[2]。有数据表明，截至2010年全球范围内大约分别有男性房颤患者2090万人次，女性房颤患者1260万人次。另外，在此基础上每年有500万新增人次被确诊为房颤患者^[3]。

在中国，房颤患者大约有1000万人次，一般人群的房颤发病率约为0.77％^[4]。但房颤的发病率会随年龄的增长而增加，例如50-59岁年龄段人群的房颤发病率为0.5％，而80岁以上的老年人的发病率则显著增——高于6％。同时，房颤的发病率还与性别有关，我国男性的房颤发病率约为6％，比同一年龄段女性的发病率要高^[5]。

剩余内容已隐藏，请支付后下载全文，论文总字数：42234字