雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际先进研究期刊》的研究在电子、电子、仪表工程

菜单

ISSN在线(2278 - 8875)打印(2320 - 3765)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

特征向量选择心电图心律失常的自动分类

Ch.Venkanna1b . Raja Ganapathi2
  1. 助理教授、ECE系G.V.P.工程学院(A), Madhurawada,美联社、印度
  2. PG学生(CSP),部门的ECE G.V.P.工程学院(A), Madhurawada,美联社、印度
相关文章Pubmed,谷歌学者

访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

ECG信号的处理在诊断中起着重要作用的大部分心脏疾病。一个心动周期的ECG信号由P-QRS-T波。特征提取方案决定了ECG信号的振幅和时间间隔进行后续分析。心电图波形的形状可以显示当前状态的功能。所有这些观测异常和特征向量的选择是很重要的。基于所选特征向量分类。分类是通过使用RBF神经网络进行特征向量的选择的分析和评价心电图心律失常。

关键字
心电图、基线漂移、零相位滤波器,心房纤颤(房颤),心肌缺血(CI),突然Cariac逮捕(SCA),时滞。大小

介绍
心血管疾病是死亡的主要原因之一。任何干扰的正常心率心脏称为心律失常。心电图(ECG)是最重要的一个非侵入性心律失常的诊断工具。心电图(ECG)信号代表了电势的变化在心动周期使用表面电极记录身体[1]。
心电信号的特征有助于区分各种心律失常。手动心电图分析的方法是时间的过程,还需要专家。心电图分析是困难的在一个小设置如诊所、医疗中心等。因此,与高精度的自动分类方法是必要的。此外,自动分类将有助于辅助医疗和紧急医疗人员在这种情况下,立即采取行动。
摘要自动分类的4种不同类型的心电图胜-正常窦性心律,心房纤维性颤动、心脏缺血,实现心脏骤停。R -峰值检测是使用锅汤普金斯的算法。其他特征波检测到以R-peak为参考。心律失常心电图的异常形状的观察。平均值和标准偏差的异常特征。
数据库:MIT-BIH心律失常数据库[2]是用于测试该算法。

文献调查
锅,汤普金斯[3]开发了一种实时检测算法使检测到的心电信号的QRS复合物。它可靠地识别QRS复合物基于数字分析边坡、振幅、宽度。定期算法自动调节阈值和参数适应QRS形态和心率等心电图变化。
乔治·b·穆迪等[4]研究的因素参与房颤的自动检测。他们说的rr区间差异可以作为衡量心房纤颤的自动检测。
最近的研究表明,Tpeak-end间隔/ QT间隔(Tp-e / QT)可能是更有意义的预测心脏骤停。苏鲜明等[5]发现Tp-e / QT比可以作为指数在预测心脏性猝死。
羞耻等[6]实现自动分类3击败类型——正常窦性心律,过早的心室收缩和左束支阻滞。击败分类是实现通过使用支持向量机(SVM)。支持向量机的主要缺点是它们二元分类器。即。,they can classify only two classes. So Shameer et al designed 3 SVMs and the multiclass SVM is implemented using One Against One (OAO) approach..

心脏疾病
心房纤颤:心房颤动发生在心脏产生的电流从心房在非常高的速度,在300年和500年之间冲动一分钟。这并不允许心房收缩以同步的方式。因为大量的冲动产生的心脏,和他们的位置,心房开始颤抖。这是在医学术语被称为颤[7]。
心肌缺血:如果一个冠状动脉闭塞,心肌氧的运输是减少,导致肌肉的氧债,被称为缺血。缺血导致静态电位的变化和repolarisation的肌肉细胞,这被视为让变化[8]。如果氧气运输终止在一个特定的区域,心肌死亡。这就是所谓的梗塞。梗塞区电沉默,因为它已经失去了它的兴奋性。
心脏骤停:心脏骤停的直接原因通常是一个异常的心律(心律失常),用心的结果问题的电气系统。不像其他身体的肌肉,这依赖于神经连接接收所需要的电刺激功能,心脏有自己的电刺激器——一群专业的细胞称为窦房结位于右上角室(右心房)的心脏。窦房结产生电脉冲,流以有序的方式通过心率和心脏同步协调泵的血液从心脏到身体的其他部位。如果出现错误与窦房结或流电冲动的心,会导致心律失常,从而导致心跳过快、过慢或不规则的方式。这些中断的节奏往往是短暂的,无害的。但某些类型的心律失常可以严重,导致心脏功能突然停止(心脏骤停)。

该方法
标准的心电图波形[9]是作为一个参考算法。波间隔估计基于这个标准波形。的标准波形被认为是图1所示。
图像
心电信号从数据库应用系统开发。系统的框图见图2。图中的每个块解释如下。
图像
预处理:预处理阶段首先删除基线漂移,然后过滤是去除噪声。第一个基线漂移估计使用一阶零相低通滤波器截止频率为0.5赫兹。基线漂移是移除应用心电图信号。输出信号是应用于带通滤波器截止频率较低5赫兹和上截止频率40 hz。因为电源线干扰频率50 hz,这也可以使用上面的带通滤波器。
特征提取:在特征提取阶段,所有的心电图特征波识别及其间隔计算。识别中最重要的是R-peak心电图的诊断。首先确定使用R-peak PanTompkins算法[3]。通过R-peak作为参考,另一波识别特征。每一波的出现和抵消点同时还指出在上面的过程。这波间隔可以计算。
选择功能是基于观察到的异常心律失常。下面讨论的异常特征在每个心律失常。
房颤的)情况下,心房颤动不规则由于其不规则的激发。但定期心室颤动。所以心房和心室将干扰之间的同步。这个结果的不规则RR间隔。
b)对于CI的情况,有些区域的心脏表现电沉默。而不是传播电脉冲这部分反映了他们。通常这种效应在心室心肌。作为一个影响T波倒置。
c)对于SCA的情况,最近的研究表明,Tpeak-end间隔/ QT间隔(Tp-e / QT)可能是更有意义的预测心脏骤停。苏鲜明等[5]发现Tp-e / QT比可以作为指数在预测心脏性猝死。
基于以上观察到的特征向量选择异常特征。从上面的分析中,特征选择的分类有:平均值和标准偏差的RR间隔不同,T-peak的平均值和标准偏差,平均值和标准偏差的比例。心律失常及其异常表1中列出。
图像
选定的特征向量是根据观察到的异常表2所示。
图像
每个ECG信号应用于图2中所示的算法对特征向量生成。基于特征提取的分类使用RBF(径向基函数)神经网络。
RBF神经网络:
图像
输出方程可以写成
图像
径向基函数的基函数
图像
图像

结果和讨论
NSR的一步一步结果人心电图记录nsrdb 16272米的数量如下所示。
图像
在图5中,首先显示原始应用心电图信号,然后去除基线漂移步骤的输出和带通滤波器的输出步骤所示。最后确定R-peaks表示为红色星马克。R-peak其他特征波检测后即P, Q, S和T峰值及其间隔确定以R-peak为参考。这个过程进行的心电图记录。输出一个为每个类的心电图信号图6所示。
图像
图像
在图6中,不同的山峰与不同的符号表示。
*表示R-peak
o表示P-peak
^表示T-peak
+表示Q和山峰
图6 (a)展示了一个典型的结果NSR人的信号。图6 (b)显示了一个典型的结果房颤信号的人。图6 (c)显示了一个典型的结果的信号词的人。图6 (d)显示了SCA的典型信号的结果的人。
识别所有海浪特征及其时间间隔后,特征向量计算出每条记录。这里的一些记录用于训练神经网络和一些用于测试。
图像
测试数据库包含10 NSR心电图信号,12 AF心电图信号,10个和11个CI心电图信号,SCA ECG信号。它是应用于训练RBF神经网络。NSR,房颤,CI分类结果是承诺。在SCA情况下,预测似乎失败了但这是分类正确,因为在SCA已经CI异常的人。

结论
心律失常的异常。特征向量选择基于异常。神经网络训练的一些收集到的心电图心律失常数据库和剩下的测试记录。观察实验结果准确。特征向量的选择保证了分类要求。这个观察心律失常的异常,特征向量的大小可以减少与以前的方法相比,这需要的时间特征向量提取是减少。

引用









全球技术峰会