压力导致心律失常的检测从心电图信号使用嗯

K.Vimala
助理教授、国家工程学院、Kovilpatti杜蒂戈林,Tamilnadu、印度

文摘

心电图是心脏的电子记录,用来测量和规律性ofheartbeats率。心律失常是识别和诊断通过分析心电图信号。摘要人类压力评估的重大问题识别心律失常,其中内容提取使用离散小波变换(DWT)技术分析了信号的目的。DWT技术用于降噪ECG信号通过删除对应的小波系数以及用于检索相关信息从心电图输入信号。压力导致心律失常的心电图信号的分类是由隐藏的马尔可夫模型。

关键字

心电图(ECG)、压力、心律失常,WaveletTransform,隐马尔可夫模型(HMM)。

介绍

心脏是一个中空的肌肉器官,泵通过血管theblood到身体的各个部分重复,有节奏的收缩。心脏节律的任何干扰导致多种心脏疾病也可导致猝死。尽管心律失常主要的主要死因,如果发现它可以正确地对待。心脏心律不齐能引起心脏的太慢或太快性能和使用心电图检测信号。

心电图信号记录心脏的电气性能。心电图信号跟踪有不同的波如P波,QRScomplex和T波。图1显示了一个心电图信号。这些数据包括位置和/或QRS时间间隔的大小,公关间隔,QT间隔,圣间隔,公关部门,ST段。P波是缓慢移动的结果去极化的心房。QRS波群包括Q, R和Swaves显示心室去极化。让是心室复极化的结果,比去极化和更长时间。基于上述数据,医生可以正确诊断心脏疾病。因此,分析心律失常的心电图信号是非常重要的对医生做出正确的临床诊断。

心电图(ECG)信号总是被噪声污染和工件。噪音可能肌肉噪声,电力线干扰和基线徘徊。这些噪音的去除导致有效的心电信号的分析。

压力是一个人对压力的反应,这是由于环境条件或刺激。压力是身体的反应一个挑战的方法。“战或逃反应”,当一个人感觉到威胁helpsthe bodyexert能量战斗或逃跑。急性应激压力的类型,这是一种心理状态,出现在回应一个可怕的事件和慢性压力,是因为感情遭受了长期的压力一个人在他或她没有控制。

慢性压力要比急性应激使身体遭受重大损失。对急性压力的反应不健康负担强加给年轻,健康的人但在老年慢性压力或不健康的个体可能长期影响他们的健康。

慢性压力会导致心脏问题等几种不同的方式会导致严重的胸痛和快速增加的心率。心脏病的人经历压力将导致严重的胸痛或猝死。手动识别压力导致心律失常心电图信号分析是复杂的。使用计算机系统的自动分析心电图会非常有助于准确检测压力导致心律失常如室性心动过速、心室颤动。

二世。RELATEDWORK

一个广泛的调查已经被关注thedetailed描述对ECG信号的预处理,特征提取和分类方法。的主要任务是选择小波,开始前的特征提取。小波的选择是基于beanalyzed typeof信号。选择离散小波变换技术去除噪声的ECG信号。Daubechies小波函数选为离散小波变换技术。在daubechies db4被选中是因为它的相似性与心电信号的QRS波群[8]。减少噪声的ECG信号保留了心电图形态有效[7]。

临床心电图信号中的信息主要集中在间隔和振幅的特性。离散小波系数的特征提取心电信号。的ECG信号的时间间隔和形态学特征用于ECG正常心率和心律失常的分类[2]。

心律失常的分类是基于它的起源。人类的压力评估的产生会导致致命的心律失常如心室性心律失常。危及生命的心室性心律失常的原因由于慢性压力室性心动过速、心室颤动[12]。这种威胁生命的心律失常的检测是困难的,因为它的波形和频率分布随时间变化。

通常ECG信号的振幅降低心室纤维性颤动持续时间增加[13]。心律失常的分类、大量的方法已经被提出。分类方法(如神经模糊[3],支持向量机[6],判别分析,隐马尔科夫模型和neuro-genetic [9]。在统计方法中,摘要以来关注海岸的先驱工作[4]。心律失常的自动分析检测自1960年初激增和许多临床使用。这些系统只使用QRS波群和rr间隔组心律失常的起源室性或室上类别和进一步分析室性心律失常。隐马尔可夫模型的主要优势是,马尔可夫链拓扑保存结构特点而状态参数考虑观测数据的概率性质。本文采用隐马尔可夫模型,准确地检测每一个跳动的波阵面组件,这样心室性心律失常分析可以实现相关的压力。

三世。数据集

心电图记录了从MIT-BIHDatabase生理网。心电信号从麻省理工学院获得Technology-Beth以色列医院(MIT-BIH)心律失常实验室。选择的数据库分析心律失常的心电图信号检测MIT-BIH正常窦性心律数据库,MITBIH心律失常数据库和MIT-BIH恶性室性心律失常数据库。从MIT-BIH收集的记录的数量正常窦性心律MIT-BIH心律失常数据库的数据库是18和48和从数据库MIT-BIH恶性室性心律失常是22。

四、方法

提出系统的主要目标是确定使用心电图信号压力相关的心律失常。系统包括心电信号去噪的过程中,特征提取和分类心室性心律失常。系统的开发分为以下模块:1。预处理,2。3.特征提取和分类。

预处理模块主要处理过程中去除心电信号的噪声和信号分解成几个分解。下一个模块是心电信号的特征提取。最后一个模块用于ECGanalysis处理分类技术。图2显示了该系统。这项工作由使用MATLAB软件实现。

答:预处理

心电图信号与噪声重叠和artifactswhich导致心律失常的诊断不准确。噪音发生教授的运动肌肉,电力线干扰和基线漂移等。去除噪声的ECG信号是使用离散小波变换来完成的。小波变换具有多分辨率的特性赋予时间和频域信息asimultaneous mannerthrough variablewindow大小。小波变换是scaledand shiftedversion母小波。母小波DWT所表达的:

,a和b是缩放和转移因子,分别和R是小波空间。

DWT的基本原理是将信号分解为细节。DWT的时频表示由重复执行过滤的输入信号的一对过滤器即低通滤波器和高通滤波器。对应于低通滤波器的系数是称为近似系数(CA)和高通过滤系数称为详细系数(CD)。的近似系数分解为进一步的细节和近似水平和过程仍在继续。daubechies家族在不同的小波基,小波是非常有效的。摘要daubechies家庭小波db4用于分解。daubechies4被选中,因为它与心电信号的QRS波群相似。图3显示了基本过滤使用小波分解。信号with1000数据分解成500数据点的高频细节系数和500数据点的低频近似系数。

从去噪信号检测到R-peak用于提取特征也有助于识别心电信号的QRS波群。使用QRS波群,室性心律失常可以准确地检测到的异常心电图信号。

b .特征提取

第二个模块处理心电信号特征的提取。心电信号是心脏生理的代表信号主要用于心脏疾病的诊断。小波变换提供了一种非常普遍的技术,可应用于信号处理的应用程序。许多功能可以获得并使用小波系数在压缩域使用。db4是离散小波变换应用于心电图信号,转换为小波系数。获得系数描述的行为心电图信号,这些系数很小的数量比原始信号的数量。这减少特征空间对识别和诊断尤为重要。

等各种功能的意思是,标准差和方差信号的振幅峰值间隔的均值也从无噪声的ECG信号中提取。压力导致心律失常的检测主要依赖于特征值。的一些特性和它的方程:

c .分类

基于特征提取、分类器将ECG信号分为正常和异常的节奏。隐马尔科夫模型是用于心电信号的分类。

隐马尔可夫模型是一种随机有限状态机。隐马尔科夫模型是一个双层有限状态随机过程、一个隐藏的马尔可夫链的过程控制的选择一个可观测的过程。一般来说,一个嗯有N个状态,状态中可用的转换。在不同的时间,系统的一个州;每个州之间的过渡都有一个关联的概率,和每个国家都有一个关联的观察输出(符号)。一个嗯的特点是以下:

一个完整规范的嗯需要规范的模型参数,规范的三个概率measuresA, B,π.HMMparametersusethefollowingset:

Λ= {A, B,π}(8)

HMM训练由估算模型参数组Λ从观测序列o .模型包括七个州,每个州的初始优先级矩阵,过渡矩阵和发射矩阵被分配。这些都是只要有thestochastic过程的输入。在学习过程Baum-Welch算法用于计算的最大似然模型。最大似然估计隐状态和观察序列。然后Baum-Welch算法对心律失常的心电图信号进行分类。HMM分类ECG信号正常心率或anabnormal节奏。

诉实验结果

心电图信号从MIT-BIH获得数据库预处理去除噪音使用daubechies4 db4小波。输入信号如图4所示。信号绘制的时间轴与振幅桠溪。的噪音信号基线徘徊和电力线等干扰删除使用db4小波函数和噪声信号显示在图5。

图6显示了检测心电图R峰的信号,这有助于等特征提取的意思是,最大值、最小值和标准偏差。daubechies4 (db4)给最好的结果去噪心电信号在比较与其他daubechies小波的家庭。统计值的比较结果噪声的ECG信号使用db4小波去噪心电信号是表1所示。

绩效评估,心律失常的心电图记录选择数据库。常见的统计指标用于评估的性能分类结果的敏感性,特异性和准确性。整体性能显示压力的能力心律失常与高精度检测。

表2显示了正确的分类和分类错误的样本数据的类型的心律。心律失常的总记录are48 is2和分类错误的记录。的总记录正常心率18和分类错误的记录是1。心律失常的totalrecords 22和图分类错误的记录是3.。7显示的数量分类错误的心电图记录到记录的总数。

六。结论

人体压力鉴定评估relatedarrhythmia的ECG信号是困难的,因为timevarying形态学特征。心电图信号首先预处理来消除噪音。Daubechies4小波变换用于去除噪音。心电信号的QRS复合物检测识别慢节奏的目的或快节奏和心律失常疾病检测。各种ECG信号的特征提取和隐马尔可夫模型用于分类的压力无节奏的。自动化系统开发的检测心室性心律失常收益率93.18%的准确性。在未来的工作中,心电图信号可以分割,获得分段心电图特征值和基于这些特征值的压力心律失常可以检测到使用隐马尔科夫模型。

引用

阿尔贝托·德·桑托斯塞拉,卡门·桑切斯阿维拉,哈维尔·Guerra卡萨诺瓦和冈萨洛Bailador值得,“Stress-Detection系统基于生理信号和模糊逻辑,“IEEE工业电子,2011年10月卷。58岁的10号,页4857 - 4865。
Alexakis C、H Nyongesa R萨奇,ND哈里斯,戴维斯C, C金刚砂,RH爱尔兰和SR海勒,“心电图(ECG)信号的特征提取和分类相关的低血糖,“在心脏病学电脑:2003;30,页537 - 540。
贝纳里。R和硕士Chikh,“心律失常识别神经模糊分类器,”国际理论和应用信息技术杂志》,2009年5月,页577 - 583。
Coast.D.A。r·m·斯特恩:“一个心律失常分析使用隐马尔科夫模型方法,“IEEE生物医学工程、September1990, Vol.37, 9。
Dimitris Giakoumis DimitriosTzovaras乔治·Hassapis”Subject-dependent biosignalfeatures增加心理压力检测的准确性,“爱思唯尔国际人机研究杂志》71年,2012年11月,页425 - 439。
塔拉,Nasiri,马哈茂德•Naghibzadeh H。Sadoghi Yazdi, Bahram Naghibzadeh心电图心律失常分类支持向量机和遗传算法,“IEEE第三UKSim欧洲研讨会上计算机建模与仿真,2009年11月,页187 - 192。
Karthikeyan。P M。Murugappan和S。Yaacob,“心电图信号去噪使用阈值技术在人类压力评估,”国际电气工程和信息学杂志2012年7月,卷4、2号,页306 - 319。
Mahmoodabadi。年代。Z, A。Ahmadian和医学博士Abolhasani”,使用Daubechies心电图特征提取小波,”国际会议上可视化、成像和图像处理,2005年9月,页343 - 348。
Mansouria Sekkal和穆罕默德胺Chikh Neuro-Genetic心律失常的分类方法,”国际力学在医学和生物学杂志》(1250010),2011年4月,12卷,1号,页1-13。
盛,红星,Youdong陈和近东以Tan“实时心律失常分类系统和可穿戴传感器网络,“国际期刊的身体传感器网络,2012年9月,页12844 - 12869。
shing hong Liu大程和林Chih-Ming心律失常识别与两家牵头心电图使用人工NeuralNetworks和支持向量机对于便携式心电图监测系统,“国际期刊的身体传感器网络,2013年1月,页813 - 828。
Ilankumaran。V和Dr.ThamaraiSelvi。年代,“室性心律失常的检测使用小波分解,“国际计算机应用》杂志April2011卷20 - 1号,页11到18门。
燕太阳、陈陆岬和SM克里希,“生活——威胁心室性心律失常识别非线性描述符”,生物医学工程在线痛单位:10.1186 / 1475 - 25 x - 4 - 6, 2005年1月。
Abhilasha M。Patel Pankaj K。Gakare和A.N.Cheeran”实时心电图特征提取和心律失常检测移动平台,“国际期刊《计算机应用(0975 - 8887),2012年4月,体积44 - 23号,pp降价。
你们,B.V.K.Vijaya Kumar和米格尔Tavares Coimbra的心跳使检测到的心电信号分类使用形态学和动态特性,“IEEE生物医学工程,2012年10月,59岁的卷,10号pp2930 - 2941。
Anurag Trivedi哈里Mohan Raj,“基于多分辨率小波变换去噪心电波形的,“国际计算机应用》杂志2102年5月,卷45,第18号,页25 - 30。
Masih Tavassoli,默罕默德·迈赫迪Ebadzadeh哈米德马列,“心律失常分类对心电图与HRV信号通过遗传编程,”加拿大杂志在人工智能、机器学习和模式识别,2012年1月,3卷,1号,页1 - 8。
Niranjana Murthy.H.S。和M。米纳克希,“心电图缺血性事件信号去噪和特征提取使用Daubechies小波,“国际计算机应用》杂志2013年4月,67年,卷2,页29-33。
Ranganathan。G, R。Rangarajan周二和V。Bindhu”,精神压力评估评价心电图信号利用模糊技术,“国际杂志的软计算和工程(IJSCE), 2011年9月,第一卷,第3期,页195 - 201。
Yun-Chi叶,Wen-June王,格瓦拉Wun邱、“心律失常诊断方法上使用线性判别分析心电图信号,“爱思唯尔杂志上测量42岁,2009年1月,页778 - 789。