摘要：为解决当前深度学习模型进行心房颤动检测泛化能力差的问题,提出了一种基于长时rr间期的心房颤动检测算法。基于心电信号的一维时序特性以及心房颤动的特殊rr间期,设计了CNN与LSTM结合的深度学习模型,深度挖掘长时rr序列的时间与空间特征,使得它能够在未知数据集上取得良好的结果。使用MIT-BIH心房颤动数据集的全部可用样本划分训练、验证与盲法测试集(3名个体)。通过10倍交叉验证后在盲法测试集上的准确率为99.11%、敏感性为98.86%、特异性为99.47%、阳性预测率为99.62%、F1分数为99.24%。模型与现有方法进行了对比,证实所提模型用于心房颤动检测的可行性,能够有效识别出未知数据集的心房颤动病例,泛化能力强。

摘要：目的大鼠心电信号采集目前依赖于生理信号采集系统,其采样频率低,且无法进行软件算法的内部改造,不利于实验使用。本文设计了高精度大鼠心电信号采集系统以实现rr间期实时检测。方法采用AD620设计心电信号采集电路,信号经USB-6008进行A/D转换后送入PC机,通过Labview编程完成滤波、预处理及显示。然后,通过Labview与Matlab混合编程,采用模板匹配方法实现rr间期实时检测。最后,随机选取10只大鼠心电数据进行离线分析,以阈值法作为对照检验rr间期实时检测的准确性。结果阈值法检出率96.62%,模板匹配法检出率99.16%。结论通过硬件与软件结合的方法能够获得高精度的大鼠心电信号。通过Labview与Matlab混合编程,采用模板匹配法能够实现rr间期实时检测,且检测准确性较高,为进一步的实验研究提供了基础。

摘要：传统基于机器学习的睡眠呼吸暂停(SA)检测方法,需花大量工作在特征工程与分类器设计上。本文提出了一种基于卷积神经网络(CNN)的SA自动检测方法,构建了一个包含4个卷积层、4个池化层、2个全连接层和1个分类层的一维CNN网络模型,通过网络自身结构实现特征自动提取与分类。利用呼吸暂停-心电图(Apnea-ECG)数据库中70例整晚单通道睡眠心电图(ECG)数据对该方法进行了验证,通过对比实验发现当输入为单通道ECG信号、rr间期(rrI)序列、R峰值序列、rrI序列+R峰值序列四种情况时,网络在SA片段检测上的准确率为80.1%~88.0%,表明该CNN网络是有效的,能从原始单通道ECG信号或其派生信号rrI、R峰值序列中自动提取特征并分类。当网络输入为rrI序列+R峰值序列时效果最好,在片段SA检测上的准确率、灵敏度和特异度分别为88.0%、85.1%和89.9%,个体SA诊断准确率达100%。研究结果表明,本文提出的方法能有效提高SA检测的准确性和鲁棒性,且性能优于近年主要文献报道,有望应用于配备远程服务器的便携式SA筛查诊断设备中。

摘要：为实现室性早搏的自动判别,提出一种基于多模板匹配的自适应识别算法。采用滤波提高数据信噪比,利用样本数据通过特定的自学习机制建立模板库,设计模板的压缩算法实现待测心搏与模板心搏宽度的对齐,采用模板队列匹配和模板库匹配相结合的匹配策略,设计自适应更新规则实时优化队列与库的结构,利用相关系数检测室早。使用MIT-BIH数据库进行测试,达到99.39%的灵敏度和98.79%的特异度。

摘要：散点图 (lorenzplot,LP)用于心律异常分析是心电检测领域中的新概念 ,较之频谱分析具有更为详尽的解析能力。为满足医生的临床需要 ,本文介绍了一种用于散点图自动分析的软件的设计方法。该软件根据 2 4hHolter分析软件提供的rr间期的信息可选择时段的绘制出相应的散点图 ,并提供散点图的打印输出功能。该软件已经在临床上得到应用并得到临床医生的认可。

摘要：近年来,心血管疾病患病人数逐年增加,患病人群往低年龄层发展,对于心血管疾病的监测与治疗迫在眉睫。心冲击图(ballistocardiogram,BCG)采集系统是利用人体重力变化信号诊断心脏疾病的一种全新的无创检测方式。本文设计研制了基于压电薄膜的心冲击图信号采集系统。压电薄膜作为信号采集传感器,将检测到的电荷信号经由电荷灵敏前置放大器,放大(100倍)、滤波(30Hz)、工频陷波后得到可识别心冲击图信号。采集10位健康被试者的BCG信号,同步采集心电(ECG)作为参考,对其心动周期时间间隔进行分析对比,计算均值和方差并作相关性分析。结果表明系统采集BCG信号是有效的,BCG和ECG信号计算心率相关性较大。