一、心肌缺血的运动心电信号无创检测方法（论文文献综述）
刘学朋[1]（2021）在《面向心肌缺血的心电信号特征提取及智能诊断研究》文中研究指明随着人类生产生活方式的丰富多样,人口老龄化程度日渐加重,心血管疾病患病率持续递增,并成为人类健康的头号杀手。心电图作为体表记录人体心脏活动的方式,常用于心血管疾病的临床诊断。心血管疾病中最为常见的心律失常和心肌梗死主要诱因为心肌缺血。因而心肌缺血的检测对于这两类疾病的诊断具有重要意义。心肌缺血主要体现在心电图上的ST-T段改变。为此,本文针对心电信号特征波位置的检测和缺血形态信息的表达进行深入研究,具体内容如下:1.针对现有心电信号特征波检测算法存在的毛刺干扰和过零点错位问题,提出一种融合平稳和连续小波变换的T波检测算法。利用连续小波变换的多尺度信息,获取心电信号中T波主要成分。然后采用平稳小波对T波候选段进行平滑处理,消除波形中锯齿状毛刺对峰值点检测的影响。最后对T波过零点进行时移修正,保证过零点还原到原始信号的过程中能够准确对应其峰值点,从而提高T波的检测精度。经MIT-BIH Arrhythmia数据库进行验证,心电信号T波的误差率、敏感度和正确预测度分别达到0.26%、99.87%和99.88%。实验结果证明,本文所提算法能够准确检测心电信号特征波位置。为心肌缺血特征波候选段截取提供充实基础。2.针对现有心肌缺血检测算法存在的病理特征表达不充分和训练模型复杂度高等问题,提出一种基于多粒度级联森林的心肌缺血智能检测算法。利用多粒度滑动窗口对缺血候选段进行逐帧扫描,将不同时刻的缺血特征进行融合,实现数据增强。然后采用分裂属性不同的随机森林,将缺血病理特征再次深入表达,从而实现病理信息的深层提取。在级联层的每一级联分别添加了均值化处理和增益比较,均值化处理能够避免多个线性关系的特征向量串联聚拢引起不必要的冗余信息,增益比较能够有效解决模型训练层数的复杂化问题,实现本文算法模型的自适应能力。经Long-term ST-T数据库进行验证,在不同训练集占比为90%、70%和30%三组实验情况下,分别实现了95.89%、95.40%和94.93%的分类精度。实验结果证明,本文所提算法能够真实有效地表达缺血特征。
李泽禹[2]（2020）在《双阶段动态心功能评估方法研究》文中提出目前动态心功能的研究焦点只关注于心脏负荷阶段的心功能检测,而心脏恢复阶段的检测与判断也可以反映心功能的状态。在心率恢复过程中,心电图的变化也能反映出心血管的状态,因此,心脏恢复与负荷阶段的相关性也具有相当的研究价值。在这个关系中,动态、实时的心电图检测面临着许多的难点:其中包括心电图轻量级的波形检测,两阶段的心功能相关性参数的设计和参数的可靠性判断等。本课题通过挖掘心电图参数,研究运动过程和恢复过程中各参数的变化情况,找出运动过程和恢复过程两个阶段的联系。主要工作如下:1、心电信号R波实时监测的算法研究。运动过程中采集的心电图噪声大,计算机心电图处理模块的开销要求较高。本文针对运动阶段采集和处理心电图所面临的的困难,提出了通过去噪,基线处理,使用基于改进的轻量级自适应MMT的R波检测算法,对运动心电信号进行实时的心电检测和处理。该算法在运动试验中R波的准确率达到了99.98%,在MIT-BIH心率失常数据库的检测中的灵敏度和正预测值达到了99.70%和99.93%,具有较高的检测能力,其检测结果满足后续的研究。2、心率变异性相关参数在双阶段的相关性分析。心率变异性参数反映了神经对心血管的调控能力,本文采用心率变异性的r MSSD、p NN50等参数评估运动、恢复两期相关性。在10位被试者的共50组心电数据中,使用Pearson相关性分析单组因素在运动和恢复过程中的关系,发现部分参数间具有较高的相关性;使用典型相关分析,将典型相关系数对参数降维,通过线性拟合分析其规律,发现优化后其线性相关最高具有99%的置信水平。3、心电特征值相关参数在双阶段的相关性分析。心电特征值参数反映了心脏的基本状况,本文采用了心电特征值的QRS波长度、QRS波面积,相邻T波幅值之差等参数评估运动、恢复两期相关性。在10位被试者的共50组心电数据中,通过Pearson相关性检测来探究单组因素内的相关性,发现单组因素在运动和恢复过程中各个参数都具有很强的相关性。使用典型相关性分析,将典型相关系数对参数降维,通过线性拟合分析其规律,发现优化后其线性相关具有99%的置信水平。本课题依据实验数据反映的生理信息,研究了心脏的运动阶段和恢复阶段在心电图中表现出来的关系,其中R波检测算法定位精准,为后续的研究提供了保证;而在心率变异性参数和心电特征值参数对比中发现,心电特征值相关参数具有更好的能力展现人体在运动和恢复过程中的相关性。这个方法对于运动阶段的心功能和恢复阶段的心功能的关系提供了一套评价体系,在无创心功能检测中具有较好的应用前景。
李晗[3]（2020）在《基于双模态信号集成深度学习的冠心病检测研究》文中研究指明冠心病是由冠状动脉粥样硬化引起的一种心血管系统疾病。在冠心病发展到不可遏制的阶段之前,通过方便有效且无创无损的技术手段实现精准检测,便于疾病早期干预和防治,是当前智能医学领域面临的重大挑战。心电和心音信号蕴含与心脏健康状态相关的丰富信息,基于这两种信号的分析方法为冠心病早期无创无损检测提供了可能,因而受到研究者的广泛关注。但现有基于人工智能的研究仅对单模态信号进行分析,未能利用双模态信号之间的互补关系。此外,现有研究仅使用传统特征或深度学习特征,很少有研究将多类型特征结合使用。本文使用临床同步采集的冠心病心电和心音数据,研究了单模态心电和心音信号在冠心病检测中的效果,在此基础上,基于双模态信号联合分析提出了集成深度学习方法,旨在探索双模态信号多类型特征联合使用在冠心病早期无创无损检测中的应用价值。本文的主要工作和创新点如下:（1）基于单模态心电和心音信号,对传统方法和深度学习分类效果进行了系统比较,针对现有冠心病检测研究中仅使用传统方法或深度学习的现状,提出了特征融合架构,从信号中挖掘更多与冠心病相关的信息。基于传统方法提出了集成学习模型,以提取的多域心电特征为输入,深度学习模型以心电连续小波变换图像为输入。结果显示,集成学习和深度学习在心电分类中分别取得了 90.26%和90.13%的准确性,分类效果基本保持在同一水平。基于心音传统特征和深度学习特征,提出了一种特征融合架构,以提取的多域心音特征和心音梅尔频率倒谱系数图像为输入。结果表明,融合特征在心音分类中取得了 90.43%的准确性,优于仅使用传统特征或深度学习特征的效果。（2）基于同步采集的心电和心音信号,提出了双输入神经网络架构,既能够实现双模态信号联合分析,又能够将传统方法与深度学习集成起来,为临床冠心病检测提供了新思路。提取的多域心电和心音特征经特征选择后与心电心音信号一并输入到由全连接和深度学习模型构成的双输入神经网络中。结果表明,双输入神经网络的分类准确性、敏感性和特异性分别为95.62%、98.48%和89.17%,优于单模态信号的分类效果,同时也优于仅使用传统方法或深度学习时的效果。与现有研究比较表明,该方法在在临床冠心病无创无损检测中具有非常好的应用前景。（3）基于心电和心音信号联合分析,提出了多输入卷积神经网络架构,实现了双模态信号多域深度学习特征的自动提取和集成,克服了传统方法特征点检测不够准确和依赖基于专家知识的特征工程的缺陷。目前,用于心电或心音分类的深度学习方法通常以信号或时频图像作为输入,侧重于提取单域特征。本研究提出了一种多输入卷积神经网络架构,由一维和二维卷积神经网络组成,以心电和心音的信号、频谱图像和时频图像作为输入,实现了心电心音时域、频域和时频域深度学习特征的自动提取和集成。结果表明,多输入卷积神经网络显着提高了冠心病检测精度,取得的分类准确性、敏感性和特异性分别为96.51%、99.37%和90.08%,优于提出的双输入神经网络的效果。与现有研究比较表明,该方法能够利用深度学习的优势有效捕捉信号中的潜在信息,为冠心病无创无损检测提供更加全面和可靠的诊断依据。
孟婷婷[4]（2020）在《基于确定学习与深度学习的人体体表心电信号建模与分类》文中研究表明心肌缺血是常见的心血管疾病,严重威胁着人们的生命健康安全。持续的心肌缺血会造成心肌细胞坏死,导致心肌梗死。因此,如何使用简单、方便的方法在人群中早期发现、早期诊断心肌缺血具有重要的意义。与其他有创的检查手段相比,体表心电图具有无创、简单方便以及经济等优点。一方面,心电图是反映人体心脏电活动的综合表现,利用心电图对患者进行检查没有伤害,操作简单;另一方面,心电图覆盖面广,几乎在每个基层医院都有配置。经过了近十年的研究发展,基于心电信号的心肌缺血智能检测涌现出了很多有价值的工作。因其重要的理论研究背景和实际应用价值,本文将对此进行深入研究,针对其中心电信号的特征提取和分类识别的问题,在前人工作的基础上,研究了以下内容:（1）提出了基于确定学习的心电建模方法。基于确定学习理论对心电信号的状态轨迹的内在动力学特征进行准确建模,并提出了有效的ECG模式识别方法。本文首先将标准12导联ECG信号转换为低维信号,然后构建动态RBF神经网络,对心电信号中的非线性动态模式进行局部准确建模,并将得到的动力学信息以常值RBF网络权值矩阵的形式保存下来。在分类阶段,通过构建的估计器与提取的动力学信息之间的相似度,完成心电信号的分类识别。该方法在PTB数据库上进行了实验验证。（2）提出了基于深度学习与确定学习的心肌缺血分类方法。为了提高心肌缺血的早期诊断以及自动分类识别的准确性,本文利用深度学习对提取的心电动力学特征数据进行更深层次的特征学习,提出了两种网络结构:串行卷积循环神经网络和并行卷积循环神经网络,结合了卷积神经网络和循环神经网络的优点。卷积神经网络作为特征提取模块,提取心电信号中的空间特征,循环神经网络学习心电信号序列的时间依赖关系。利用这两种网络结构,对心电动力学特征数据进行训练学习,实现心肌缺血的分类。在实际临床环境下的心电数据集中进行试验,取得了较高的识别率,验证了所提方法的有效性。（3）提出了基于深度学习与迁移学习的心肌缺血分类方法。针对训练数据集数量不足的问题,本文利用上一章节设计的CRNN和PRCNN网络模型,在源域心电信号数据集上进行预训练,将预训练网络模型参数作为初始化参数进行迁移,通过目标域心电信号数据集微调部分网络层参数,加快网络训练速度,提升网络分类性能。由于目标域心电信号数据集与源域心电信号数据集具有很大的相似性,本文提出了基于模型迁移的分类方法,对提出的串行卷积循环神经网络和并行卷积循环神经网络进行了参数微调,得到了新的微调网络模型。在目标域心电信号数据集下进行了实验,测试了网络模型的性能。
刘杰[5]（2020）在《多参数心肺功能检测方法及应用研究》文中认为根据近年来中国心血管病报告显示,近六成中国居民死于心血管疾病和呼吸系统疾病。其中,运动猝死的人数逐年身高,猝死主要原因是缺乏对自身运动代谢功能的认知,早期诊断与预防心肺功能疾病可以有效防止此类悲剧的发生。心肺运动试验（Cardiopulmonary exercise testing,CPET）是一种可以使研究者同时观察受试者运动过程中心血管和呼吸系统功能的临床试验,其可以实现运动不耐受的判定并诊断导致运动不耐受的具体病因、实现心肺功能疾病的诊断。因此,向社会推广心肺运动试验具有非常重要的现实意义。然而,我国在运动心肺功能测试设备以及理论研究方面起步较晚,使用的均是国外厂家的设备,价格昂贵,而且该设备只存在大型医院,限制了国内心肺运动试验的发展。因此,结合实验室在生命体征领域多年的经验以及技术积累,本文设计并实现了一款多参数运动心肺功能测试系统,用于评价人体在受控条件下呼吸、心功能、循环代谢等功能,进而诊断呼吸、心功能相关疾病。本文主要研究内容如下:首先,基于人体运动生理学,提出了研制十二导联心电图、呼吸流量、二氧化碳、氧气以及血压五个生命体征信号相结合的多参数运动心肺功能测试系统。其次,完成呼吸流量测量方法研究、硬件设计、软件设计以及算法等工作。其中,呼吸流量测量方法部分对差压式、涡轮式以及热式三种流量测量方法进行研究。硬件部分实现五个生命体征信号的测量:采用ADI公司的ADAS1000以及ADAS1000-2实现了十二导联心电信号的测量;基于差压法的呼吸流量测量;基于红外光谱法的二氧化碳浓度测量;基于顺磁法的氧气浓度测量;采用实验室产品化的血压计实现了血压的测量。软件部分包含下位机和上位机,下位机实现了外围电路的驱动、数据的采集、预处理、存储、WIFI数据传输等功能,上位机实现了波形显示、存储、运动心肺参数趋势图绘制、数据回放、标定、参数计算、疾病诊断以及诊断报告输出等功能。算法部分针对十二导联心电数据、呼吸流量数据进行特征点识别、特征参数计算,并揉和流量、二氧化碳浓度以及氧气浓度实现运动心肺功能参数的计算,结合临床诊断原则,对运动不耐受原因进行有效的诊断与筛查。本文以所测量生命体征信号所涉及的相关标准和规范为依据,制定了十二导联心电和呼吸力学一体化模块、二氧化碳和氧气模块的验证方案。通过对硬件指标以及测量参数准确性的系统测试,结果显示心电检测部分关键指标已经达到国内标准要求,呼吸流量、气道压力、二氧化碳浓度以及氧气浓度的测量准确性均达到国内标准要求。经过验证,本系统在稳定性、准确性、重复性以及有效性方面均符合应用要求。采集11位志愿者心肺运动试验数据,分别采用心肺运动试验评测软件和人工手动标定计算运动心肺功能参数。以人工手动标定为参考,峰值每分钟摄氧量（VO2peak）、峰值每分钟二氧化碳排出量（VCO2peak）、无氧阈（AT）的平均误差分别为0.14、0.15、0.08,均方根误差分别为0.185、0.156、0.078,并且本系统对运动不耐受诊断准确率为95.4%。综上所述,本文所设计的多参数运动心肺功能测试系统能够实现运动不耐受的诊断以及运动不耐受大致病因的判定,进而输出受试者心功能、呼吸功能以及循环代谢功能的报告,可供临床医生诊断参考。
王丹俐[6]（2020）在《基于心电向量图非线性动力学特征的心肌梗塞诊断研究》文中进行了进一步梳理以心肌梗塞为代表的心血管疾病是危害人类健康的主要疾病之一,其致死率和致残率均很高。由于其发作前征兆不明显,一些病人若得不到及时的抢救,会对心肌细胞产生永久性的损伤,出现心脏衰竭,休克,甚至威胁生命,因此心肌梗塞的及时准确的诊断对患者的救治十分重要。心电向量图（Vectorcardiogram,VCG）是心脏电活动在体表的综合表现,蕴含着丰富的生理和病理信息,在心肌梗塞的诊断和评价中具有重要意义。与其他有创检测手段相比,心电向量图无创方便易行、检测价格低廉,目前依然是心肌梗塞检测中最有效的无创心电检测方法之一。得益于信号处理与分析技术的发展,如今可以从心电向量图中挖掘出越来越多肉眼无法观察到的,但对心肌梗塞有重要提醒作用的心电特征。经过近十年的研究发展,心电向量图智能诊断心梗领域涌现出许多有价值的工作,同时患者复杂的个体差异性以及病理生理变化也为研究带来了很多挑战。鉴于心电向量图智能诊断心梗具有重要的理论研究意义和实际应用价值,本文将对其进行深入研究,在前人工作的基础上重点研究心电向量图非线性动力学特征及其在心肌梗塞中的应用,主要工作有:（1）挖掘心电向量图时间序列内在的非线性动力学特性。从非线性动力学理论出发,利用相空间重构技术,对心电向量图这一非线性时间序列进行非线性动力学特性分析,分别采用庞加莱截面法、主成分分析法、功率谱图法,观察重构轨迹的几何结构,分析频谱的分布和周期性,确定心电向量图存在非线性混沌特性,同时观察正常VCG和心梗VCG信号之间非线性动力学特征的差异。（2）研究基于心电向量图的非线性动力学特征提取方法。从动力学系统信息量动态演化的角度进行研究,分别提取三个典型的熵值特征:近似熵、样本熵、模糊熵;从系统内在结构的变化过程研究非线性动力学系统的复杂性,分别提取LZ复杂度和C0复杂度;从混沌动力学的角度出发,分别提取最大Lyapunov指数、延迟时间、嵌入维数、Kolmogorov熵和关联维数,对心梗与正常个体的心电向量图进行特征值分布分析,确定心电向量图非线性动力学特征在心肌梗塞诊断中的有效性。（3）研究基于心电向量图非线性动力学特征的心肌梗塞检测方法。首先,将所提取的非线性动力学特征,结合机器学习分类模型,进行分类器参数的寻优,将PTB数据库中正常和心梗样本设置为5折交叉验证,实现基于单一非线性动力学特征的心梗检测,确定各特征在心肌梗塞疾病中的准确率。然后,采用前期融合与后期融合相结合的方式进行分类测试,最终取得93%的准确率。单一特征很难对复杂的心电模式进行全面精准的描述,所提的心电向量图非线性动力学特征分别从不同的角度刻画了系统的内在特性,因而多个特征融合下的分类准确率、敏感性、特异性均比任何单一特征的分类结果好。（4）研制开发心电向量图非线性动力学在线分析系统。该在线分析系统使用MATLAB GUI模块进行搭建,所用的AIKD心电采集模块通过USB接口与界面交互,实现命令的发送,数据的传输。该系统能够支持心电向量图数据在线采集和分析诊断,对心电向量图进行特征提取、分析诊断,最终提供图形化和文字化的输出结果,为心肌梗塞的诊断提供一个实用的辅助诊断工具。
李荣华[7]（2020）在《基于T波面积曲线的心肌缺血检测研究》文中研究说明近年来,冠心病成为危害人类健康的主要疾病之一,具有很高的致死率和致残率。心肌缺血（myocardial ischemia,MI）是冠心病发展过程中的主要症状,持续且严重的心肌缺血可能会导致心肌梗死。冠状动脉造影手术被认为是诊断冠心病的金标准,然而标准12导联心电图（electrocardiogram,ECG）始终是临床心脏病诊断中最常用的方法,蕴含着丰富的生理和病理信息,是一种经济、方便、无创的检测工具,但心电图除了对于心率失常的诊断十分准确以外,对其他心脏疾病（如心肌缺血）的诊断灵敏度和特异度都不高。心肌缺血的临床表现主要为心电图ST-T段变化,即ST段和T波,心电图对心肌缺血的诊断主要依赖于ST-T段特征,然而ST段变化影响因素多,例如轴偏移、心率、电极影响、体位变化等,导致特征点检测不准确,依靠ST段偏移来检测心肌缺血存在较大的误检率和漏检率。T波代表了心室的复极化过程,在心肌缺血期间,心肌复极延迟,导致T波形态发生改变,出现双相型T波、倒置型T波或高尖型T波。针对T波的这种特性,本文提出了一种基于T波面积曲线来诊断心肌缺血的方法,主要工作有:首先,本文采取抛物线拟合法定位了 QRS波群波峰,随后比较了三种定位T波终点的算法:小波变换法、累积积分面积法、TRA算法,利用QT数据库中经过人工标注的ECG信号对三种算法检测T波终点的性能进行验证,得出结论累积积分面积法具有更高的灵敏度和阳性预测度,且计算简单,对采集噪声、基线漂移、T波形态变化具有鲁棒性。其次,本文深入分析了累积积分面积法在检测T波特征点时的局限,即采用固定的RR’区间参数来确定T波特征点搜索区间,存在一定的误检率。针对这个问题,本文采用k-means聚类算法用于设置搜索边界,采用网格搜索策略优化参数,在QT数据库中进行的试验表明,改进后的算法具有更好的性能。最后,在准确定位了T波起点和终点之后,计算得到不同导联T波面积随着心动周期的变化曲线,并基于心肌缺血期间T波形态会发生特异性改变的特性,提出了一种心肌缺血的检测方法——T波面积曲线（T-Wave Area Curve,TWAC）。该方法完全基于标准12导联心电图,因此具有无创、经济、方便的优势。通过观察和分析大量数据发现:TWAC的形态与心肌缺血之间存在紧密联系,正常人的TWAC形态规整平缓,而冠脉狭窄患者的TWAC形态多呈锯齿状,且狭窄越严重曲线波动越大;TWAC对检测心肌缺血的灵敏度和特异度均比静态心电图和平板运动心电图高。本文选择了 364个样本数据来验证TWAC的有效性,其中包括PTB数据库中的148例心梗患者和52例正常人的样本数据,还有在浙江大学第二附属医院采集的122例疑似心肌缺血患者和42例健康体检者的样本数据。实验结果表明,TWAC对心肌缺血诊断的整体灵敏度为84.3%,特异度为83.5%,准确率为84.0%。因此,该方法对于心肌缺血的检测及治疗具有重要的指导意义,同时也可作为心肌缺血患者治疗效果的一种评估方法。
刘伟超[8]（2019）在《无创光电检测在心肌梗死中的应用研究》文中指出心肌梗死（Myocardialinfarction,MI）是由冠状动脉梗塞引发心肌缺血而造成心肌不可逆坏死的急性危重疾病。我国MI的死亡率以及农村地区的发病率都呈上升趋势,已成为当今社会乃至全球范围内致死、致残的重要疾病之一。目前临床MI诊断依托的心脏标志物检测、心电图、冠脉造影等检查手段仍然对应存在不及时、不灵敏、成本高风险大等不足,因此研究快速、无创、可靠的MI新的检测技术和指标在临床应用中有重大意义和价值。基于无创光电检测技术,首先提出了一种新的频域分析方法,即线性幅值谱（Linear amplitude spectrum,LAS）法来分析MI 患者的心率变异性（Heart rate variability,HRV）。围绕LAS算法,通过采集MI患者与正常人ECG、光电容积脉搏波PPG信号获取HRV指标LF和HF来检测评估心脏交感/迷走神经活动强度,并应用于MI患者与正常人的鉴别中。另外通过Monte-Carlo数学方法对光子在心脏组织中传输的仿真,研究探索无创光电检测技术直接监测MI的心肌血液动力学参数可行性。研究结果包括:1)给出LAS的公式推导与证明,通过模拟HRV信号对LAS性质进行了验证,确定了 LAS在HRV分析中高频、低频指标LF、HF;2)35位健康人静息基态实验确认了 LAS的HRV指标的优异性,并在音乐听觉刺激实验应用中LAS的HRV指标优异性能得到检验;3)通过148例MI与52例正常人心电HRV随机对照试验研究,首次发现MI患者的HRV参数全部低于正常组,证明MI患者心脏自主神经活动全面下降;4)开展了 30例MI与48例健康人的随机对照实验,ECG和PPG两种HRV检测分析方式都发现了MI患者的指标LF、HF显着低于正常对照组,该结果与200例的心电HRV随机对照试验研究结果一致,同时验证了 ECG和PPG同步采集的心动周期时间间隔有极强的线性相关,证明光电检测获取分析HRV方式在一定条件下可以取代心电;5)用Monte-Carlo数学方法对光子在心脏组织中传输过程进行仿真,首次在理论上量化以及可视化了光子在人体心脏组织中的分布,确认了光子能够达到心肌并在体表能够被检测到。综上,本文围绕无创光电检测技术,通过新的HRV分析方法以及ECG、PPG检测反映MI心脏自主神经活动的HRV指标开展了创新性和应用型研究工作,提出了 MI无创、快捷、可靠的检查方法和指标,为MI临床检查提供辅助和补充。另外光子在心脏组织传输仿真验证了直接检测心脏血液动力学变化可行性,为MI无创、直接、在体的实时监测评估心肌的血液供应提供新的研究思路。
张翼飞[9]（2019）在《机器学习方法在心源性猝死早期识别中的应用研究》文中指出心源性猝死是一种对生命威胁极大的重大公共健康问题,通常由多种致命性心律失常导致,这些心律失常往往会使得患者心脏泵血不足,最后导致心脏骤停。由于心源性猝死具有突发性和极高的危险性,在心脏骤停发生时,在极短的有效救治时间内患者往往得不到有效的治疗而导致死亡。在竞争激烈的现代社会中人的生活和工作压力日趋加大,另外随着人口老龄化问题的严重,心源性猝死的早期识别已经成为一项刻不容缓的工作,它能够减轻医生的工作负担,为医生提供充足的治疗时间,同时给患者带来更大的生存机会。本文利用多种机器学习方法,结合心电信号的不同特征,主要做了以下三部分工作:1.结合机器学习和临床风险指标的心源性猝死早期识别。借鉴最新的临床研究,设计出一套基于心电波形关键点定位的临床风险指标提取方法。进而将其和经典机器学习分类器结合起来,对心源性猝死进行了早期识别。另外将临床风险指标进行综合,提出一个独立风险指标,辅助医生的临床诊断和风险评估。2.结合迁移学习和浅层心电特征的心源性猝死早期识别。以迁移学习方法为媒介,将深度学习方法引入心源性猝死早期识别中来,解决在深度学习应用中高危病人有效数据不足的问题。另外,区别于相关研究中人工对于心电信号的大量繁琐的特征提取工作,本章仅使用浅层心电信号特征,即心率信息或原始信号训练并测试神经网络模型,最后对本文提出的所有心源性猝死早期识别方法进行分析比较。3.轻量级卷积神经网络在心肌梗死检测中的应用探讨。深入挖掘致心源性猝死的重要病因之一:心肌梗死。根据临床监护和智能穿戴式设备两种应用场景的差异,分别基于四导联心电信号和单导联心电信号,训练出性能优良的轻量级卷积神经网络模型,实现对泛前壁心肌梗死和泛下壁心肌梗死的检测,另外在单导联的研究当中着重对神经网络层数和数据输入长度进行了详尽的对比分析。综上所述,本文在将机器学习应用到心源性猝死早期识别及心肌梗死检测当中,并取得了良好的效果。初步证实了结合临床研究的机器学习方法可以有效对心源性猝死进行早期识别。同时对心肌梗死这一主要危险因素进行了研究和探讨。受限于本研究的时间以及数据量,本文只做了初步的探讨和分析,结果和结论有待于将来进一步开展临床大样本数据试验测试和统计评估论证。
方真[10]（2019）在《基于确定学习和非线性动力学分析的心肌缺血检测及其实现》文中指出心肌缺血/心肌梗塞是一种常见的心血管疾病,严重威胁着人们的生命健康。心电图（electrocardiogram,ECG）是一种诊断心血管疾病首要选择。它具有无创、操作简单、价格低廉等优势。然而,心电图检测冠心病/心肌缺血准确率不高（60%左右）。最近,借助确定学习理论对ECG数据的准确动力学辨识,发展了一种相比ECG具有更高的准确率的方法（Cardiodynamicsgram,CDG）。基于非线性动力学分析方法,本文主要研究了基于CDG的心电特征提取,分类识别与应用实现等问题。首先,运用功率谱法和主成分分析法对心电动力学进行非线性特性分析,基本确定心电动力学中存在混沌特性。其次,选取四个典型的非线性动力学特征:关联维数、最大Lyapunov指数、0C复杂度和近似熵,对心电动力学进行定量指标提取,并以箱线图的形式对病态与非病态心电动力学进行特征分布分析,初步分析各特征对心肌缺血检测的有效性。通过上述特征,结合两种常见的分类器（SVM、KNN）对心肌缺血进行分类识别。结果表明,以上非线性心电动力学特征在心肌缺血分类中有较明显的区分,所有单特征的准确率均在70%以上。其中分类效果最好的是C0复杂度（准确率83.79%、敏感性84.21%、特异性81.38%）。再次,把以上四个特征综合考虑,基于多个特征对心肌缺血进行分类识别。结果显示,多特征的分类结果可达准确率86.64%、敏感性85.82%、特异性87.45%,与已有的临床结果相符。针对于多特征的数据可视化表示问题,通过雷达图表示法与SVM最优分类面相结合,得到一种多边形判别图,为临床诊断心肌缺血提供直观且有效的判别信息。最后,基于MATLAB和MySQL数据库开发了面向心肌缺血的心电工作站,工作站能够支持心电信号的本地采集、自动分析、数据管理等功能,实现了本文中非线性心电动力学特征的程序计算,为医生诊断心肌缺血提供定量的指标参量供临床诊断参考,同时也为医务人员管理医案信息提供便捷。
二、心肌缺血的运动心电信号无创检测方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、心肌缺血的运动心电信号无创检测方法（论文提纲范文）
（1）面向心肌缺血的心电信号特征提取及智能诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 概述 |
| 1.2 课题研究的意义 |
| 1.3 课题研究现状 |
| 1.3.1 心电信号特征波检测研究现状 |
| 1.3.2 心肌缺血检测研究现状 |
| 1.4 本文架构 |
| 第二章 心肌缺血的心电信号以及数据库 |
| 2.1 引言 |
| 2.2 心肌缺血发病机理 |
| 2.3 心肌缺血类型 |
| 2.4 心肌缺血表现形式 |
| 2.4.1 正常心电图表现形式 |
| 2.4.2 心肌缺血心电图表现形式 |
| 2.5 心电数据库介绍 |
| 2.5.1 MIT-BIH Arrhythmia数据库 |
| 2.5.2 Long-term ST-T心电数据库 |
| 2.6 本章小结 |
| 第三章 基于平稳和连续小波变换融合算法的 T 波检测算法研究 |
| 3.1 引言 |
| 3.2 基于平稳和连续小波变换融合算法的T波检测模型 |
| 3.2.1 预处理 |
| 3.2.2 T特征波尺度平滑处理 |
| 3.2.3 T特征波峰值点检测 |
| 3.3 实验分析 |
| 3.3.1 数据库 |
| 3.3.2 评估指标 |
| 3.3.3 数据处理分析 |
| 3.3.4 实验对比分析 |
| 3.3.5 讨论 |
| 3.4 本章小结 |
| 第四章 基于多粒度级联森林的心肌缺血检测算法研究 |
| 4.1 引言 |
| 4.2 基于多粒度级联森林的心肌缺血检测模型 |
| 4.2.1 预处理 |
| 4.2.2 扫描结构 |
| 4.2.3 级联结构 |
| 4.2.4 迭代结构 |
| 4.3 算法验证及实验结果分析 |
| 4.3.1 实验数据 |
| 4.3.2 评估指标 |
| 4.3.3 实验对比分析 |
| 4.3.4 讨论 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
（2）双阶段动态心功能评估方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 引言 |
| 1.1.1 电生物信号 |
| 1.1.2 心电图 |
| 1.1.3 心电图运动负荷试验 |
| 1.1.4 心率变异性 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究状况 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 论文内容及结构安排 |
| 第2章 双阶段运动心电检测装置设计 |
| 2.1 实验平台搭建 |
| 2.1.1 心电图机 |
| 2.1.2 电极 |
| 2.1.3 肢体导联 |
| 2.2 试验材料和器材 |
| 2.3 实验设计 |
| 2.3.1 维拓力心电模块开发 |
| 2.3.2 运动恢复试验设计 |
| 2.3.3 模型构建 |
| 2.3.4 参数提取 |
| 2.4 章节总结 |
| 第3章 轻量级MMT的R波检测算法研究 |
| 3.1 噪声去除 |
| 3.1.1 Notch陷波器 |
| 3.1.2 FIR滤波器 |
| 3.2 基线校正 |
| 3.2.1 切比雪夫IIR高通滤波器 |
| 3.2.2 中值滤波器 |
| 3.2.3 整系数滤波器 |
| 3.2.4 三类滤波器基线校正效果 |
| 3.3 R波检测 |
| 3.4 章节总结 |
| 第4章 心率变异性参数在双阶段的模型构建 |
| 4.1 评估指标统计 |
| 4.2 Pearson相关性分析 |
| 4.3 典型相关分析 |
| 4.4 降维及回归分析 |
| 4.4.1 第一对典型变量 |
| 4.4.2 第二对典型变量 |
| 4.4.3 第三对典型变量 |
| 4.5 章节总结 |
| 第5章 特征点相关参数在双阶段的模型构建 |
| 5.1 评估指标统计 |
| 5.2 Pearson相关性分析 |
| 5.3 典型相关性分析 |
| 5.4 降维及回归分析 |
| 5.5 本章总结 |
| 第6章 总结和展望 |
| 6.1 工作总结 |
| 6.2 课题展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（3）基于双模态信号集成深度学习的冠心病检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 基于心电和心音信号的冠心病检测研究进展 |
| 1.2.1 基于心电信号的冠心病检测研究进展 |
| 1.2.2 基于心音信号的冠心病检测研究进展 |
| 1.3 基于传统方法和深度学习的冠心病检测研究进展 |
| 1.3.1 基于传统方法的冠心病检测研究进展 |
| 1.3.2 基于深度学习的冠心病检测研究进展 |
| 1.4 现存问题和研究思路 |
| 1.5 主要内容和章节安排 |
| 第二章 基于心电传统和深度学习特征的冠心病检测研究 |
| 2.1 数据采集和预处理 |
| 2.2 心电信号特征提取和选择 |
| 2.2.1 心电信号特征提取 |
| 2.2.2 心电信号特征选择 |
| 2.3 心电信号分类模型 |
| 2.3.1 集成学习模型 |
| 2.3.2 深度学习模型 |
| 2.4 心电信号分类结果 |
| 2.4.1 传统特征选择分类结果 |
| 2.4.2 深度学习分类结果 |
| 2.5 讨论 |
| 2.6 本章小结 |
| 第三章 基于心音传统和深度学习特征的冠心病检测研究 |
| 3.1 数据采集和预处理 |
| 3.2 心音信号特征提取和选择 |
| 3.2.1 心音信号特征提取 |
| 3.2.2 心音信号特征降维和选择 |
| 3.3 特征融合分类模型 |
| 3.4 心音信号分类结果 |
| 3.4.1 传统特征降维和选择分类结果 |
| 3.4.2 特征融合分类结果 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 基于心电心音传统和深度学习特征的冠心病检测研究 |
| 4.1 数据采集和预处理 |
| 4.2 心电心音信号特征提取和选择 |
| 4.2.1 心电信号特征提取 |
| 4.2.2 心音信号特征提取 |
| 4.2.3 心电心音信号特征选择 |
| 4.3 双输入神经网络分类模型 |
| 4.4 分类结果 |
| 4.4.1 传统特征选择分类结果 |
| 4.4.2 双输入神经网络分类结果 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 基于心电心音多域深度学习特征的冠心病检测研究 |
| 5.1 数据采集和预处理 |
| 5.2 频域和时频域图像变换 |
| 5.2.1 频域图像变换 |
| 5.2.2 时频域图像变换 |
| 5.3 多输入卷积神经网络分类模型 |
| 5.4 分类结果 |
| 5.4.1 时域、频域和时频域心电分类结果 |
| 5.4.2 时域、频域和时频域心音分类结果 |
| 5.4.3 时域、频域和时频域心电心音联合分类结果 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的成果和奖励 |
| 学术论文 |
| 发明专利 |
| 荣誉或奖励 |
| 攻读博士学位期间参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（4）基于确定学习与深度学习的人体体表心电信号建模与分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 心肌缺血智能检测方法 |
| 1.2.2 非线性动力学方法在心电图分析中的应用 |
| 1.3 本文主要研究内容及结构内容 |
| 2 系统预备知识 |
| 2.1 引言 |
| 2.2 心电相关知识 |
| 2.2.1 心肌缺血概述 |
| 2.2.2 心电图 |
| 2.3 确定学习理论 |
| 2.3.1 RBF神经网络简介 |
| 2.3.2 RBF神经网络的PE性质 |
| 2.3.3 连续系统的确定学习 |
| 2.3.4 离散系统的确定学习 |
| 2.4 深度学习 |
| 2.4.1 卷积神经网络 |
| 2.4.2 循环神经网络 |
| 2.4.3 神经网络的训练方法 |
| 2.5 本章小结 |
| 3 基于确定学习理论的心电动力学建模与分类 |
| 3.1 引言 |
| 3.2 心电动力学的提取和分类 |
| 3.2.1 ECG信号预处理 |
| 3.2.2 心电动力学的提取 |
| 3.2.3 心电动力学的分类 |
| 3.3 实验及分析 |
| 3.3.1 实验性能指标 |
| 3.3.2 实验结果 |
| 3.4 本章小结 |
| 4 基于深度学习与确定学习的心肌缺血分类识别 |
| 4.1 引言 |
| 4.2 心电动力学特征 |
| 4.2.1 心电信号预处理 |
| 4.2.2 心电动力学特征提取 |
| 4.3 网络结构的设计 |
| 4.3.1 CRNN网络的结构设计 |
| 4.3.2 PRCNN网络的结构设计 |
| 4.4 模型性能评估实验与分析 |
| 4.4.1 实验数据集 |
| 4.4.2 实验方法 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于深度学习与迁移学习的心肌缺血分类研究 |
| 5.1 引言 |
| 5.2 迁移学习简介 |
| 5.2.1 迁移学习基本概念 |
| 5.2.2 迁移学习方法 |
| 5.3 基于模型迁移的心肌缺血分类方法 |
| 5.3.1 网络模型的预训练 |
| 5.3.2 网络模型的再训练 |
| 5.3.3 实验结果与分析 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）多参数心肺功能检测方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文主要研究内容和创新点 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 本设计创新点 |
| 1.4 论文结构安排 |
| 第2章 运动心肺功能检测相关理论基础 |
| 2.1 运动心肺功能检测理论基础 |
| 2.1.1 运动生理学 |
| 2.1.2 心肺运动试验简介 |
| 2.2 心电信号的产生机理和检测方法概述 |
| 2.2.1 心电信号的产生机理和生理意义 |
| 2.2.2 十二导联心电信号的检测方法 |
| 2.3 呼吸力学的临床意义和检测方法概述 |
| 2.3.1 呼吸力学的临床意义 |
| 2.3.2 呼吸力学的检测方法 |
| 2.4 二氧化碳的生理意义和检测方法概述 |
| 2.4.1 二氧化碳的生理意义 |
| 2.4.2 二氧化碳的检测方法 |
| 2.5 氧气的生理意义和检测方法概述 |
| 2.5.1 氧气的生理意义 |
| 2.5.2 氧气的检测方法 |
| 2.6 血压的生理意义与检测方法概述 |
| 2.6.1 血压的生理意义 |
| 2.6.2 血压的检测方法 |
| 2.7 本章小结 |
| 第3章 呼吸流量检测方法研究 |
| 3.1 检测方法概述 |
| 3.2 差压式流量检测方法研究 |
| 3.2.1 差压式流量检测原理 |
| 3.2.2 基于差压式流量测量的CPET气路设计 |
| 3.2.3 差压式流量检测方案设计 |
| 3.3 涡轮式流量检测方法研究 |
| 3.3.1 涡轮式流量检测原理 |
| 3.3.2 基于涡轮式流量测量的CPET气路设计 |
| 3.3.3 涡轮式流量检测方案设计 |
| 3.4 热式流量检测方法研究 |
| 3.4.1 热式流量检测原理 |
| 3.4.2 基于热式流量测量的CPET气路设计 |
| 3.4.3 热式流量检测方案设计 |
| 3.5 本章小结 |
| 第4章 系统设计及实现 |
| 4.1 系统设计需求 |
| 4.2 系统方案及整体结构 |
| 4.3 硬件系统设计说明 |
| 4.3.1 模拟部分 |
| 4.3.2 数字部分 |
| 4.4 软件系统设计说明 |
| 4.4.1 软件系统设计概述 |
| 4.4.2 下位机软件系统设计说明 |
| 4.4.3 上位机软件系统设计说明 |
| 4.5 本章小结 |
| 第5章 信号处理和运动心肺功能关键参数研究 |
| 5.1 信号处理 |
| 5.1.1 十二导联心电信号的处理 |
| 5.1.2 呼吸流量信号的处理 |
| 5.1.3 其它信号的处理 |
| 5.2 运动心肺功能关键参数研究 |
| 5.2.1 静态肺功能关键参数研究 |
| 5.2.2 动态心肺功能关键参数研究 |
| 5.3 本章小结 |
| 第6章 平台的验证与初步临床运用 |
| 6.1 各参数检测模块的验证 |
| 6.1.1 十二导心电相关指标的验证 |
| 6.1.2 呼吸力学模块的验证 |
| 6.1.3 二氧化碳以及氧气检测模块的验证 |
| 6.2 系统的初步临床应用 |
| 6.2.1 临床方案的设计 |
| 6.2.2 运动心肺参数估算 |
| 6.2.3 多参数运动心肺功能测试系统的初步临床应用 |
| 6.3 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 指导教师对研究生学位论文的学术评语 |
| 答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（6）基于心电向量图非线性动力学特征的心肌梗塞诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于心电图的心肌梗塞检测现状 |
| 1.2.2 基于心电向量图的心肌梗塞检测现状 |
| 1.3 主要研究内容与创新点 |
| 1.4 本文章节安排 |
| 2 预备知识 |
| 2.1 心肌梗塞(MI)概述 |
| 2.2 心电图(ECG) |
| 2.3 心电向量图(VCG) |
| 2.4 心电向量图与心电图的关联 |
| 2.5 PTB数据库 |
| 2.6 本章小结 |
| 3 基于心电向量图的非线性动力学特征研究 |
| 3.1 引言 |
| 3.2 心电向量图信号预处理 |
| 3.2.1 中值滤波器 |
| 3.2.2 小波滤波器 |
| 3.3 心电向量图的非线性动力学分析 |
| 3.3.1 庞加莱(Poincare)截面法 |
| 3.3.2 主成分分析法 |
| 3.3.3 功率谱分析法 |
| 3.4 基于心电向量图的非线性动力学特征提取 |
| 3.4.1 熵值特征 |
| 3.4.2 复杂度特征 |
| 3.4.3 延迟时间和嵌入维数 |
| 3.4.4 最大Lyapunov指数 |
| 3.4.5 Kolmogorov熵和关联维数 |
| 3.5 本章小结 |
| 4 基于非线性动力学特征的融合与分类的MI诊断 |
| 4.1 引言 |
| 4.2 基于支持向量机的非线性动力学特征分类 |
| 4.2.1 支持向量机(SVM) |
| 4.2.2 支持向量机的超平面求解 |
| 4.2.3 粒子群优化算法(PSO) |
| 4.2.4 单类特征的支持向量机分类器分类 |
| 4.3 基于特征融合的非线性动力学特征分类 |
| 4.4 基于多分类器的非线性动力学特征分类 |
| 4.4.1 K近邻算法(KNN) |
| 4.4.2 朴素贝叶斯算法 |
| 4.4.3 随机森林算法 |
| 4.4.4 集成学习-AdaBoostM1算法 |
| 4.4.5 决策融合 |
| 4.5 本章小结 |
| 5 心电向量图非线性动力学在线分析系统 |
| 5.1 引言 |
| 5.2 开发工具的介绍 |
| 5.2.1 基本硬件组成 |
| 5.2.2 MATLAB GUI |
| 5.3 心电向量图非线性动力学在线分析系统 |
| 5.3.1 系统的功能需求 |
| 5.3.2 系统的整体框架 |
| 5.3.3 系统的窗口体系 |
| 5.4 心电向量图非线性动力学在线采集模块 |
| 5.4.1 硬件采集的原理 |
| 5.4.2 采集模块的软件设计 |
| 5.4.3 采集模块的系统实现 |
| 5.5 心电向量图非线性动力学分析模块 |
| 5.5.1 分析模块的软件设计 |
| 5.5.2 分析模块的系统实现 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 |
（7）基于T波面积曲线的心肌缺血检测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究现状 |
| 1.2.1 静态心电图 |
| 1.2.2 动态心电图 |
| 1.2.3 冠状动脉造影 |
| 1.2.4 血流储备分数 |
| 1.3 本论文的主要内容及安排 |
| 1.3.1 论文主要工作 |
| 1.3.2 章节结构 |
| 第2章 心脏电生理与心肌缺血 |
| 2.1 心脏电生理 |
| 2.1.1 心电信号产生机理 |
| 2.1.2 心电图(Electrocardiogram, ECG) |
| 2.2 心肌缺血 |
| 2.2.1 心肌缺血定义 |
| 2.2.2 心肌缺血后果 |
| 2.2.3 心肌缺血的心电图表现及其诊断意义 |
| 2.3 基于心电图ST-T段的心肌缺血检测方法 |
| 2.3.1 缺血性ST段检测 |
| 2.3.2 缺血性T波检测 |
| 2.4 本章小结 |
| 第3章 ECG信号特征点检测 |
| 3.1 引言 |
| 3.2 ECG信号预处理 |
| 3.3 QRS波群检测 |
| 3.3.1 R波峰值检测 |
| 3.3.2 QRS波群起点和终点检测 |
| 3.4 T波特征点检测 |
| 3.4.1 T波终点检测 |
| 3.5 本章小结 |
| 第4章 自适应的T波特征点检测算法 |
| 4.1 引言 |
| 4.2 累积积分法 |
| 4.2.1 T波起点检测 |
| 4.2.2 T波峰值检测 |
| 4.2.3 算法验证 |
| 4.3 自适应的T波检测算法 |
| 4.3.1 原始算法存在的问题 |
| 4.3.2 聚类算法简介 |
| 4.3.3 自适应参数设置 |
| 4.4 算法性能验证 |
| 4.4.1 实验数据 |
| 4.4.2 实验结果 |
| 4.4.3 讨论 |
| 4.5 本章小结 |
| 第5章 T波面积曲线与心肌缺血关系探讨 |
| 5.1 引言 |
| 5.1.1 研究背景及意义 |
| 5.1.2 冠心病常用检测手段 |
| 5.1.3 本章工作 |
| 5.2 T波面积曲线 |
| 5.2.1 T波面积计算 |
| 5.2.2 T波面积曲线 |
| 5.3 实验 |
| 5.3.1 实验数据 |
| 5.3.2 实验结果 |
| 5.3.3 误判数据分析 |
| 5.4 典型病例分析 |
| 5.4.1 行冠状动脉造影术患者的TWAC分析 |
| 5.4.2 治疗前后患者的TWAC分析 |
| 5.4.3 特定导联TWAC形态与冠脉阻塞位置关系的分析 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 作者在学期间所取得的科研成果 |
（8）无创光电检测在心肌梗死中的应用研究（论文提纲范文）
| 英文缩略词表 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 心肌梗死的研究背景与意义 |
| 1.1.1 心肌梗死概述 |
| 1.1.2 心肌梗死的流行统计 |
| 1.1.3 心肌梗死的研究意义 |
| 1.2 心肌梗死的临床检查方法与诊断 |
| 1.2.1 心肌梗死的临床检查方法 |
| 1.2.2 心肌梗死的临床诊断 |
| 1.3 无创光电检测在心肌梗死中的应用研究背景 |
| 1.3.1 心肌梗死的心率变异性HRV研究背景 |
| 1.3.2 心肌梗死的血液动力学无创光电检测研究背景 |
| 1.4 本文主要研究目的和意义 |
| 1.5 本文结构安排和主要内容 |
| 第二章 HRV与线性幅值谱方法的提出 |
| 2.1 HRV的研究背景 |
| 2.1.1 HRV概述 |
| 2.1.2 HRV的分析方法 |
| 2.1.3 HRV研究存在的争议 |
| 2.2 线性幅值谱方法的提出 |
| 2.2.1 线性幅值谱定义与性质 |
| 2.2.2 离散傅里叶变换以及逆变换 |
| 2.2.3 线性幅值谱公式推导与性质证明 |
| 2.2.4 模拟HRV信号的线性幅值谱性质的验证 |
| 2.3 线性幅值谱应用在HRV中 |
| 2.3.1 线性幅值谱在HRV分析中的指标 |
| 2.3.2 线性幅值谱与功率谱方法在HRV分析中的比较 |
| 2.3.3 线性幅值谱方法在HRV分析应用中的局限性 |
| 2.4 本章小结与讨论 |
| 第三章 线性幅值谱法的HRV采集分析系统设计与实现 |
| 3.1 引言 |
| 3.2 心电信号的HRV采集分析系统设计与实现 |
| 3.2.1 硬件设计与实现 |
| 3.2.2 软件设计与实现 |
| 3.3 光电容积脉搏波信号的HRV采集分析系统设计与实现 |
| 3.3.1 系统硬件、软件设计与实现 |
| 3.3.2 标准心电与光电容积脉搏波检测的心动周期时间间隔的比较 |
| 3.3.3 系统可靠性和稳定性测试 |
| 3.4 本章小结与讨论 |
| 第四章 线性幅值谱在人体HRV分析应用中指标评价研究 |
| 4.1 引言 |
| 4.2 线性幅值谱法在正常人静息基态下的HRV指标评价研究 |
| 4.2.1 实验方法和实验设计 |
| 4.2.2 实验数据分析与结果 |
| 4.2.3 线性幅值谱和功率谱法的HRV指标比较 |
| 4.3 线性幅值谱方法在音乐刺激实验中HRV变化研究与指标评价 |
| 4.3.1 音乐听觉刺激实验数据来源与实验设计 |
| 4.3.2 音乐听觉刺激实验数据分析 |
| 4.3.3 基于线性幅值谱方法的HRV分析结果 |
| 4.3.4 基于功率谱方法的HRV分析结果 |
| 4.3.5 音乐刺激下HRV分析指标LF/HF结果 |
| 4.3.6 结果讨论 |
| 4.4 本章小结与讨论 |
| 第五章 基于心电的心肌梗死HRV研究 |
| 5.1 引言 |
| 5.2 线性幅值谱法在PTB心肌梗死数据库中的HRV研究 |
| 5.2.1 PTB数据库介绍与实验设计 |
| 5.2.2 PTB数据库临床资料整理 |
| 5.2.3 健康对照组与MI实验组的HRV对比结果 |
| 5.2.4 MI爆发时与支架介入后患者HRV对比结果 |
| 5.2.5 MI爆发时、支架置入术后以及短期内复查HRV对比结果 |
| 5.2.6 健康对照组与陈旧型心肌梗死实验组的HRV对比结果 |
| 5.2.7 线性幅值谱和功率谱法的MI患者HRV指标对比结果 |
| 5.3 年龄、性别、吸烟、心梗程度因素对HRV影响的结果 |
| 5.3.1 年龄因素 |
| 5.3.2 性别因素 |
| 5.3.3 吸烟因素 |
| 5.3.4 心梗程度因素 |
| 5.4 本章小结与讨论 |
| 第六章 基于光电容积脉搏波的心肌梗死HRV研究 |
| 6.1 引言 |
| 6.2 线性幅值谱法在MI临床实验的HRV研究 |
| 6.2.1 实验设计 |
| 6.2.2 临床资料整理 |
| 6.2.3 健康对照组与MI患者的心电的HRV分析 |
| 6.2.4 同步采集的MI患者光电容积脉搏波与心电的HRV差异 |
| 6.2.5 健康对照组与MI患者的光电检测的HRV分析 |
| 6.3 本章小结与讨论 |
| 第七章 心脏血液动力学在体光学监测的可行性探索 |
| 7.1 引言 |
| 7.2 心脏血液动力学在体光学监测的研究方法 |
| 7.2.1 Monte-Carlo方法与MCVM仿真 |
| 7.2.2 可视化中国人数据集 |
| 7.2.3 心脏组织体素模型的建立 |
| 7.2.4 仿真光学参数和条件的设置与仿真流程 |
| 7.3 光子在人体心脏组织传输的Monte-Carlo仿真结果 |
| 7.3.1 光通量分布 |
| 7.3.2 光吸收分布 |
| 7.3.3 空间灵敏度分布 |
| 7.3.4 图像腐蚀与心脏搏动的模拟仿真 |
| 7.3.5 心脏搏动对漫反射光强的影响 |
| 7.3.6 探头优化设计 |
| 7.4 本章小结与讨论 |
| 第八章 总结与展望 |
| 8.1 论文完成的主要工作与结论 |
| 8.2 论文研究的创新点 |
| 8.3 研究工作展望 |
| 参考文献 |
| 博士期间相关的论文和专利 |
| 致谢 |
（9）机器学习方法在心源性猝死早期识别中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状及趋势 |
| 1.2.1 机器学习方法在辅助心电诊断中的应用现状 |
| 1.2.2 心源性猝死早期识别研究进展 |
| 1.2.3 心肌梗死检测研究进展 |
| 1.3 本文主要内容及创新点 |
| 1.4 全文章节安排 |
| 第二章 高危心电数据库建立及心电信号预处理 |
| 2.1 引言 |
| 2.2 心脏电生理介绍 |
| 2.3 心电数据采集方式介绍 |
| 2.4 高危心电数据建库 |
| 2.4.1 高危心电数据 |
| 2.4.2 国际标准数据库 |
| 2.4.3 记录选择与数据截取 |
| 2.4.4 心电数据整合与建库 |
| 2.5 心电信号预处理 |
| 2.6 本章小结 |
| 第三章 结合机器学习和临床风险指标的心源性猝死早期识别 |
| 3.1 引言 |
| 3.2 心电波形特征与临床风险指标 |
| 3.3 经典机器学习分类方法 |
| 3.4 基于临床风险指标的机器学习分类 |
| 3.4.1 本章工作数据集建立 |
| 3.4.2 异常心搏筛除 |
| 3.4.3 基于心电波形定位的临床风险指标提取 |
| 3.4.4 应用机器学习的心源性猝死早期识别 |
| 3.4.5 独立风险指标提取 |
| 3.5 本章小结 |
| 第四章 结合迁移学习和浅层心电特征的心源性猝死早期识别 |
| 4.1 引言 |
| 4.2 浅层心电特征介绍 |
| 4.2.1 心率相关浅层心电特征 |
| 4.2.2 原始心电信号处理 |
| 4.3 迁移学习方法 |
| 4.4 基于心率信息的迁移学习方法分析 |
| 4.4.1 本章工作数据集建立及源域和目标域的划分 |
| 4.4.2 心电信号心率信息的提取 |
| 4.4.3 基于心率信息的迁移学习方法 |
| 4.5 基于原始心电信号的迁移学习方法分析 |
| 4.6 心源性猝死早期识别算法对比分析 |
| 4.7 本章小结 |
| 第五章 轻量级卷积神经网络在心肌梗死检测中的应用探讨 |
| 5.1 引言 |
| 5.2 心肌梗死的心电信号特征 |
| 5.3 轻量级的卷积神经网络自动分析方法 |
| 5.4 基于四导联的心肌梗死检测分析 |
| 5.5 单导联心肌梗死检测的探讨 |
| 5.6 心肌梗死检测方法评估对比 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于确定学习和非线性动力学分析的心肌缺血检测及其实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 第二章 预备知识 |
| 2.1 引言 |
| 2.2 心电图原理 |
| 2.3 确定学习理论介绍 |
| 2.3.1 RBF神经网络与持续激励条件 |
| 2.3.2 确定学习机制 |
| 2.3.3 离散系统的确定学习 |
| 2.4 本章小结 |
| 第三章 基于确定学习和非线性动力学的心电特征提取 |
| 3.1 引言 |
| 3.2 基于确定学习的心电动力学提取 |
| 3.3 心电动力学的非线性特性分析 |
| 3.2.1 功率谱法 |
| 3.2.2 主成分分析法 |
| 3.4 基于确定学习与非线性动力学的心电特征提取 |
| 3.4.1 关联维数 |
| 3.4.2 Lyapunov指数 |
| 3.4.3 C_0复杂度 |
| 3.4.4 近似熵 |
| 3.5 病态与非病态CDG的非线性动力学特征分布 |
| 第四章 基于非线性心电动力学特征的心肌缺血检测 |
| 4.1 引言 |
| 4.2 基于非线性心电动力学特征的心肌缺血检测 |
| 4.2.1 研究样本采集 |
| 4.2.2 分类算法 |
| 4.2.3 评价指标 |
| 4.2.4 单一特征分类结果 |
| 4.2.5 多个特征分类结果 |
| 4.3 基于特征雷达图表示的心肌缺血判别分析 |
| 4.3.1 雷达图表示原理 |
| 4.3.2 基于特征雷达图表示的心肌缺血判别分析 |
| 4.4 本章小结 |
| 第五章 面向心肌缺血的心电工作站设计与实现 |
| 5.1 引言 |
| 5.2 系统需求 |
| 5.3 系统设计 |
| 5.3.1 软件结构 |
| 5.3.2 数据库基本表设计 |
| 5.3.3 数据库模型 |
| 5.4 功能模块 |
| 5.4.1 用户数据管理模块 |
| 5.4.2 心电数据管理模块 |
| 5.4.3 分析数据管理模块 |
| 5.5 数据库性能优化 |
| 5.5.1 优化需求 |
| 5.5.2 性能优化方法 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、心肌缺血的运动心电信号无创检测方法（论文参考文献）
- [1]面向心肌缺血的心电信号特征提取及智能诊断研究[D]. 刘学朋. 河北大学, 2021(09)
- [2]双阶段动态心功能评估方法研究[D]. 李泽禹. 重庆邮电大学, 2020(02)
- [3]基于双模态信号集成深度学习的冠心病检测研究[D]. 李晗. 山东大学, 2020(01)
- [4]基于确定学习与深度学习的人体体表心电信号建模与分类[D]. 孟婷婷. 杭州电子科技大学, 2020(02)
- [5]多参数心肺功能检测方法及应用研究[D]. 刘杰. 深圳大学, 2020(10)
- [6]基于心电向量图非线性动力学特征的心肌梗塞诊断研究[D]. 王丹俐. 杭州电子科技大学, 2020(04)
- [7]基于T波面积曲线的心肌缺血检测研究[D]. 李荣华. 浙江大学, 2020(02)
- [8]无创光电检测在心肌梗死中的应用研究[D]. 刘伟超. 北京协和医学院, 2019(02)
- [9]机器学习方法在心源性猝死早期识别中的应用研究[D]. 张翼飞. 电子科技大学, 2019(07)
- [10]基于确定学习和非线性动力学分析的心肌缺血检测及其实现[D]. 方真. 华南理工大学, 2019(01)