《基于心电信号分析的睡眠呼吸暂停综合征检测算法研究 (1).docx》由会员分享，可在线阅读，更多相关《基于心电信号分析的睡眠呼吸暂停综合征检测算法研究 (1).docx（20页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于心电信号分析的睡眠呼吸暂停综合征检测算法研究摘要：睡眠呼吸暂停综合征(SAS)的诊断对预防高血压、冠心病、心律失常、脑卒中等疾病具有重要的临床意义。本文基于单通道的心电(ECG)信号提出了一种新的SAS检测算法,该算法首先对ECG信号进行QRS波检测和预处理,得到RR间期和心源性呼吸(EDR)信号序列,并从中提取各项时频特征参数(n=40),再对这些参数归一化处理后,使用支持向量机(SVM)进行分类训练,最终获得可评判SAS的指标。经MIT-BIH权威数据库(Apnea-ECG database)实验表明,本文算法在训练集和测试集上的准确率分别为95%和88%。睡眠呼吸暂停综合征是一种常见
2、多发性睡眠疾病,影响着人们的睡眠质量,更是高血压、冠心病、心律失常等多种疾病的独立危险因素。近年来,关于睡眠呼吸暂停综合征的检测、预防以及治疗方案引起受到了极大的关注。而传统的睡眠呼吸暂停综合征检测方法就是使用多导睡眠图(Polysomnogram, PSG)。 本论文在研究了现有睡眠呼吸暂停综合征研究检测算法之后,提出了一种基于单通道心电信号的睡眠呼吸暂停综合征检测算法。本算法使用陷波器与中值滤波器来对心电信号进行预处理,在消除工频干扰和基线噪声的同时保证了心电信号受损较小；在基于小波分解的QRS波检测算法之上,提出了RR间期矫正算法,有效地降低了R波漏检和过检的问题,提高了RR间期散点图的
3、集中度；在心率变异性研究基础上,提出了一系列时域频域特征值,能够有效地表征睡眠呼吸暂停综合征；在分类问题上,采用支持向量机(Support Vector Machine,SVM)的分类方法,以结构风险最小化为原则,有效地解决了传统机器学习方法过学习的问题,保证了分类模型的泛化能力；在评价分类模型的性能指标时,本文使用F值法,解决了敏感度和特异度的矛盾问题。 经MIT-BIH权威数据库(Apnea-ECG database)检测表明,本论文算法在训练集和测试集上的准确率分别为94.44%和87.82%,达到国际领先水平。与PSG方法相比,本论文算法具有简单、准确、高效、全自动的优点。该算法可以应
4、用于动态心电图等心电设备从而使得患者检测睡眠呼吸暂停综合征变得简单实惠,具有良好的应用前景。关键词：睡眠呼吸暂停综合症、 QRS复波检测 、心电信号。Abstract: the diagnosis of sleep apnea (SAS) has important clinical significance in preventing hypertension, coronary heart disease, heart arrhythmia and stroke. This article is based on single channel ECG (ECG) signals a new
5、 SAS detection algorithm is proposed, the algorithm of ECG signal is first the QRS wave detection and pretreatment, get the RR interphase and source sex respiration (EDR) signal sequence, and extract the time-frequency characteristic parameters (n = 40), again to these parameters after normalization
6、 processing, using support vector machine (SVM) classification training, finally get to evaluation index of SAS. According to the MIT/BIH authority database (apne-ecg database), the algorithm is 95 per cent accurate and 88 per cent accurate in the training set and test set. Sleep apnea syndrome is a
7、 common and multiple disease that affects peoples sleep quality, but also a variety of diseases such as hypertension, coronary heart disease, arrhythmia, independent risk factors. In recent years, the detection, prevention and treatment of sleep apnea has received considerable attention. The traditi
8、onal method of detecting sleep apnea is Polysomnogram (PSG). Is studied in this paper the existing sleep apnea syndrome research detection algorithm, is proposed based on a single channel ecg signal detection algorithm of sleep apnea syndrome. The algorithm use trap and median filter to ecg signal p
9、reprocessing, in eliminate power frequency interference and baseline noise at the same time guarantee the ecg signal damaged smaller; In the QRS wave detection algorithm based on wavelet decomposition, RR interphase correction algorithm is proposed, and effectively reduce the R wave leak and inspect
10、ion of the problem, improve the RR interphase scatterplot concentration; On the basis of the variation of heart rate variability, this paper proposes a series of time-domain frequency-domain eigenvalues, which can effectively represent sleep apnea syndrome. On the classification problem, by using th
11、e Support Vector Machine (Support Vector Machine, SVM) classification method, with minimum structure risk principle, effectively solves the problems of traditional Machine learning method through learning, ensure that the generalization ability of the classification model; In this paper, the problem
12、 of sensitivity and specificity is solved by using F value method when evaluating the performance indexes of the classification model. By the authority of MIT - BIH database (Apnea - ECG database) test showed that the algorithm in this paper on the training set and testing set of accuracy were 94.44
13、% and 87.82% respectively, reached the international leading level. Compared with PSG method, this paper is simple, accurate, efficient and fully automatic. The algorithm can be applied to dynamic electrocardiogram (ecg) and other electrical equipment so as to make the testing in patients with sleep
14、 apnea syndrome becomes simple and economical, has a good application prospect. Keywords: sleep apnea, QRS multiwave detection, electrocardiogram 20第一章绪论51.1睡眠与睡眠疾病51.2睡眠呼吸暂停综合征51.3多导睡眠图61.4国内外研究现状71.5论文研究目标91.6论文研究内容9第二章睡眠与心电基本知识102.1睡眠呼吸暂停与心电信号102.2心电信号的产生机理112.3Apnea数据库122.4心电噪声13第三章总结15参考文献：16致谢
15、17第一章绪论1.1睡眠与睡眠疾病 睡眠是人类生命过程的重要组成，是恢复精力的最佳方式。科学上关于睡眠的定义分为几种方法：受到刺激很容易完全恢复的一种生理状态，或意识相对丧失、没有自主肌肉活动，并且是周期性需要的一种生理状态。我们一般可以认为没有运动、姿势固定、对剌激的反应减弱、可以觉醒这四个方面来判断一个人是否处于睡眠状态。 人的一生之中大约有三分之一的时间是在睡眠中度过的。通常儿童需要保证每天小时以上的睡眠时间，青少年至少需要每天到个小时，成年人的健康睡眠时间为小时。充足而又健康的睡眠对于恢复身体状态、减缓生活压力、保持情力旺盛都有着重要意义。相反，睡眠不足或者睡眠质量不高会影响大脑的创造
16、性思维、影响青少年的生长发育、影响皮肤健康等年国际精神卫生和神经科学基金会主办的全球睡眠和健康计划发起了一项全球性活动，将每年的月日定为“世界睡眠日”。人们开始逐渐关注睡眠重要性和睡眠质量。根据年国际睡眠分类，睡眠疾病共有余种，最常见的如失眠、睡眠呼吸暂停综合征在人群中的患病率均很高一些少见的睡眠障碍如发作性睡病也逐渐被认识。睡眠呼吸暂停综合征是一种非常常见的睡眠疾病，却常常被人们所忽视。1.2睡眠呼吸暂停综合征 睡眠呼吸暂停综合征（是一种常见的睡眠疾病，影响着大约的成年人。具体是指每晚小时的睡眠时间中出现超过次呼吸暂停，并且每次暂停的时间超过秒，或者每小时呼吸暂停的次数大于。这是一种累及多系
17、统并造成多器官损害的疾病，是高血压、冠心病、心律失常、脑卒中等多种疾病的独立危险因素。呼吸暂停（是指睡眠中口鼻呼吸气流均停止达到秒以上。低通气（是指睡眠过程中口鼻气流较基础水平降低以上，并伴有血氧饱和度下降超过，持续时间超过睡眠呼吸暂停低通气指数，是指平均每小时睡眠呼吸暂停次数与低通气次数之和。睡眠呼吸暂停综合征是指在每晚小时的睡眠中，呼吸暂停反复发作次以上或者超过次以上。所以睡眠呼吸暂停综合征也叫睡眠呼吸暂停低通气综合征。根据病因以及表现形式可以把睡眠呼吸暂停综合征分为三类，即阻塞性睡民呼吸暂停综合征（、中枢性睡眠呼吸暂停综合征（丨，及混合型睡眠呼吸暂停综合征（，。阻塞性睡眠呼吸暂停综合征的
18、主要表现是口鼻气流停止但是胸腹呼吸动作仍存在，一般是因为上呼吸道阻塞而引起的呼吸系统疾病。中枢性睡眠呼吸骤停综合征是指口鼻气流和胸腹的呼吸动作都消失，原因一般是中枢神经系统的呼吸中枢功能障碍或支配呼吸肌的神经或呼吸肌病变，气道可能无堵塞但呼吸肌不能正常工作从而导致呼吸暂始，然后表现为阻塞性睡眠呼吸暂停，睡眠过程中呼吸气流要低于正常气流的一半以上。其中阻塞性睡眠呼吸暂停综合征最为常见，也是本论文讨论的重点。 据调查统计，大约有的人患有睡眠呼吸暂停综合征。欧洲为，日本为美国岁以上男性为，中国为，其中老年人口的发病率尤其高，大约有。睡眠呼吸暂停合症常常表现为打軒、白天嗜睡、反应迟铁、判断能力差、夜间
19、遗尿。由于空气在肺部的交换不正常会对人体各个脏器都会造成危害，导致供氧不足，容易引发心脑血管疾病。每天大约有人死于该症。1.3多导睡眠图 目前睡眠呼吸暂停综合征的检测方法主要有多导睡眠图检测、线头影、鼻咽纤维镜检查。其中多导睡眠图监测是最权威的方法，不仅可以判断睡眠呼吸暂停综合征的严重程度，而且可以定量分析患者的睡眠结构，了解患者睡眠过程中的低血氧、呼吸紊乱以及心电血压的变化。 对睡眠呼吸暂停综合征的检测，多导睡眠监测仪是目前国际公认的“金标准”。如图丨所示，可以记录睡眠过程中的多项生理参数，包括脑电图、心电图、口鼻气流、血氧饱和度、軒声、体位、眼球运动、肢体运动、胸腹呼吸运动等。可以通过计算
20、机软件来观察各项信号特征，计算机软件（如图所示）可以初步分析患者的睡眠状况、呼吸状况、心脏状况，之后再由专业人员对分析结果进行人工修改矫正，从而得出正确的结果。 但是检测也有许多缺点。首先，检测时间至少是小时，一般要患者在医院睡眠监护室睡一个晚上，所需时间长，检查费用昂贵。其次，检查时因为要检测多路生理信号，所以要把许多传感器连接到人体上。但是人体上连接上多个传感器会对睡眠质量产生一定影响从而使得测量结果有所偏差从而影响诊断。1.4国内外研究现状由于检查的诸多不便之处，国内外许多专家学者开始研究睡眠呼吸，试图简化检测，从单一或者少量的生理信号中去获取睡眠呼吸暂停的特征信息，并取得了一定的研究成
21、果。 早在上世纪八十年代就有学者发现睡眠呼吸暂停综合征和心电图存在关系。在年，丨丨仙如等人发现睡眠呼吸暂停中与心率变异性存在关系。他们观察了个睡眠呼吸暂停综合征病人的小时心电图与图，发现在睡眠呼吸暂停综合征刚开始会出现心搏减缓，然后在恢复正常呼吸的时候会出现心搏突然加剧。所以可以尝试从心电图的形态学分析来检测睡眠呼吸暂停综合征的发生。但是在心脏自主神经系统受损的情况下，就不存在上述规律。 联合主办了一个比赛关于心电图和睡眠呼吸暂停综合征的比赛。从单导心电信号中量化分析睡眠呼吸暂停综合征。这个比赛极大的推动了众人对心电图和睡眠呼吸暂停综合征关系的研究。世界各地多个研究小组参加了此次比赛并且提交了
22、他们的算法。比赛结果评判主要有两部分。第一部分是通过算法来区分有睡眠呼吸暂停综合征的病人以及无睡眠呼吸暂停综合征的病人。第二部分是对每分钟的心电信号进行评估，判断这一段时间是否存在睡眠呼吸暂停综合征。个有标记的记录供算法开发者使用，然后还有个记录是用来对算法进行评分。最好的算法一般使用心电信号的频域特征来分析心率变异性以及呼吸对心电波形的影响。总计有个算法获得了第一部分的正确率，有个算法对第二部分准确率超过了。许多研究者都使用了心率变异性等人。和地用了希尔伯特变化从心率信信号中提取出频率信息。等人的算法使用了的时频能量图。丨】使用了心率功率谱的频域阈值法来检测睡眠呼吸暂停综合征。综合使用了谱估
23、计，希尔伯特变换，离散小波变换作为后续的特征选取。 许多算法使用了心电信号的衍生信号。比如心电图谱能量，间期，波中的波幅值，利用波或者波的幅值的能量谱作为检测参数。人都是用了心电信号的时域特征。使用的的是心率变异性的标准差，同时还额外添加了一些非线性统计学参数来改进检测结果。通过两次减均值的操作突出了正常人和患者的心电图差异。】使用了一位医学专家的评判规则即睡眠呼吸暂停综合征发生的时候会会有周期性的心率变化，首先会有至少六分钟的心率抬升期，然后恢复到正常水平。这种变化至少会出现三次。比赛的结果是各个算法在睡眠呼吸暂停综合征检测上都有不错的表现，进一步证明了这个想法的可行性以及比赛的实际意义。可
24、以从两方面来看待比赛结果，第一部分的比赛结果如表所示。第一列表示研究者算法的准确率，第二列表示算法开发者的小组成员，第三列表示算法的提交日期，第四列表示算法开发者所在的小组编号。表格中是前】名参赛者的结果。可以看出在区分患有睡眠呼吸暂停综合征的病人和健康者方面有四个小组获得了的准确率，前个小组的最差成缋也是。这证明了根据心电信号来诊断睡眠呼吸暂停综合征病人是具有很大可行性的，而且可以取得比较满意的结果。第二部分的结果如表所示，第一列是算法的得分，满分为，第二列为研究者的名称，第三列为算法提交的日期，第四列为研究者所在小组的编号。可以看出大部分算法的准确率都超过了有两个算法的准确率已经超过了。由
25、此证明完全可以精确的检测到睡眠呼吸暂停综合症开始和结束的时间。医生对每分钟的信号做一个是否是睡眠呼吸暂停综合征的评价也是合理的。这是因为睡眠呼吸暂停时往往伴随着血氧饱和度的下降，两者的相关系数大约在到之间。其中表现最好的算法是根据波的形态衍生出的呼吸信号和心率变异性的频域参数来检测的。排名前位的算法都对第一部分的验证完全正确。所有算法都采用了离散福利也变换或者离散小波变换。大部分算法都宣称心电的形态学变化往往来源于体位的变化或者呼吸变化。 近几年也有许多的研究者利用各种各样的信号来检测睡眠呼吸暂停综合征试图简化也取得了不错的效果，例如】等人通过对血氧饱和度信号进行分析，从中提取出个时域频域特征
26、，绘制出各个特征的接受者操作特性曲线（丨，使用步进式回归分析。对个病人测试，最后达到了的林敏度，的特异性，以及的精度。等使用心音信号和心电信号来开发出一个支持向量机（叩分类器，用于分类正常信号与病患者信号。最后对丨个患者进行测试得到的灵敏度和的特异性。丨】通过鼻气流和胸腹运动来检测睡眠呼吸暂停综合征发生时间。整个检测系统包括三个部分，信号分割，特征提取，分类。最后获得了的灵敏度，的特异性以及的精度。 目前已有的睡眠呼吸暂停综合征检测算法都取得了较好的效果，但是往往还存在一些不足之处。使用多通道信号的算法，往往存在信号提取不方便、影响患者睡眠、检测过程复杂等问题。而使用单通道信号的算法往往存在准
27、确度不高、泛化能力弱、对信号质量要求高、需要人工矫正等问题。1.5论文研究目标 随着人们对睡眠质量越来越重视以及睡眠医学的逐步发展，睡眠呼吸暂停综合征巳成为目前生物医学工程科学领域内非常热门的一个话题。本论文在现有研究基础之上提出一种新型的睡眠呼吸暂停综合征检测算法，解决现有算法的一些不足之处。 而选择算法首先要解决信号选择问题。根据已有文献可以证明心电信号与睡眠呼吸暂停综合征之间相关性非常高，而睡眠呼吸暂停综合征患者往往会导致一定程度的心血管系统疾病，并且心电信号的获取非常容易，目前监测巳普及到各县级医院和部分厂矿企事业单位门诊部。全国总计拥有仪器五万余台。临床应用领域不断扩大。除之外还有心
28、电图机、等各种普遍存在的医疗设备可以获取患者的心电信号。 因此本论文的研究目标是提出一种基于支持向量机的算法，可以全自动、高效、准确地从心电信号中检测出睡眠呼吸暂停综合征。1.6论文研究内容本论文在睡眠呼吸暂停综合征检测算法现状的研究上对心电信号使用陷波器和中值滤波进行预处理以消除工频干扰和基线漂移，接着检测出波并进行间期矫正，然后根据间期信号与心源性呼吸信号提取时域频域特征，最后使用支持向量机进行分类并用权威标准数据库进行验证。论文的具体内容安排如下： 第一章介绍睡眠与睡眠疾病以及多导睡眠图，并概述当前睡眠呼吸暂停综合征检测的国内外研究成果。 第二章介绍心电信号相关知识，包扩心电信号的生理知
29、识、常见的心电噪声、心电信号与睡眠的关系，以及本文所使用的心电数据库。 第三章介绍心电预处理技术和波检测技术，包括心电与处理技术和波检测技术的现状，以及本文所使用的实际算法。 第四章介绍特征提取，包括间期与心源性呼吸信号的意义与提取方法以及本文提取的具体特征。 第五章介绍模式识别技术、支持向量机理论以及具体分类算法。第六章对本文算法进行总结与展望。第二章睡眠与心电基本知识 随着社会经济的发展以及人们生活习惯的变化，睡眠疾病巳经成为一项严重威胁人类生命健康的疾病。而睡眠呼吸暂停综合征与心电信号有着紧密的关系，心电信号反应了睡眠呼吸暂停综合征的基本特征，具有很高的研究价值。本章将介绍睡眠呼吸暂停综
30、合征与心电信号的关系、心电信号的产生机理、心电图的基本知识、心电信号的常见噪声以及本论文研究所使用的心电数据库。2.1睡眠呼吸暂停与心电信号 与睡眠呼吸暂停综合征相关的生理信号主要由脑电信号、呼吸信号、心电信号，而相对脑电信号与呼吸信号来说，心电信号的检测更为筒单方便，而且心电信号能够基本反映睡眠呼吸暂停综合征的主要特征，所以本文选取心电信号作为特征信号来做睡眠呼吸暂停综合征检测。 人体心电信号是会受到呼吸活动影响的，临床上常常把心电信号与呼吸信号同步观测，用来诊断某些心律失常疾病。心电图的信号由于人体体表电极采集得至，而胸导电极会随着呼吸而产生位移，肺部的收缩与膨胀会导致电阻抗有所差异，从而
31、使得心电信号受到影响，相当于在原始心电信号上加上了一个调制信号，使得心电信号的幅值随着呼吸周期性的变化。许多专家学者都专注于从心电信号中提取呼吸信号，并且取得了不错的成果，得到了与呼吸信号相关性很高的心电导出信号。 从生理系统角度上看，正常人的心率是受交感神经和副交感神经共同调节的。正常人在睡眠时，以副交感神经为主，使得心率脉搏都变慢。但是当睡眠时发生呼吸暂停会导致心率下降甚至心脏停搏。当呼吸暂停结束时，会导致交感神经兴奋，心率会升高甚至会产生异位搏动，使得心肌暂时性缺血，很容易导致心肌劳损。由于睡眠呼吸暂停综合征患者往往伴随着缺氧，会导致交感神经活动加强，而副交感神经减弱，使得自主神经系统调
32、节失衡，反应为心率变异性的变化。心率变异性的高频部分反应的是交感神经活动，而低频部分反应着副交感神经的兴奋。所以可以从心电图分析中获得与睡眠呼吸暂停综合症相关的信息。通过对睡眠心电基本知识心率变异性的时域频域特征研究可以获得当前的呼吸状态。如等人发现在睡眠呼吸暂停综合征发生时，高频成分未发生显著变化，但是低频成分显著增加，导致高低频能量比发生显著变化。 由于心电信号与呼吸的紧密关系以及睡眠呼吸暂停综合征对心电信号的显著影响，一定可以从心电信号中提取出与睡眠呼吸暂停综合征相关的特征信息。所以本文选择心电信号作为作为分析信号。2.2心电信号的产生机理 心肌细胞膜内外存在着一定的电位差，称为跨膜电位
33、。在安静状态下心肌细胞膜外电位为正，膜内为负，处于极化状态，静息电位指的就是膜内外的电位差。当心肌细胞兴奋的时候就会产生一个可以传播的电位变化，称为动作电位。心脏各部分心肌细胞的动作电位会有差异，主要体现在幅值和时程上。这是各部分心肌生理特性差异的电生理基础，保证了心脏的正常起搏和传导以及心房心室协调有序的兴奋从而完全泵血功能。这就是心电图波形产生的基础。 心脏传导系统是心壁内部还有特殊的心肌纤维的组织结构组成的传导系统，负责将冲动传导到心脏的各个部分，从而使得心房肌和心室肌产生节律性的收缩。主要包括窦房结、房室结、房室束、左右房室束分支、希氏束以及分不到心室乳头肌和心室壁的许多细支。 心电图
34、指的是心脏在每一个心动周期内，起搏点、心房、心室相继有序兴奋，浙江大学硕士学位论文睡眠心电本知识会伴随心电图生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。心电图是心脏兴奋的发生、传播以及恢复过程的客观指标。因此，一定程度上可以客观反映心脏各部位的生理状况，是诊断心脏系统疾病、评价心脏功能的重要依据之一。 由于心电信号采集的导联体系不同或者电极贴在身体上的位置有差异，会导致心电波形存在部分差异，但是正常的心电图都有一些固定的组成部分，一般包括一个波，一个波，一个波，有时候在波之后会有一个幅值较小的波。 睡眠心电基本知识后是一个向上的幅值较高的波是波，最后有一个向下的波。不同的导
35、联体系下，三个波不一定都会出现，幅值也会有差异。一般持续时间在到之间。点：波的终点，段的起点，一般位于等电位线上，但是会随着段的抬高或者压低而有所变化。波的终点与波起点之间的这一段，一般与基线平齐，反映心室各个部分的心肌细胞都处于动作电位的平台期，是心室去极化到复极化之间的过程。 波反映左右两心室复极化的过程。波形一般前支较长后支较短，持续时间大约是在到之间，方向一般与波的方向一致。波：在波之后的到之间可能出现一个幅值较低宽度较大的波，一般是由于室内传导系统缓慢复极化导致的。间期：指的是从波的起点和波终点之间的时间，生理意义是心室开始去极化到全部复极化完毕所需要的时间。这个时间是个心率呈反相关
36、的，心率越快间期越短；反之亦然。2.3Apnea数据库 本论文的研究目的是使用心电信号来裣测睡眠呼吸暂停综合征，所以最后算法需要一个权威的评价方法。而的数据库是标定了睡眠呼吸暂停综合征的心电数据库，是通过心电信号检测睡眠呼吸暂停综合征的权威数据库。相关的算法研究论文一般都会使用本数据库作为评价标准，通过数据库的检测结果来与目前巳经存在的其他算法作比较。同时数据库也是比赛算法结果评价的宫方使用数据库，具有很高的权威性与科学性。所以本论文使用数据库作为算法评价以及调优的标准。 数据库是由德国马尔堡菲利普大学的睡眠专家创建的，可以再的官方网站上下载得到。整个数据库包括个病例记录。个记录分为两部分，个
37、作为训练记录，个作为测试记录。每个记录都有字母加数据的标号，其中，为训练数据，为测试数据。数据长度大其中波的起点和波的起点之间这一段称为间期。波是由波、波、和波组成的。段是指波的终点和波的起点之间这一段。间期是指波的起点与波的终点之间的距离。这些波形以及间期都是具有一定意义的生理学意义的。心电函的各个波段的生理意义如下所述：波：反应的是心房去极化的过程。波波形一般小且圆电，可有轻度的切迹。一般幅值不超过，时限不足，大多在到之间。间期：从波的起点到波起点之间的过程，反映了心房开始去极化至心室开始去极化的过程，一般时间是到之间。有时候也称间期。复合波：反映的是左右两心室去极化过程中的电位变化。典型
38、的波群包括三个紧密连接的波动波，波和波。第一个向下的波是波，然睡眠心电基本知识约是小时左右，最短了低于个小时，最长的有将近小时。每个记录都包括一个连续的心电信号文件，一组睡眠呼吸暂停综合征的注释文件，一个由程序标定的波位置注释文件，注释文件时有睡眠医学专家根据的多导信号综合分析之后进行标注的。另外还有个记录含有个额外的信号。 其中是使用电感体积描记法的得到胸部呼吸信号，是使用电感体积描记法的得到腹部呼吸信号，是使用鼻热敏电阻检测到的口鼻气流信号，是血氧饱和度信号。 每个记录都包含数个信号，其中以为文件扩展名的是离散心电信号，来自标准睡眠实验室心电导联，位采样，采样频率，每毫伏单位。以为文件扩展
39、名的是头文件确定患者的名字以及相关信号文件的格式。以为文件扩展名的是注释文件，标注了每分钟是否含有睡眠呼吸暂停综合征的状态，其中个训练病例的注释数据是提供给算法研究者的，个测试病例的注释数据是不提供给算法研究者的，作为评价算法准确率用。以为文件扩展名的是由机器产生的心电波注释信号，是由程序自动标注的，并没有经过人工校正，具有一定的错误，可以作为参考用。波注释文件中并没有说明心拍的种类，都当做是正常的波。但是尽量不要依赖此注释信号，希望算法研究者使用自己的检测算法。 以为文件扩展名的是睡眠呼吸暂停综合征注释文件。训练集的个病例的注释数据是提供的。这些注释是由睡眠医学专家根据多导睡眠信号综合分析得
40、出的结果。注释内部是字符串，由和组成，。毎一个字符代表着一分钟的信号睡眠呼吸暂停综合征为阳性，正常即睡眠呼吸暂停综合征为阴性。整个字符串就代表这个患者在小时左右时间内的睡眠呼吸暂停综合征发生情况。这个数据是作为睡眠呼吸暂停综合征量化分析的参考标准。2.4心电噪声 心电信号是一种幅值低、频率低的非平稳性微弱信号，在实际过程中往往会伴随着各种干扰信号，我们称之为噪声。体表心电信号的幅值范围大约在微伏到毫伏之间，典型的幅值大约在毫伏左右。而心电信号的频率范围大约在赫兹到赫兹之间，主要能量集中在赫兹到赫兹之间。其中各个波段的幅值和能量分布。 心电信号是由心脏活动引起的体表生物电变化信号，具有一定的周期
41、性，但是也伴随着很大的随机性。同时还由于信号的微弱导致很容易混杂着各种干扰噪声，会受到人体、电极、电器、磁体等许多因素的影响。常见的噪声一般可以包括工频噪声、基线漂移、电极接触噪声、肌电信号、运动伪迹等。工频干扰是电信号中很常见的干扰信号，主要有工业供电的或者正弦信号以及各次谱波分类组成，在心电信号特别徵弱的时候，工频干扰会达到波峰值的一半左右，位论文心电预处理波检测定性问题，一般阶数较高，运算量大于可以采用来减少运算量。如等人早在年就提出了以中递归型整系数数字滤波器设计方法来实现低通、高通、带通、带阻各种类型的滤波器，这种滤波器具有设计简单，运算效率高而且具有线性的相位特性，非常适合心电这种
42、低频低幅微弱信号。 传统数字滤波器方法对于心电预处理的实现主要是削弱某一部分频带内的所有信号，可以很好的去除噪声信号，但是同时也会使得心电信号本身也有一定的损失。而自适应滤波器具有动态的滤波器参数抗干扰能力强，可以削弱混杂在心电信号中的噪声信号，所以近年来也经常被学者应用于心电预处理算法。自适应滤波器本质就是最小化噪声心电信号与相关信号之间的均方差。这里的“相关信号”可以是带噪声的心电信号也可以是干净的心电信号。自适应滤波器在心电去噪和心律失常检测上都有较好的应用。提出了一种自适应滤波器模型，以波脉冲作为相关信号，有效地消除了基线漂移、的工频干扰、肌电噪声以及运动伪差。小波变换是近年来新兴的数
43、学方法，由于其多尺度、多分辨率特性，目前巳经广泛应用于生物医学信号处理之中。使用小波变换对心电信号进行预处理的方法也层出不穷。如等人提出的基于小波分解的心电噪声检测方法。数学形态学使用结构元素化来提取信号中的有效信息，过滤掉噪声信息，在心电信号处理中也有较多应用。提出的动态形态学滤波技术来做心电与处理具有低信号失真比、低计算负担等特点。 目前的心电预处理技术巳经发展多年，心电去噪主要是针对基线漂移与工频干扰，这两者也是心电噪声中的主要成分。但是对于运动伪差以及电极接触噪声方面相关的研究仍然较少。由于这两者成分在一般心电信号中所占的比例并不是特别高，因此目前心电预处理技术已经比较成熟，能够很好的
44、得到信噪比较高的心电信号。第三章总结 目前，睡眠呼吸暂停综合征已成为长期困扰人类的重要疾病之一。而通过传统的多导睡眠图检测睡眠呼吸暂停综合征的方法由于价格昂贵、操作复杂且干扰睡眠等诸多问题难以泛普及。而关于睡眠呼吸暂停综合征的研究也正在被广大的学者和研究机构所关注。 本论文在对当前睡眠呼吸暂停综合征研究现状的基础分析之上，针对当前睡眠呼吸暂停综合征检测技术的局限性提出了一套基于单通道心电信号的睡眠呼吸暂停综合征检测算法。 该算法首先对心电信号进行预处理使用陷波器与中值滤波器滤除心电波形中的工频干扰与基线漂移；接着使用基于小波分解的波检测算法检测心电信号中的波位置，该算法的准确度达到然后根据波位
45、置计算间期，使用问期矫正的方法剔除波检测时的错检与漏检，使得间期散点图更为集中；其次根据矫正之后的波位置得到心源性呼吸信号，从间期信号与心源性呼吸信号中提取出时域频域总计个特征；最后使用支持向量机进行分类，以结构风险最小化为原则避免了传统器学习方法经常过学习的问题。经过权威心电数据库验证，获得了训练集测试集准确率，达到了近年国际论文的水准。 本论文算法具有准确、高效、全自动的优点，而且仅使用单通道的心电信号就可以检测出睡眠呼吸暂停综合征。可以应用于动态心电图等心电设备有效地降低患者成本，具有良好的应用前景。参考文献：1 孙黉杰,汤一平,袁莹. 智能睡眠枕的研究J. 浙江工业大学学报.2010(
46、03) 2 李延军,严洪,王增丽. 心电基线漂移去除方法的比较研究J. 航天医学与医学工程. 2009(05) 3 苏应龙,王智光. 睡眠障碍的研究进展J. 中国民康医学. 2007(15) 4 张学工. 关于统计学习理论与支持向量机J. 自动化学报. 2000(01) 5 钱惠生,金朝晖,刘顺兰. 小波分析与应用J. 杭州电子工业学院学报. 1999(01) 6 叶京英,李五一. 阻塞性睡眠呼吸暂停低通气综合征诊断和外科治疗指南解读J. 中华耳鼻咽喉头颈外科杂志. 2009 (02) 中国优秀硕士学位论文全文数据库共找到 6 条 7 孔凡雪. 动态心电监护系统及心电信号处理方法的研究D. 山
47、东科技大学 2011 8 邵秀稳. 睡眠呼吸暂停综合症的检测与远程监护D. 华南理工大学 2011 9 郑唯琴. 基于数学形态学和SOM网络的心拍检测分类算法研究D. 浙江大学 2010 10 辛海琴. 睡眠呼吸暂停监视仪的研究与实现D. 太原理工大学 2008 5 肖冬萍. 心率变异信号临床分析技术的研究D. 重庆大学 2004 11 卢山. 基于时频分析的心率变异性研究D. 重庆大学 2004 中国图书全文数据库共找到 2 条 12 胡广书编著.数字信号处理M. 清华大学出版社, 2003 13 边肇祺等编著.模式识别M. 清华大学出版社, 2000 致谢 在这篇论文的完成之际，感谢我的导师对我的指导和鼓励，感谢学院提供良好的学习环境，感谢同学对我的帮助。在学习这段时间里，感谢导师对我在学业和生活方面的关怀和照顾，导师严谨的治学态度，一直是我学习的榜样，她不仅教会了我如何做研究，也教会了我如何做人。感谢同学和朋友对我的帮助，大家一起在紧张的学习之余度过了许多愉快的时光。感谢亲人在我读研期间对我在物质和精神上的支持，使我能顺利完成学业。最后对在这篇文章中引用到的文献作者表示感