1绪论
1.1课题的研究背景和意义
心脏病以构成威胁人类生命的一个重要的疾病。我们都有这样的经历，当身体不适时（心脏不舒服、晕厥等)，大多数人的第一反应是去医院看医生，但是也有少数的人选择继续观察。但是，当发现问题直接去医院，对于心脏疾病这种快发性疾病也有可能错过了最佳的治疗时间，所以如何提供一个有效的、及时的心脏疾病诊断监护系统就显得十分重要。自上世纪以来，人们将心电图用于心脏疾病自动诊断中，至今已有百年历史。心电图中蕴含着丰富的反应心脏节律以及心脏传导特性的信息，在某种程度上反应了心脏的活动状态，所以对于心脏疾病的诊断具有十分重要的作用。如今，心脏疾病的自动诊断仍是国内外学术研宄的重点，研宄的重点不仅仅局限于心电信号，人们开始将人体作为一个系统考察其它信息对于心脏疾病诊断的作用。随着信息科技的发展，让聪明的计算机变为有经验的医生，来帮助医生进行医疗辅助诊断，这不仅为患者提供了方便，也提高了医生的工作效率。心脏疾病的诊断需要医生长期的经验积累才能做出正确的判断。用‘聪明的计算机’来模拟有经验的医生对心脏疾病做出诊断，可是使医生从繁重的工作中解脱出来。对于一些偏远地区，医疗自动诊断技术也很重要，乡村医疗技术不发达，需要这样‘聪明的计算机’来为他们提供医疗救助。除此之外，医生还可以利用‘聪明的计算机’，来探究错综复杂的人体的奥秘。医疗自动诊断是现代科学的发展方向之一。本课题就是从这样的背景出发，对医疗诊断中心脏疾病诊断的相关问题，进行了研究。
1.2本课题的国内外发展
1.2.1心电自动分析诊断技术发展
目前，对心脏疾病的诊断模型主要基于两种数据，一种是基于心电信号的心脏疾病诊断模型；另一种是基于血氧、血压等生理数据的诊断模型。基于心电信号的心脏疾病自动诊断技术的发展是以心电自动分析技术的发展为基础的。二十世纪五十年代，国内外学者幵始对心电的自动分析技术进行研究。1957年，美国学者幵发出第一个能够区分正常和异常心电图的程序，但是该程序仅能识别心电周期，不能识别时特征波以及特征波的边界。1961年，第一个针对导联的心电图分析程序问世，它的成功创立了计算机辅助心电图分析的基本模式。1962年，第一个12导联的心电图分析程序被幵发，它主要利用所测心电信号的参数进行分析。1996年，分支树逻辑被用在心电疾病的自动诊断中，自此幵始了国内外心电自动诊断模型以及相关算法的研宄。七十年代以后，心电自动分析技术幵始应用于临床中。九十年代起，心电信号的自动分析成为人们研宄的热点，现代信号处理技术的发展提高了心电自动诊断的准确率，促使了心电信号自动分析技术在心脏疾病自动诊断中的应用。利用心电波形进行的分类，有很多方法，最初的方法是采用聚类分析的方法，文献[1]中运用模糊聚类与多层感知器结合的方法进行分类，该方法通过加入模糊聚类层实现了样本的自适应聚类，再利用多层感知器进行分类使分类器适应波形的自然属性。文献中采用了与前者不同的方法，利用含有1000个数据的数据库，釆用相关分析代替原始波形的特征提取进行自动分类。特征抽取方法的不同会产生不同的分类效果，有些研宄中将特征点的检测结果作为特征进行分类，也有些研宄中运用变换域特征作为分类的根据，文献[3]对这一部分内容进行了探讨。心电信号的预处理与特征波的定位是心电自动分析的基础，是通过心电信号获得病理信息的前提。预处理算法的研究，目前研宄集中在高频噪声、基线漂移以及工频干扰，但对于类似于病理特征的伪迹和运动引起的剧烈抖动尚不能较好的纠正。心电特征波检测算法主要有时域分析法主成分分析法、小波变换法数学形态学法、神经网络、结构分析法等几个主要方向。余阵利用多尺度数学形态学导数结合小波变换的方法对QT间期进行了定位，并与小波变换结合自适应阈值的方法进行了比较，取得了较好的效果。目前，基于小波变换的特征波定位算法研究比较多，文献[9]中利用小波变换的自适应QRS-T对消P波检测法对P波进行检测。对于心电特征的检测，QRS检测技术较为成熟，而P、T波的检测为心电信号自动分析技术中的难点，故目前国内的研究多集中于P、T波的研究。
2常用生理信号处理算法与SVM理论概述
2. 1心电信号处理算法研究
2.1.1心电信号介绍
心电信号是人类最早研究并应用与临床医学的生理信号之一，随着人们对心脏疾病诊断需求的提高，运用现代信号处理技术将心电信号用于心脏疾病计算机辅助诊断中以成为近年来研宄的热点。心电信号具有信号弱、噪声强、频率从范围较低、随机性强等特点。直接从人体检测到的生理信号幅值一般比较小，胎儿的心电信号仅10-50niv ,体表心电信号较大最大可达5mv。心电信号的频率范围在0.05-l00Hz,其能量主要集中在0.05~40Hz之间。心电信号的噪声主要来源于三个方面：肌电干扰频率范围在10-300Hz;工频干扰，频率为50Hz;基线漂移，一般由人体运动引起频率范围在0.01-5Hz。心电信号的信号处理算法由预处理算法以及检测算法两部分组成，其中预处理算法一般指去噪算法，检测算法则需根据应用背景的不同而检测心电信号中不同的特征。本节中对心电信号的预处理算法以及特征波定位算法进行了研究。心跳一次在心电图上的呈现结果即为一个心拍，心拍有不同的波形构成，分别代表了心脏跳动的不同阶段。
3改进的心电信号特征波定位算法......... 18
3.1 MIT-BIH 数据库 ........18
3.2 多尺度数学形态学MMD理论........ 18
3.3 局域变换法原理........ 20
3.4双层尺度数学形态学导数的提出 ........21
3.5结合局域变换法的DSMD特征........ 23
3.6 实验结果与分析........ 25
3.7 本章小结........ 26
4 心拍自动分类模型建立........ 27
4.1 特征提取........ 27
4.1.1 时域特征提取........ 27
4.1.2 小波域特征提取........ 28
4.1.3高阶统计量特征提取 ........30
4.2 数据处理........ 33
4.3基于PSO的RBF-SVM参数优化算法........ 33
4.3.1 PSO算法介绍........ 33
4.3.2 算法实现........ 34
4.4模型实现与结果分析........ 36
4.5 本章小结........ 39
5多生理参数心脏疾病诊断模型........ 40
5.1实验数据介绍 ........40
5.2基于GA算法的特征简化算法........ 40
5.2.1GA算法理论介绍........ 40
5.2.2 算法实现 ........42
5.3 样本数据预处理........ 43
5.4多生理参数诊断模型参数选择........ 43
5.5 本章小结........ 45
结论
计算机辅助医疗自动诊断是近几年来医疗领域的发展方向，其涵盖面十分广泛，应用领域也非常多。而心脏疾病自动诊断是近年来发展最迅速的领域，其主要包括两个方面的内容：一方面是生理信号的自动识别，这些医疗信号以心电信号为主，其它生理信号为辅；另一方面是，生理参数辅助心脏疾病诊断模型的建立，这里的生理参数获取的主要方式是从前者中的医疗信号提取，或者直接从患者身上测得。本文对计算机辅助心脏疾病自动诊断中的这两个方面分别进行了研究，本文的研究以两条主线展幵。第一条为主线心拍自动分类模型的建立是以心电信号为数据来源，其中涉及到心电信号的预处理、心电特征波定位、心电特征提取最后是C-SVM模型的建立。第二条主线为多生理参数心脏疾病诊断模型的建立是以Cleveland数据库为数据来源，该数据库中数据是从心脏病患者中采集的生理参数数据数，主要是考察利用其它生理参数来构建心脏疾病诊断模型的可行性以及不同生理参数多模型建立的重要性。本文的具体工作为：
(1)简要介绍了心电信号处理算法，包括预处理算法以及特征波定位算法，并对算法进行了仿真研究
(2)本文研究了多种心电信号特征波定位算法，并且针对对于数学形态学导数在特征波定位上的不足提出了双层尺度数学形态学导数DSMD概念，并最终利用DSMD结合局域变换法对心电信号特征波进行定位。通过对本文提出的特征波定位算法结果与原有的MMD算法结果进行对比分析，发现本文所提出的定位算法大大提高了特征波定位的准确度。
(3)在心点信号特征波定位的基础上，对心电信号在时域、小波域以及高阶累积量域分别提取了共42维特征作为多分类C-SVM的输入，建立了包括正常心拍、左束支阻滞心拍、右束支阻滞心拍、起搏心拍在内的4类心拍的自动分类模型。在C-SVM模型建立过程中，本文首先利用PSO算法对模型参数进行优化，保证了模型建立的鲁榨性，后采用5折交叉验证来验证模型的正确性。在特征提取部分，本文通过对小波域系数求高阶累积量对小波系数特征进行了简化，并给出数据显示本文中的方法不仅对特征进行了简化还提高了分类的精确度。
参考文献
[1] S. Osowski, Tran Hoai Linh，ECG beat recognition http://sblunwen.com/jsjll/ using fuzzy hybrid neural network,IEEE Trans. Biomed. Eng, 2001，48(11): 1265-1271.
[2] R. Bousseljot, D. Kreiseler. Waveform recognition with 10,000 ECGs， Computers inCardiology, 2000, 27:331-334.
[3] P de Chazal, RB Reilly. A Comparison of the ECG Classification Performance of DifferentFeature Sets, Computers In Cardiology， 2000, 27:327-330.
[4] Farrell RM, Xue JQ， Young BJ. Enhanced rhythm analysis for resting ECG using spectraland time-domain techniques. Computers in Cardiology, 2003， 30:733-736.
[5] Kohler BU, Henning C, Orglmeister R. The principle of software QRS detection. IEEEEngineering in Medicine and Biology Magazine, 2002，21 (1):42-57.
[6] Shyu LY, Wu YH, Hu W. Using wavelet transform and fuzzy neural network for VPC detectionFrom the Holter ECG. IEEE Transactions on Biomedical Engineering, 2004， 51(7):1296-1273
[7]余辉，杜非，张力新.基于形态学的自动QT间期检测方法的研究[J].航空医学与医学工程.2010，2(1) :63-68.
[8]刘金江，王舂光，孙即祥.基于稀疏分解和神经网络的心电信号波形检测及识别[J].信号处理，2011，27(6) ： 843-850.
[9]季虎，孙即祥，王舂光.基于小波变换的自适应QRS-T对消P波检测算法[J].电子与信息学报.2007，27(8) ： 1868-1871
[10] Kumaravel N，Sridhar K S，Nithiyanandam N. Automatic diagnosis of heart diseases usingneura network[C]，1996 IEEE proceedings of the Fifteenth Southern on BiomedicalEngineering Conference, Dayton, 1996: 319-322.