📄 ml.htm
字号:
<!ArtChnTitle>
<!ArtChnAuthor>
<!ArtAuthorAddress>
<!ArtChnAbstract>
<!ArtChnKeyword>
<!ArtEngTitle>
<!ArtEngAuthor>
<!ArtEngAbstract>
<!ArtEngKeyword>
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312">
<meta name="GENERATOR" content="Microsoft FrontPage 5.0">
<title>学位论文－心电信号自动分析与诊断处理方法研究</title>
<style>A:link {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:visited {COLOR: #000000; FONT-FAMILY: 宋体; TEXT-DECORATION: none}
A:active {FONT-FAMILY:宋体; TEXT-DECORATION: none}
A:hover {COLOR: #000000;TEXT-DECORATION:none}
BODY {FONT-FAMILY:宋体; FONT-SIZE: 9pt;TEXT-DECORATION:none}
TABLE {FONT-FAMILY: 宋体; FONT-SIZE: 9pt}
.H1 {FONT-SIZE: 9pt; COLOR: #0000cc}
.ourfont {FONT-SIZE: 9pt; LINE-HEIGHT: 14pt}
select {font-size:12px;}
.wx {BACKGROUND: #001863; BORDER-BOTTOM: white 1px solid; BORDER-LEFT: white 1px solid; BORDER-RIGHT: white 1px solid; BORDER-TOP: white 1px solid; COLOR: #ffffff; FONT-SIZE: 9pt; FONT-STYLE: normal; FONT-VARIANT: normal; FONT-WEIGHT: normal; HEIGHT: 18px; LINE-HEIGHT: normal}
.wx1 {border-top: #c0c0c0 1px;border-left: #c0c0c0 1px;border-right:#c0c0c0 1px;border-bottom:#c0c0c0 1px;border-style:inset;background-color:#ffffff;vertical-align:text-bottom}
</style>
</head>
<body bgcolor="#FFFFFF" link="#000000" background="../image/bg.gif">
<img src="../../images/xwlwk.jpg" width="750" height="94">
<table width="83%" border="0" cellspacing="0" cellpadding="0">
<tr>
<td width="19%"><p> </p>
<p></p></td>
<td width="81%"><p>馆藏号：Y800630<br>
<br>
论 文 题 目：<strong style="font-weight: 400">心电信号自动分析与诊断处理方法研究</strong><br>
学位授予单位：西北工业大学<br>
作 者：商卫波<br>
申请学位级别：硕士<br>
学 科 名 称：生物医学工程<br>
指 导 教 师：张泾周<br>
出 版 时 间：20050501<br>
摘 要：<br>
心电信号能够用来分析与鉴别各种心律失常，所以心电信号自动分析技术具有很高的临床价值，是当前国内外学者研究的热点之一。由于心电信号具有非常复杂的非线性特性，增加了分析的难度，使得计算机对心电信号的自动诊断效果还不能达到专家的诊断效果。因此，研究者还在不断地改进传统的方法并探索新的解决方案。<br> 本文就如下几方面进行了深入研究：1.心电信号的预处理首先介绍了几种常用的滤波器设计方法后，本文采用了小波变换去噪方法来消除工频干扰、基线漂移和肌电干扰，以提高心电信号识别的准确率。<br> 2.心电信号特征提取在比较了几种常用的参数提取算法后，采用多分辨率分析方法，并利用Mallat算法对心电信号进行4尺度分解、奇异点检测，最后对心电信号进行精确定位并提取其特征值。<br> 3.心律失常事件自动分类首先介绍了当前主流的模式识别和人工神经网络方法。本文针对正常波形和四种类型的心律失常波形，采用BP神经网络和概率神经网络这两种方法对心电信号进行分类，其中BP神经网络的识别率高达97.62％。<br> 4.对心房纤维性颤动的自动诊断首先提取特征参数，然后计算被测心电信号特征参数与样本的欧式距离，最后采用K—近邻法进行决策。试验结果是敏感度为90.0％，特异度为87.5％，正确性为78.9％。<br>
分 类 号：Q811.4;R540.41<br>
关 键 词：心电信号自动分析;小波变换;滤波;特征提取;神经网络;诊断处理
<p align="center">
<table width="80" border="0" cellspacing="0" cellpadding="0">
<tr>
<td bgcolor="#cccccc">
<table width="100%" border="0" cellspacing="1" cellpadding="0">
<tr style="CURSOR: hand">
<td bgcolor="#CCCCCC" onMouseOver="this.bgColor='#999999';" onMouseOut="this.bgColor='#cccccc';" valign="bottom" height="18" NAME="NAME_BALL" STYLE="cursor:hand" child="FALL"><div align="center"><strong><font size="4"><a href="index.htm">PDF正文</a></font></strong></div></td>
</tr>
</table></td>
</tr>
</table>
</td>
</tr>
</table>
<div align="center"></div>
</body>
</html>
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -