• 四川大学 电气工程学院(成都 610065);
导出 下载 收藏 扫码 引用

心律失常的自动检测对于早期预防与诊断心血管疾病具有重要意义。传统的心律失常诊断受限于专家知识,缺乏多维的特征表示能力,算法复杂,不适用于穿戴式心电监测设备。本研究提出基于自回归移动平均(ARMA)模型拟合的特征提取方法,以不同类型心拍作为模型输入,利用 ARMA 模型对心律失常信号以合适的阶数进行系数拟合,完成心电特征提取,并将特征向量分别输入支持向量机(SVM)与 K 近邻分类器(KNN)进行心电自动分类。所提算法采用 MIT-BIH 心律失常数据库与房颤数据库为数据集进行验证,结果表明:ARMA 模型拟合系数组成的特征工程结合支持向量机分类器得到查全率为 98.2%,查准率为 98.4%,F1 指数为 98.3%。该算法具有较高的性能,满足临床诊断需求,算法复杂度低,可采用低功耗嵌入式处理器进行实时运算,适用于穿戴式心电监测设备的实时预警。

引用本文: 闫惠君, 莫思特, 黄华, 刘彦. 基于自回归移动平均模型拟合的高效心律失常自动分类研究. 生物医学工程学杂志, 2021, 38(5): 848-857, 868. doi: 10.7507/1001-5515.202101054 复制

  • 上一篇

    基于小波变换与人工神经网络的麻醉深度计算方法研究
  • 下一篇

    狭窄血管内适形贴壁支架的结构设计及生物力学性能的数值分析