資源描述：
《心率變異性分析方法的研究和應(yīng)用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、碩士學(xué)位論文心率變異性分析方法的研究和應(yīng)用作者姓名饒靜學(xué)科專業(yè)通信與信息系統(tǒng)指導(dǎo)教師史景倫教授所在學(xué)院電子與信息學(xué)院論文提交日期2015年4月StudyofHeartRateVariabilityAnalysisMethodsandApplicationDissertationSubmittedfortheDegreeofMasterCandidate：RaoJingSupervisor：Prof.ShiJingLunSouthChinaUniversityofTechnologyGuangzhou,China
2、分類號：TP391學(xué)校代號：10561學(xué)號：201220108679華南理工大學(xué)碩士學(xué)位論文心率變異性分析方法的研究和應(yīng)用作者姓名：饒靜指導(dǎo)教師姓名、職稱：史景倫教授申請學(xué)位級別：工學(xué)碩士學(xué)科專業(yè)名稱：通信與信息系統(tǒng)研究方向：通信網(wǎng)絡(luò)理論與技術(shù)論文提交日期：2015年4月23日論文答辯日期：2015年6月8日學(xué)位授予單位：華南理工大學(xué)學(xué)位授予日期：年月日答辯委員會成員：主席：委員：華南理工大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨立進行研究所取得的研究成果。除了文中特別加以標(biāo)注引用的
3、內(nèi)容外，本論文不包含任何其他個人或集體己經(jīng)發(fā)表或撰寫的成果作品。對本文的研究做出重要貢獻的個人和集體，均己在文中以明確方式標(biāo)明。本人完全意識到本聲明的法律后果由本人承擔(dān)。作者簽名日期：2小年6月丨0日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，艮P:研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)單位屬華南理工大學(xué)。學(xué)校有權(quán)保存并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許學(xué)位論文被查閱（除在保密期內(nèi)的保密論文外）；學(xué)?？梢怨紝W(xué)位論文的全部或部分內(nèi)容，可以允許采用影印、縮印或其
4、它復(fù)制手段保存、匯編學(xué)位論文。本人電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致。本學(xué)位論文屬于：□保密，在_____年解密后適用本授權(quán)書。s不保密，同意在校園網(wǎng)上發(fā)布，供校內(nèi)師生和與學(xué)校有共享協(xié)議的單位瀏覽?，同意將本人學(xué)位論文提交中國學(xué)術(shù)期刊（光盤版）電子雜志社全文出版和編入CNKI《中國知識資源總庫》，傳播學(xué)位論文的全部或部分內(nèi)容。(請在以上方框內(nèi)打“十）作者簽名：.日期：指導(dǎo)教師簽名：日期ZcIS.W-!0摘要心率變異性（HRV）是指心率或者心跳變化的快慢隨時間所發(fā)生的細(xì)微差異，能夠反映出人體自主神經(jīng)，交感神經(jīng)和
5、迷走神經(jīng)對心血管系統(tǒng)調(diào)節(jié)能力的強弱和變化，同時可以用于分析心臟做功的強度。由于HRV能夠有效的從心臟活動是否正常來反映出人體的身體狀態(tài)情況，如果能有效的檢測出HRV信號的特征值如RR間期，功率譜密度，就能夠利用這些特征信息來判斷和預(yù)測相關(guān)的心血管疾病并提出有效的治療方案。本文首先以小波變換為基礎(chǔ)，對比分析了幾種不同的小波基的信號分解效果，分析結(jié)果發(fā)現(xiàn)在分解心電HRV信號方面，Db6小波基信噪比增益高，分解效果好。其次，本文在選擇了Db6小波基的基礎(chǔ)上，對比分析了四種不同的基于小波變換的去噪方法包括軟閾值去噪，硬
6、閾值去噪，Garrote閾值去噪和基于改進的Garrote閾值去噪方法。通過分析發(fā)現(xiàn)，基于改進后的Garrote閾值去噪方法在處理心電信號方法有著明顯的優(yōu)勢。再次，本文提出了利用基于小波變換的Mallat算法來實現(xiàn)心電信號HRV的QRS波群檢測，并且提取了RR間期特征信息，然后從MIT-BIH心電數(shù)據(jù)庫中抽取15組心電信號驗證該算法對HRV信號QRS波群檢測效果。最后利用AR模型分析了HRV信號的功率譜，從而提取了SDNN，LF/HF，HR，SDANN，TP，PNN50等幾組HRV信號特征值用于心電信號分類。通
7、過從MIT-BIH抽取的各5組正常心電信號和心律失常心電信號數(shù)據(jù)進行分析，發(fā)現(xiàn)SDNN，LF/HF，HR和PNN50的相關(guān)性較小，可以作為單獨的特征變量用于信號分類。因此本文選擇了SDNN，LF/HF，HR和PNN50這4組特征值進行心電信號的分類識別。本文將HRV特征值的提取方法包括信號的去噪，QRS波群檢測，功率譜分析等方法組合起來，根據(jù)提取的HRV特征值，設(shè)計了基于HRV特征的心電信號分類識別系統(tǒng)界面，從MIT-BIH數(shù)據(jù)庫中抽取了5類心電數(shù)據(jù)進行訓(xùn)練和檢測。本文設(shè)計了三種分類系統(tǒng)：基于決策樹的分類系統(tǒng)，
8、基于BP神經(jīng)網(wǎng)絡(luò)的分類系統(tǒng)，基于支持向量機SVM的分類系統(tǒng)，同時本文對比兩種降維方法：傳統(tǒng)的PCV降維和非負(fù)矩陣分解NMF降維。通過對這兩種降維方法和三種分類算法的組合，進行心電信號分類實驗，結(jié)果發(fā)現(xiàn)本文提出的基于非負(fù)矩陣分解和決策樹的心電信號分類系統(tǒng)準(zhǔn)確率高，具有明顯的診斷優(yōu)勢。同時通過不同心電信號特征值的選擇對比分析，發(fā)現(xiàn)本文提取的基于HRV信號的SDNN，HR，LF/HF，PNN
