本文是医学专业论文，主要对面向人体多生理参数的非线性动力特征分析研究。

 

第 1 章  绪   论 

 

1.1  课题背景及研究目的和意义 

一直以来，健康都是人类密切关注的话题之一，同时，伴随着生活及工作压力的日渐增大，亚健康也越来越成为人们关注的焦点。亚健康状态被定义为人的身体情况不是正常状况，但是也没有患有疾病的一种次健康状况[1 ]。据统计：目前全世界约有超过 70%的人处于此状态。世界卫生组织也提出：当前亚健康对人类生命的威胁程度最为严重。在我国，大多数进行脑力活动人们每天的工作压力都特别大，他们需要花费大量的精力不断的思考各式各样的问题，同时他们大部分的时间都是坐在电脑前，很少注意进行身体锻炼，因此，亚健康在这些人中出现的尤其严重[2]。亚健康反映了人体的一种不正常状态，既是将要患病的先兆，也表明了人体步入了早衰的状况，如果处于此状态下的人能够得到适当调理的话，那么他们就可以恢复到健康状态；相反，如果不能适时治理，而是任由其发展下去的话，那么他们则可能会患高血压等各种心脏病。处于此状况下的一些人们，如果情况得不到遏制的话就很容易发生“过劳死”等意外情况[3]。这样就导致了各种心血管疾病的大量爆发，威胁着人们的生命安全。因此，作为反映人体生理状况的主要依据—血压、心电、呼吸和体温等指标就更加受到人们的关注[4 ]。 同样的，血压、心电、呼吸和体温等参考指标，在临床监护中也有十分巨大的参考意义[5]。一般情况下，人体会通过各种反馈方式，维护自身的各项生理活动，维持他们能够正常运行，因此在一定波动内，保证人体正常生理活动的各项生理状况参数基本上是不会产生太大波动的。而如果由于疾病或着其他不可抗拒的原因，致使人体正常的动态平衡活动被打破，并波及到人体其它的生理功能的话，那么机体有可能进入恶循环，最终导致病情逐渐恶化，甚至有会影响到生命安全。因此比较重要的手段就是对人体正常的生理机能和循环功能进行有效的调控，由此可见，对人体的生理状况进行快速准确的检测，尽可能早的发现这些生理参数的前期变化，就具有十分重大的意义。

 

1.2  国内外研究现状 

在现代临床上，医生主要通过对患者的心电图进行分析来诊断患者是否具有某些心脏疾病。然而，如果分析手段及设备并没有达到标准的话，那么就无法进一步谈论对患者的诊断是否准确了。目前由于计算机技术发展的十分迅速，在临床上人们也逐渐利用该技术来实现ECG信号的自动检测分析。从60年代开始，各种常规心电图、动态心电图、心电监护系统等心电数据的检测系统愈加成熟，应用的也越来越广[6]。随之而来的，人们也越来越关注各种自动分析方法的准确性，这种情况下，人们就不断的改进各种相关的分析方法，同时也在不断的提出各种新的理论。 在过去的几十年中，人们已经提出了多种用于自动检测分析心电数据的方法[7]。目前，在对心电信号进行自动检测方面，人们主要关注的是信号参数的计算以及不同类别信号的识别。当然，对心电信号进行检测的前提是我们要对心电信息有充足的认识。然而，由于医学知识更多是靠经验积累获得的，因此对于很多医学问题的认识还不够确切，导致很多医学判断具有概率分布的特性，这使得我们很难找到特定的识别规则[8-10]。这样造成的结果就是，在有些情况下我们可以很容易的对信号进行分类并且给出决策结论，但在更多的情况下我们很难给出唯一的结论。同时，由于各种新的疾病的不断出现，就迫使我们需要不断获得更多的医学经验以及新的诊断知识。而这些新的决策知识的获得，又需要我们去寻找大量的包含诊断案例的数据。在这种情况下，对信号进行自动检测分析的目的就是要设计出一种方法，使其在现有知识经验的基础上，能够达到像识别已知的诊断案例那样来准确识别未知的信号[11]。 

要想对人体的心电信号进行分析诊断，那么我们首先要做的就是对心电信号进行参数提取和波形识别，只有准确可靠的对其作出检测识别，我们才能更好地诊断与治疗心脏病患者。而要想实现这一目标，那么我们就要完成对QRS波的准确定位。因为对QRS波的检测是我们分析人体各种心电信息的基础，同时也只有在检测到QRS波之后，我们才能完成对ECG信号的其它参数（如RR间期、ST段等）进行检测分析。目前，采用较多的QRS波定位方法一般是先对心电数据做一些特殊处理，然后再设置特定的阈值对其进行检测分析，其中这些阈值可以是不变的也可以是变化的。 在利用可变阈值法来进行QRS波定位方面，Pan等人提出来的方法十分典型[12]。该方法的原理大体可以概括成如下内容：首先利用传统的滤波方法对待检测的心电数据进行变化处理，消去或者降低噪声干扰，滤波后的数据再通过差分平方处理，这样可得到信号的斜率参数，同时也可以降低甚至消除高大T波的干扰，然后对信号进行积分处理，依此可以获得信号的斜率参数，以及宽度指标；最后在检测过程中我们设定双重阈值，其中一个用来检测处理后的数据，另一个用来检测初始的数据。同时为了提高算法检测的准确度，在检测的过程中不断调整阈值的大小，使其随信号的波动而不断更新。该算法的优点是利用双阈值进行QRS波定位，能够提高QRS波定位的准确性，而他的缺点则是很少考虑其他分量，并且该方法并没有明确的数学模型，理论基础比较薄弱，几乎完全是根据经验判断而进行的。 

在对QRS波的提取与分类方面，Collins提出了相关法[13]。其原理比较简单，首先选择大量标记好的ECG波形作为指标（其中有正常的QRS波和异常的QRS波），然后将预先设置的模板与待检验的ECG数据逐点比较，如果两者的相关值最大，则认为他们特别匹配。对两者进行比较的方法有很多，而比较常见的包括面积差分法、平均平方法和最小二乘法等。利用相关法的优点表现在不仅可以进行QRS波的定位，同时还能对其进行分类。但是这种方法的缺点也很明显，那就是当我们选择不同的参考点进行匹配时，很容易得到完全相反的检测结果，同时对于高频噪声和基线漂移干扰，此算法也特别敏感。 由于ECG信号的波形复杂多变，导致对QRS波的检测存在很多不确定性，因此人们已经不满足于只是运用传统数学上的处理方法进行检测分析，而是不断寻找着最新的处理方法。同时由于新兴的神经网络所表现出来的越来越多的优点，因此，更多的学者开始将其应用到心电信号的特征检测分析中。

在检测的过程中，利用神经网络的自学习性等特点，不断进行结构参数的自主修正，同时根据检测过程中检测到的信息完成心电信号的自动分类[14]。该方法的优点是相比较其他方法而言，该方法在检测各种各样的ECG特征信息、消除噪声干扰等方面中有明显的优势，同时也能更精确地对ECG信号进行检测分析，但是，此方法的不足就是计算难度比较大。 

 

第 2 章  心电信号分类算法的实证分析 

 

2.1 引言      

近些年来，随着人们对非线性动力学理论研究的不断深入，人们也逐渐将其应用到心电信号的研究中。其中，人们主要利用一些比较常见的动力学参数来具体的计算出心电信号的非线性动力特征值，进而对心电信号进行更深一步的研究分析[25]。 本文将主要利用排列熵、Kolmogorov熵及Lyapunov指数来对三组不同的信号（正常信号、房颤信号和室颤信号）进行检测分析。为了验证方法的准确性，我们从MIT-BIH心电数据库以及AHA数据库中进行数据选择，共选出700例心电数据作为实验对象，分别计算了各组信号的排列熵值、Kolmo gorov熵和Lyapunov指数，然后根据各参数值对心电信号进行特征分类。 要对心电信号进行特征分析，则一定要对算法的检测结果进行讨论，而最直接的方法就是比较各算法对数据监测的准确度、灵敏度、特异性等参数。同时，由于我们进行算法检测时要用到足够的数据来支撑，而基于心电疾病的特殊性，数据标记的准确性也成为我们需要考虑的一个因素。同时根据研究的需要，我们在这里也介绍了心电图的一些常用知识。

 

第 3 章  房颤信号检测的组合算法研究 ........ 22 

3.1 引言 ........ 22 

3.2 QRS 波检测算法  ........ 22 

3.2.1 ECG 信号预处理  ......... 22 

3.2.2 QRS 波检测 ......... 26 

3.2.3  结果分析 ......... 27 

3.3  房颤的检测算法  ........ 30 

3.3.1  检测算法 .......... 30 

3.3.2  算法结果分析 ......... 31 

3.4  本章小结 ....... 32 

第 4 章  多生理信号的特征分析 ........ 33 

4.1  引言  ........ 33 

4.2  呼吸与心电的同步研究 ........ 33 

4.3  快速体温检测算法实现 ...... 36 

4.4  本章小结  ......... 38

 

结   论 

心电、呼吸和体温是反映人体生理状况的重要参数，通过对他们进行检测分析，可以诊断人体的生理状况。本文主要对这三个参数进行了检测及分析，重点放在心电信号的特征检测分析上。 本文的主要工作和研究成果有： 本文利用排列熵、Lyapunov 指数以及 Kolmogorov 熵这三个参数，分别对三种心电信号（正常、房颤和室颤）进行了特征分类，并根据实验仿真的结果进行了统计分析。从统计结果中可以发现，利用这三个参数心电信号进行分类的方法从整体上来看，还是比较好的，尤其是利用排列熵的分类，特异性和灵敏度都非常高。但是，算法同样存在着不足，如对于其中的房颤信号的分类，效果则不是很理想。 综上，本文基本上实现了对于人体多生理参数的检测分析，完成了一个多生理参数检测专家系统的部分功能，但是同样也存在着不足：在对呼吸与体温这两个参数的研究上不够深入，因此，以后将对这两个参数进行更进一步的研究。

 

参考文献 

[1]   祝庆华.  亚健康与保健[J].  保健医学研究与实践，2011，8(4)：92-93.

[2]   许景灿，任小红，李国安.  我国职业人群心理亚健康状态的研究现状[J]. 中华现代护理杂志，2010，16(14)：1734-1736. 

[3]   陈晶，于征淼，赵晓山，罗仁.  中国亚健康研究的现状与分析[J].  中国组织工程研究与临床康复，2007，11(47)：9566-9569.

[4]   王晖 .  医用多参数监护仪的基本原理及使用 [J].  中国医疗器械信息 . 2006，6(4)：15-16. 

[5]   孟亚丽.  四参数生理监护仪的设计[D].  天津：天津大学，2005：12-14. 

[6]   Stemickel,  Karsten.  Auto matic  pattern  recognition  in  ECG  time  series[J] . Computer  Methods  and  Programs  in  Biomedicine,  2002,  68(2):  109-115. 

[7]   Koski  A,  Juho la  M,  Meriste  M.  Syntactic  recognition  o f  ECG  signals  by attributed  finite[J].  Auto matic  Pattern  Recognitio n,  1995,  28(12): 1927-1940. 

[8]   Maglaveras  N ,  Stamkopoulos  T,  Dia mantaras  K.  ECG  pattern  recognition and class ification  using  non- linear  trans formations  and  neura l  networks:  A review[J].  Internatio nal  Journa l  of  Medical  I nfor matics,  1998,  52(1): 191-208. 

[9]   Trahanias,  Skordalak is.  Syntactic  Pattern  Recognitio n of  the  ECG[J].  IEEE Transactions  on  Pattern  Ana lys is  and  Machine  Inte llige nce ,  July,  2008, 12(7):  23-25. 

[10]  Adolf  G,  Lars  L,  Georg  K.  ECO  diagnostics  by  fuzzy  decis ion  mak ing[J]. International  Jour na l  of  Uncertainty  Fuzziness  and  Knowledge - Based Systems,  1998,  6(2):  213-215.