2019.1.22 文献阅读日记,内容理解篇 :用于无监督医疗检测的自动心电图噪声监测和分类系统《Automated ECG Noise Detection and Classification Sy...

本文提出了一种用于无监督医疗检测的自动心电图噪声监测和分类系统,结合改进的集合经验模式分解(CEEMD)、短期时间特征提取和基于决策规则的分类算法。改进的CEEMD算法降低了计算负荷,提高了心电图信号的分解效率。通过提取高频和低频信号的时间特征,如最大绝对振幅、零点个数和自相关函数,实现了基线漂移、肌肉伪影和电力线干扰等噪声的检测和分类。实验表明,该框架在检测和分类心电图噪声方面具有高灵敏度、正预测性和准确性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

 

以下是对文章内容的理解,在这里做个笔记,便于回顾,没有什么技术含量,就是一个学习日记笔记,嘻嘻。

 

 

文章内容的思路:

 

一、框架包括:

1.改进的集合经验模式分解 modified ensemble empirical mode decomposition (CEEMD),CEEMD全称为 complete ensemble empirical mode decomposition,完全集合经验模式分解。

2.短期时间特征提取

3.基于决策规则的噪声噪声监测和分类

 

二、框架的处理步骤:

1.首先使用修改的CEEMD算法分解ECG信号,区分ECG分量与噪声和伪像。

2.根据提取的高频HF和低频LF信号计算诸如最大绝对幅度,零交叉数,和自相关函数的局部最大峰值幅度的短期时间特征。

3.提出了一种基于决策规则的算法,用于检测噪声的存在,并将处理后的ECG信号分为六个信号组:

(1)无噪声心电图 noise-free ECG,

  (2)基线漂移心电图 ECG+BW,

(3)肌肉伪迹心电图 ECG+MA,

(4)电力线干扰心电图 ECG+PLI

(5)基线漂移电力线干扰心电图 ECG+BW+PLI

(6)基线漂移 肌肉伪迹心电图ECG+BW+MA

 

该框架简化了单个和组合ECG噪声的检测和分类流程,如下图(文献原图):

 

       上图说明了该框架的主要组成部分,用于检测和分类的单一和组合心电图的声音。本节提出了一种改进的具有新的停止准则的完全集成经验模态分解(complete ensemble empirical mode decomposition, CEEMD)算法,并讨论了与传统的CEEMD算法相比,所提出的停止准则在显著降低计算负荷方面的优势。

       然后,描述了该框架的主要组成部分,包括(一)心电信号和噪声分离;(二)短期时间特征提取;和(三)基于噪声检测与分类的决策规则。

 

 

 

       当然为了方便理解,我还搜索了网上的资料,然后看到了大神的智慧的结晶,如下图(为表尊重,附上大神的博客链接,方便以后看      https://blog.youkuaiyun.com/Couragebelief/article/details/75339460):

 三、相关工作和动机:

       本文已采用各种策略来处理由于噪声和伪影引起的高误报率问题:

     (1)基于ECG去噪的方法来抑制ECG记录中的噪声和伪影

     (2)基于信号质量指数SQI的方法来评估记录的ECG信号的临床可接受性

 具体内容如下:

(1) 基于心电图去噪的策略:

      为了降低误报率,基于移动平均值和中值滤波器,频率选择滤波器,自适应滤波器,维纳滤波器,多项式滤波器,奇异值分解,提出了各种心电图去噪方法SVD,离散余弦变换DCT,离散小波变化DWT,切换卡尔曼滤波器,经验模式分解EMD,非线性贝叶斯滤波器NBF,数学形态学算子MM,主成分分析PCA,独立成分分析VMD,和EMD小波方法,用于出去单个组合的县点图噪声源。

      评估结果表明,由于ECG信号的低频分量衰减,基线漂移消除方法可能会使ST段失真。结果进一步表明,简单的滤波器不足以消除严重的EMD噪声,而不会扭曲ECG信号的幅度、持续时间、间隔和形状特征。基于EMD的去噪方法在QRS波群的开始和结束时,引入显著的失真,这可能导致QRS波群扩大。

(2)基于信号质量评估的策略:

      除降噪策略外,还采用信号质量评估SQA策略来解决误报问题。文献中简要介绍了用于评估ECG信号质量的特征提取方法如下(这里只是列举,文章没有扩展,我的日记当然我会在后面添加,尽量的做到我自己满意吧,菜鸟上到,前方高能,啊哈哈。):

1】基于频谱信号表示和相关性提出了基于调制频谱的ECG质量指数

2】基于心率,RR期间特征和末班匹配的信号质量指标

3】基于连导,决策树和SVM分类之间的互相关的ECG质量估计方法

4】使用七个SQI研究了ECG质量评估方法,这七部分是:

     1]峰度 kSQI

     2]偏度 sSQI

     3]QRS波群中的相对功率 pSQI

     4]基线中的相对功率 basSQI

     5]wqrs检测到的节拍与eplimited (bSQI)检测到的节拍匹配的比例

     6]eplimited与wqrs (rSQI)检测到的拍数之比

     7]由与五个主成分相关的特征值之和与经时向心电图周期(pcaSQI)主成分分析得到的所有特征值之和和SVM分类器构成的比率

5】基于检测到的PQRST复合波的集合平均和来自ECG信号的每个PQRST复合波的平均PQRST复数减去的ECG信号质量分析

6】七种信号质量指数(iSQI,bSQI,fSQI,sSQI,kSQI,pSQI,basSQI)和多层感知器(MLP)和SVM分类器,用于确定ECG信号的临床可接受性

7】不依赖于特定形态特征的多通道自适应滤波的点到点信号质量指数(SQI)心电图beat-by-beat分析

8】一种改进的基于相关性和多样性的心电信号质量测量方法

9】一种基于阈值的噪声检测系统,该系统采用6个并行滤波器分支对不同频段的心电图振幅和斜率进行分析

10】基于QRS特征与心率相关性均值和中值的心电信号质量测量方法。

11】一种利用时间特征(转折点、动态范围和预测误差)进行心电信号质量评估和电极放置的方法

12】基于鲁棒最优子集线性预测特征的心电图质量评估方法

    小结:

               大多数方法都是基于QRS复合物检测器和心电图形态学和间期特征开发的,这些特征依赖于使用两个开源QRS检测器准确可靠地测定心电图信号中的r峰(eplimited和wqrs)。

               由于ECG频谱与噪声显著重叠,因此某些ECG局部波和复合波的提取特征模型可能类似于噪声和伪像的特征模型。

               基于机器学习的SQA方法高度需要大量的ECG信号和噪声数据库,以充分捕捉不同心电图节拍模式和各种噪声和伪像的独特特征。

 

四、目标和主要贡献:

         本文献研究表明,单一信号处理技术不足以消除ECG信号中的不同类型的噪声和伪影。

         实验去噪结果表明,每种滤波技术都可能引入不同类型的波形失真。

         重要的是确定局部噪声ECG部分的边界,以标记为不可靠的测量值或者从特征提取中丢弃有噪声的ECG段。

         静息、走动和运动心电图记录条件下的实时ECG信号分析和诊断系统而言是非常重要的设计考虑因素。

  

         本研有四个主要目标:

       (1)与过去的SQA研究不同,我们的目标是提出统一的心电噪声检测,定位和分类框架,(据我们所知,没有系统框架可以对ECG信号中存在的噪声和伪像进行自动检测,定位,和分类),在减少误报率和选择噪声特定信号处理(或噪声模型)技术有效去除噪声方面具有巨大的潜力心电信号。

       (2)为了减少常用CEEMD算法的计算负荷,我们在迭代过程中引入了新的停止准则,如零交叉数(NZC)和最大绝对振幅(MAA)。

       (3)探索短期时间特征提取,用于基线漂移(BW)、肌肉伪影(MA)和电力线干扰(PLI)的检测、定位和分类。

      (4)建立了基于决策规则的分类算法心电图信号分为6组:无噪声心电图、心电图+BW、ECG+MA, ECG+PLI, ECG+BW+PLI, ECG+BW+MA。

 

            评价结果表明,该框架在检测和分类心电信号中存在的噪声和伪影方面具有较高的灵敏度、正预测性和准确性。

 

 

五、结果:

      所提出的的框架在五个基准ECG数据库和实际ECG信号上进行了严格的评估,所提出的的框架不仅比当前最先进的方法实现了更好的噪声监测和分类,而且还准确的定位了具有低端点描绘误差的短脉冲噪声。

 

六、意义:

      对基准数据库的广泛研究表明,所提出的框架更适合于降低误报率并在自动ECG分析应用中选择适当的噪声特定去噪技术。

 

 

 

文献主要内容整理:

 

 A.修改CEEMD算法:

         有几种技术可以将心电图信号分解成几个子信号。经验模态分解(EMD)是一种自适应时频分析技术,被广泛应用于将复杂的多分量信号分解成若干个快速和缓慢的振荡,称为固有模态函数(IMFs)。

         为了克服基本EMD和集成EMD (EEMD)技术的不足,提出了完整的集成EMD技术。例如基本EMD的模态混合问题,在同一个IMF中存在不同的振荡,或者在相似振荡中存在的类似的不同的IMFs。产生不同数目的固有模式函数IMF;

          在信噪比较低的情况下,重构信号分解后含有残余噪声。Torres等人提出了CEEMD算法,该算法在提取后续固有模态函数后,将高斯噪声的不同实现方式加入到剩余信号中。

经证明,CEEMD算法对原始信号进行了精确的重构,并对模式进行了改进的谱划分,其所需的筛选迭代次数不到EEMD算法的一半,从而降低了计算成本。

       通过应用CEEMD算法,信号自适应分解为有限的固有模式函数(或振荡模式)和残留,在分解过程直到获得被分解残留不再是可行的(一个常数或单调的斜坡,或只有一个极值)或达到预定的阈值。

           低阶IMFs捕获肌肉伪影、电源线干扰和记录仪器噪声引起的高频噪声的快速振荡模式,而高阶IMFs通常捕获基线漂移的慢振荡模式。

          最后的残差表示信号的趋势分量。为了减少传统CEEMD算法的计算量,本研究拟探讨IMF提取过程中残差的零阶数和慢振荡模式的大小。

       在改进的CEEMD算法中,当满足以下任一停止准则时,即当前残差的大小小于预先设定的阈值,或当前残差的零点个数(NZC)小于预先设定的NZC值时,分解过程终止改进的CEEMD算法的结果产生了有限的IMFs集和基线漂移的残差。根据基线漂移慢振荡的最大绝对振幅和零点个数等时间参数,选择预先设定的停止准则阈值。通过考虑频率小于1 Hz的基线漂移和严重基线漂移的大小,选取NZC为10,MAA为0.1 mV,将基线漂移与心电图分量、MA、PLI噪声进行区分。

      对于给定的输入ECG信号x[n],改进的具有新的停止准则的CEEMD算法可以总结为:

       1)获得不同的体现形式的信号加上标准偏差为

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值