1. 研究目的与意义
近年来，我国生活生产方式发生了很大的变化，心血管疾病的发病率和死亡率逐年升高，因此迫切需要一种工具精准诊断心血管疾病类型。
一方面，人们对移动医疗认识的加深和相应技术的逐步提高，便携式移动心电测量设备逐渐成为民众日常首选心电监测工具，而对其配套的心电自诊断算法也提出了更高的要求。
另一方面，医院传统的诊断方法是医生通过分析心电信号，根据自己的经验和有关资料来诊断，受限于医生的认知水平以及主观因素，面对动态变化且数据庞大的心电信号，传统医疗方式容易导致误诊。
2. 研究内容和预期目标
- 研究目的：设计并实现一个执行效率高、特征提取有效、疾病诊断准确的 qＲs 波群检出算法，该算法可以防止Ｒ波的漏检、多检，同时在移动心电监护系统上实现心率失常性的自诊断分析。
- 解决问题：基于前人研究，选用精度较高的小波变化的qrs波检测算法，对ecg心电信号进行特征提取，应用三种深度学习方法，对给定两种疾病数据进行分类，并对比精确度，进而对测试集作出疾病的预测和分类。
- 写作提纲：依次按照以下步骤展开：选题背景，研究现状及分析，数据介绍，数据预处理，基于小波变换的qrs特征提取，运用logistic回归、bp神经网络以及基于k-cv的svm三种自动分类诊断模型对已知两种疾病进行分类和对测试集的预测。
3. 国内外研究现状
- 心电滤波的研究现状
目前，已经有很多专家学者在心电滤波方面做了大量的研究，主要有硬件电路优化设计和软件数字滤波两大类。硬件电路优化方法一定程度上能滤除一部分干扰，但由于硬件电路的不可变性和心电信号干扰的多样性，硬件滤波效果并不明显，因此仍需软件来滤波。软件滤波主要是通过编程在计算机上实现，主要包括各种经典的数字滤波方法和以小波变换、数学模型为代表的现代滤波方法。总体来说，ecg 心电信号去噪预处理算法的发展已经相当完善，针对心电信号的高频、工频和基线漂移等干扰均有相应有效的滤波方法。
- 心电信号自动分类识别的研究现状 基于心电信号直观形状特征的分类方法和基于波形内部特征参数的分类方法是目前心电自动分类识别的两种重要方法，这两种方法各有优缺点。基于波形形状特征的方法简单直观，容易被人接受，但由于波形容易受各种噪声干扰的影响以及病态波形的存在，使得波形多样，对波形的拟合较复杂，因此分类识别的模型不容易建立。唐孝等通过选用支持向量机算法并对相应的核函数和相关参数进行不同程度的优化，首次将 svm 系统地用于心电图分类识别，通过 mit-bih 心电数据库验证，得到了很高的分类准确率。另外，目前改进的 bp 神经网络模型进行心脏早搏现象的识别，也可以达到满意的效果。 虽然对心电信号自动分类的研究已经很成熟，但由于波形的多样性和复杂性以及个体的差异性，国际上并没有一个统一的分类判别标准。
4. 计划与进度安排
分析心电信号是目前诊断冠心病、心肌梗死、肺源性心脏病等心血管疾病的主要方法之一。本文拟选用小波变化法提取QRS特征波，利用Logistic回归、BP神经网络以及基于K-CV的SVM三种自动分类模型进行分类和预测。
- 首先对心电信号的噪声进行预处理：噪声来源主要是人体的呼吸运动以及电极接触皮肤导致心电信号产生基线漂移、体的肌肉组织颤动导致心电信号产生肌电干扰、交流电设备产生工频干扰，使用小波变换法有效滤除信号的低频基线漂移、工频干扰及肌电干扰等不同频率的噪声,而且不影响原始信号的重要信息。
- 对已有特征数据进行分类，基于冠心病、心肌梗死的心电信号进行分类处理，运用Logistic回归、BP神经网络以及基于K-CV的SVM三种自动分类诊断模型，判别分类器的性能。
- 给定特征数据作为测试集，利用上述分类准确度最高的分类器，对输入的数据集对疾病进行分类和判别。
5. 参考文献
[1]侯晓晴,仝泽友,刘晓文.基于改进小波变换的QRS特征提取算法研究[J].现代电子技术,2020,43(13):57-61.[2]杨旭东. 基于小波变换的ECG信号特征参数提取研究[D].电子科技大学,2020.[3]张存亮,张培茗,白宝丹.一种基于特征增强的自适应阈值R波检测算法[J].软件,2020,41(03):74-78.[4]秦钦. 心电信号特征提取、稀疏表示与异常心拍识别[D].东南大学,2019.[5]陈耿铎,曾有灵,李喆.自适应双阈值心电信号检测算法研究[J].暨南大学学报(自然科学与医学版),2018,39(03):262-268.[6]季春林. 基于特征匹配的心电数据分类算法的研究与应用[D].哈尔滨工业大学,2014.
