一、课题背景
心血管疾病是当今危害人类健康的主要疾病之一,心电图（ECG）检查是目前临床上诊断心血管疾病的重要手段。利用计算机对心电信号进行自动准确的分析一直是国内外学者研究的热点,而心电图的自动分类又是其中的一个难点。在各种心血管疾病中,室性早搏（PVC）,是一种最常见的心律失常,它的实时、正确检测是心电图自动分析的一项重要技术,对提高心律失常检测、监护系统和动态心电图分析系统的性能起关键作用,对改善心脏病诊断有重要的实用价值。
尽管心电图自动分类的方法众多，但还是存在诊断不够精确的问题。究其原因，还有一个重要问题不容忽视，那就是，心电是低幅低频弱信号，所以噪声对它的干扰较大，如果不加滤波，会因为噪声的加入而影响特征值的质量，降低后续分类的正确率。已应用于 ECG 信号除噪的方法有很多，如形态学滤波法，维纳滤波法，非线性贝叶斯滤波法，小波变换滤波法，Hilbert Huang 变换消噪，和经验模式分解法（EMD）滤波等。其中 Hilbert Huang 法和 EMD 法皆取得了比小波变换更清晰准确的谱结构，但信号的欠包络或过包络将引发其频率混叠问题，而小波重构后可消除很大部分由分解算法产生的混叠。所以课题设计了一种基于小波滤波与人工神经网络相结合的心电图分类模型。
二、研究内容
本文着重研究了应用小波分析这一数学工具及人工神经网络这一模型进行心电信号处理心电图的去噪、复合波检测以及进行心电图的模式分类,所有仿真都是在MATLAB平台下完成。
三、研究目标
能够基于小波变换及人工神经网络理论，实现心电图的精准分类，为心血管疾病的诊断提供更精准的方法。
四、研究方案
心律失常标准数据库是由美国麻省理工学院提供的，用于研究心律失常的数据库。在 MIT-BIH 数据库中，一共包含了 48 条心电数据的记录,取自于 47 个人的心电图（其中 201 条数据和 202 条数据都是来自同一个人）。其中包括 25 个男性患者，他们的年龄是从 32 到 89 岁；22 个女性患者，她们的年龄是从 23 岁至 89 岁，来自住院患者的数据大约有 60%。本数据库中的数据是以 360Hz 的抽样频率进行抽样的，为 n 位精度抽样（范围在 0到 2047 之间）。本课题的心电数据即取自该数据路。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
