一、课题背景
心脏病的发病率逐年提高，称为严重威胁人类生命的疾病之一，而大多数心脏病患者在平时和发病前都会出现一系列的心率失常现象，在患有心脏病的人群中，心率失常的发病率高达80%-100%。因此，有效的检测和诊断心律失常，对于监测和预防心脏病的发生、提高医生的工作效率都具有重要的意义。目前心电图依然是诊断心律失常最重要的依据。鉴于此，本课题拟开发出一套基于机器学习理论的特征选择方法来对心电信号进行心律失常分类识别。
二、研究内容
针对MIT-BIH心律失常数据，基于机器学习理论，开发一套特征选择方法，从心电数据中提取有代表性的特征，用机器学习的方法对这些特征进行分类训练，最后用测试数据评价分类结果。
三、研究目标
本项目的研究目的是从心电数据出发，利用机器学习理论，结合相关患者住院信息数据，开发出一套对心律失常分类方法，从心电数据复杂的图形中，寻找到一定的规律，并判别患者是否为心律失常。为心律失常的研究提供清晰的分类方法，从而提早发现和预防心脏病并提高诊断效率。
四、拟解决的关键科学问题
（1）心电数据的噪声处理问题
心电信号属于微弱信号，其幅度和能量均较小，极易受到环境的影响，因此通过心电图机直接采集和记录的心电信号中经常混有噪声和干扰。这些噪声中有一部分是测量过程中的人为因素所引起的，如电极脱落、电源线干扰、其他医疗设备的干扰等；还有一些噪声是采集过程中无法避免的，但在信号处理过程中可以通过计算机来进行滤除和抑制的，主要包括：肌电干扰、基线漂移和工频干扰等。噪声问题常常会影响分析的准确性从而导致错误的结论。本课题针对上述存在的问题，计划采用小波变换的手段，对得到的心电数据进行降噪，以提高分析的准确性，得到正确的分析结果。
（2）有效特征参数的提取问题
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。
