Многоуровневый вейвлет анализ в задаче сегментации электрокардиограмм
##plugins.themes.bootstrap3.article.main##
Аннотация
Предлагается алгоритм сегментации электрокардиограмм (ЭКГ) с использованием многоуровневого вейвлет анализа сигналов. Алгоритм был протестирован на примерах кардиограмм, которые были взяты из международной базы данных электрокардиограмм MIT-BIH Arrhythmia Database. Тестовый материал имеет широкий набор форм: нормальные и патологические сигналы, сигналы, осложненные шумами различных частот и мощностей. Точность локализации QRS комплекса ЭКГ составляет 98%, точки J - 95%, T зубца - 86%, P зубца - 80%.
Библ. 6, рис. 5, табл. 1.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:- Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
- Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).
Библиографические ссылки
Abboud S., Sadeh D. (2003), “The use of cross-correlation function for the alignment of ECG waveforms and rejection of extrasystoles”. Computers and Biomedical Research, Pp. 258-266.
Chen H.C., Chen, S.W. (2003), “A moving average based filtering system with its application to real-time QRS detection”. Computers in Cardiology, Pp. 21-28
Pan J., Tompkins W.J. (1985), “A real-time QRS detection algorithm”. IEEE Transactions on Biomedical Engineering, Pp. 230-236.
Qiuzhen X., Yu Hen Hu, Tompkins W.J. (1992), “Neural-Network-Based Adaptive Matched Filtering for QRS Detection”. IEEE Transactions on biomedical Engineering, Pp. 317-329.
Rangayian R.М. (2007), “Biomedical signal analysis. A case-study approach”. Moskva.: Fizmalit, P. 440. (Ukr)
Smolencev N.К. (2005), “Wavelet theory basic. Introduction to MATLAB”. Moskva.: DMK Press. P. 304. (Rus)
