Багаторівневий вейвлет аналіз в задачі сегментації електрокардіограм
Основний зміст сторінки статті
Анотація
Пропонується алгоритм сегментації електрокардіограм (ЕКГ) з використанням багаторівневого вейвлет аналізу сигналів. Алгоритм був протестований, на прикладах кардіограм, що були взяті з міжнародної бази даних електрокардіограм MIT-BIH Arrhythmia Database. Тестовий матеріал має широкий набір форм: нормальні та патологічні сигнали, сигнали, ускладнені шумами різних частот та потужностей. Точність локалізації QRS комплексу ЕКГ складає 98%, точки J – 95%, T зубця – 86%, P зубця – 80%.
Бібл. 6, рис. 5, табл. 1.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
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)
