恶性心律失常(Life-threatening ArrhSB203580化学结构ythmias,LTA)是心肌梗塞、脑梗塞等急性心血管疾病突发前的主要症状,对其及时准确的识别十分重要。脉搏信号中蕴含着有关心血管系统丰富的生理和病理信息,从脉搏信号中提取的脉搏主波间期(Pulse-to-Pulse Intervals,PPIs)能反映人体心血管系统的节律变化,可用于LTA识别。因此,本课题基于PPIs信号开展LTA识别技术研究。对PPIs信号分析,从中提取显著性变化特征,基于机器学习方法对LTA进行识别。主要研究成果如下:1.针对高噪Mechanistic toxicology声和干扰背景下PPIs准确提取问题,提出了一种脉搏信号滤波、周期分割和干扰段判别相结合的PPIs提取方法。首先,采用整系数滤波方法对脉搏信号进行滤波,抑制其中的噪声和干扰;然后,提出一种改进的自动多尺度峰值检测方法对脉搏信号周期进行分割;最后,提出一种基于决策树(Decision Tree,DT)的干扰段判别方法对分割后脉搏波进行质量评判,获取精准的PPIs。使用该方法对“MIMIC/Fantasia”和“the 2015 Physiology Net/Cin C Challenge”数据库中的109组脉搏信号提取PPIs,结果表明,所提出的方法对PPIs提取的准确率在99%以上。2.针对PPIs中显著性变化特征提取速度慢的问题,提出了一种基于微处理器数据更新特点的快速特征提取方法。分析均值、标准差、差值均方根、归一化差值均方根、PPIs信号相邻采样点之间的时间间隔大于40ms的百分比(PNN40)、近似熵、样本熵以及排列熵八种显著性变化特征的计算过程,依据微处理器数据滑窗的更新过程对这些特征的计算过程进行改进。结果表明,相比于改进前Telaglenastat试剂方法,改进后方法在保证准确率的前提下,可实现特征单采样点步长的在线提取。3.针对LTA的智能识别问题,提出了一种基于LTA非突发段信号PPIs分析的智能方法。首先,采用改进快速特征提取方法从PPIs中提取显著性变化特征;然后,采用BP神经网络、极限学习机和DT对LTA识别。结果表明,DT分类器对LTA的识别性能最好,其平均准确率达到了97%以上。4.研制LTA检测的原型样机,对所提出的方法进行在线验证。样机主要由下位机和上位机组成,下位机实现脉搏信号采集和在线滤波,上位机实现PPIs信号及其显著性变化特征提取,并基于训练的DT模型对人体的健康状态进行检测。结果表明,所提出的方法可…