1、遠程心電監(jiān)護作為現(xiàn)代醫(yī)療的新興技術手段之一給患者提供了針對心臟疾病的早期預警和及時治療，因此日益得到廣泛的應用。然而由于遠程系統(tǒng)的移動終端由用戶在日常生活中隨身攜帶，使得信號更易受到諸如身體移動，呼吸，環(huán)境變化，運動偽跡等影響，從而造成誤報警。而大量的誤報警可能造成醫(yī)生產(chǎn)生對報警信號的信任缺失，從而忽略真正的報警，延遲甚至于忽視對疾病的診斷，降低了遠程心電監(jiān)護的效果和意義，浪費大量寶貴的診療資源。因此，在使用心電信號診斷之前，應先將其分

2、為可用于和不可用于醫(yī)療診斷兩類，即質(zhì)量評估，是十分必要的。
　　本文詳細分析了心電信號(Electrocardiogram，ECG)的線性與非線性特征，并根據(jù)這些特征在信號質(zhì)量環(huán)境中的不同反映，進而得到多個質(zhì)量指標，然后結(jié)合模式識別算法如支持向量分類機(Support vector machine，SVM)，對信號質(zhì)量進行評估分類。然而，目前對心電信號質(zhì)量指標的分析與獲取存在三個方面問題需要進一步深入研究:一方面，信號特征空間的擴

3、展，即信號特征種類的增多。心電特征不僅僅局限于目前常用的波形特征和頻域功率譜特征，而應該擴展到非線性空間，即分析信號的非線性特征，如熵(Entropy)，Lempel-Ziv(LZ)復雜度，李雅普諾夫指數(shù)等。特征空間的擴展能更加全面的反映信號的固有性質(zhì)，再者心電信號本質(zhì)上是一種非線性信號，因此對信號進行非線性分析能更準確地展現(xiàn)信號所含信息。另一方面，信號非線性特征的度量算法還需要提高精度和進一步研究。尤其是熵與LZ算法都是時間序列復雜度

4、的測度，然而它們對于序列復雜度的定義不盡相同，這說明它們所測度的時間序列的信息并不一致，進而影響到它們在質(zhì)量評估中的使用方式也不同，但是熵與LZ復雜度在信號質(zhì)量評估中的使用準則和方式，尚無研究明確給出，因而需要深入分析才能正確使用這些算法，提高分析精度;對于LZ算法而言，其所測度的是序列的隨機性，而其又往往將隨機性與非線性混沌特性混淆在一起，因此對于該算法還要進一步的改進。再一方面，增加從信號的每一個特征中所提取的質(zhì)量指標個數(shù)。目前相當

5、多的研究中，對于信號的每一種特征僅僅得到一種質(zhì)量指標。事實上這并不能完全反映該特征所承載的信息，甚者若設置或閾值選擇不當，還會遺漏了該特征信息，造成該特征對于信號分析起不到任何作用，這是因為每個信號特征有多種表現(xiàn)形式。因此不能從一個信號特征中只得到一種質(zhì)量指標，而應該盡可能地提取多個指標，從而盡量少的遺漏該特征所反映的信號所含信息，如從信號的基線特征中，不僅可以得到信號基線的最高電壓指標，也應該提取基線的一個時間窗口內(nèi)持續(xù)電壓作為指標。

6、這是因為有些心電發(fā)生基線漂移時，表現(xiàn)為基線在某點具有相當大的電壓值，有一些則表現(xiàn)為心電基線在一個時間段內(nèi)持續(xù)具有較高電壓。本文正是基于以上問題進行研究，在對移動心電信號噪聲研究分析的基礎上，提出并使用了信號時、頻域特征所衍生的六個質(zhì)量指標，結(jié)合支持向量機進行質(zhì)量分類。研究結(jié)果表明，信號時頻指標在質(zhì)量評估中可以得到較好的結(jié)果，然而其泛化能力較弱，分類精度不高。本文在給出了心電信號噪聲模型的基礎上，進一步分析心電信號的非線性特征，如多尺度樣

7、本熵(多尺度熵，Multi-scale entropy, MSE)與LZ復雜度算法，給出了這些算法在質(zhì)量評估環(huán)境中的應用原則與方法，在理論上完善了這兩種算法;并提出了一個新的編碼式LZ(Encoding LZ，ELZ)復雜度算法，從理論上完善了多尺度熵與LZ復雜度，并對LZ算法進行了有效的創(chuàng)新。最終本文分析并給出非線性特征所衍生的質(zhì)量指標，融合了時頻指標，結(jié)合支持向量分類機評估了移動心電信號質(zhì)量。由于在研究過程中大量用到心電信號噪聲模型

8、，而為了得到貼近真實的仿真信號，噪聲源模型是一個重要因素，因此本文進一步的對心電信號噪聲源模型做了分析，并給出了一種基于時變自回歸(Time-varingautogression，時變AR)模型的噪聲源模型。本文研究所得出的結(jié)論對于移動心電質(zhì)量評估有重要的理論指導意義，對進一步的度量時間序列的不規(guī)則性具有促進作用。
　　論文主要工作如下:
　　1.詳細分析了移動心電的時、頻域特征，包括導聯(lián)脫落，基線漂移，R波檢測，功率譜等，

9、從這些特征中針對性的分析得出了六個質(zhì)量指標，同時結(jié)合支持向量分類機去評估信號質(zhì)量。研究表明，來自于波形特征和頻域功率譜的質(zhì)量指標較為明顯且計算簡單，能較好地反映信號所含信息，對信號中所含噪聲有一定敏感性。然而其泛化能力較弱，評估精度難以進一步提高。
　　2.詳細分析了多尺度熵，LZ復雜度算法在移動心電信號質(zhì)量評估應用環(huán)境中的應用?？疾炝硕喑叨褥嘏cLZ算法對心電信號中不同類型噪聲含量的敏感性與變化趨勢，針對性的提出了多尺度熵與LZ復

10、雜度在應用于信號質(zhì)量評估時，應該遵循的準則和使用方法。研究表明，多尺度熵與LZ復雜度都能反映信號中噪聲含量，但對不同類型噪聲的敏感性不同，且當用于信號質(zhì)量評估時，多尺度熵的尺度因子有一定的取值范圍，且信號也應做相應的預處理。
　　3.針對LZ復雜度算法混淆了信號的不規(guī)則性與混沌特性，從而導致其在質(zhì)量評估中的誤差，首次提出了一種新的ELZ算法。ELZ將原始時間序列轉(zhuǎn)換為八狀態(tài)的字符序列，從而避免了傳統(tǒng)LZ復雜度中二值化序列產(chǎn)生的過粗

11、?；瘜е碌男蛄行畔G失現(xiàn)象，和多狀態(tài)LZ復雜度的狀態(tài)過多引起的計算量增加。研究結(jié)果表明，該算法能較好的區(qū)分信號的不規(guī)則性與混沌特征，能夠更準確地反映信號中的隨機成分含量。
　　4.融合心電信號的線性與非線性特征，提出19個質(zhì)量指標，并結(jié)合最小二乘支持向量分類機對信號進行質(zhì)量分類。研究表明線性質(zhì)量指標與非線性質(zhì)量指標融合能較為全面的反映信號所含信息，尤其是非線性指標對于那些時頻指標不能區(qū)分的信號具有良好的分辨率。
　　5.針對

12、目前遠程醫(yī)療所采集的移動心電信號，詳細分析其噪聲特點。由于研究工作需要在許多仿真心電信號上進行實驗，因此必須構建貼近真實的心電信號噪聲模型。本文分析并給出了三種噪聲源模型，分別是用不同頻帶的色噪聲模擬真實心電噪聲的噪聲源模型和用MIT/BIH數(shù)據(jù)庫提供的有限長且單一的真實心電噪聲作為噪聲源模型，以及一種新的基于時變自回歸(time-varyingAutoregressive，AR)模型的噪聲源模型。從而為進一步的研究做了實驗基礎和準備工