胡峻峰，曹 军

(东北林业大学机电工程学院，哈尔滨 150040)

1 概述

如果将正常窦性心律或者室性心动过速(Ventricular Tachycardia,VT)[1]误诊为心室纤颤[2](Ventricular Fibrillation,VF)，病人的心脏将会受到不必要的损伤。相反，如果将VF误诊为VT，结果可能是致命的，这使得VF和VT的正确检测是非常重要的。

目前许多采用不同检测方法的VF自动检测系统，包括时域分析[3]、频域分析[4]、神经网络[5]、小波分析[6]和非线性分析[7]，大多研究者选择时域分析方法，因为该方法相对简单。时域分析包含自相关函数(Auto Correlation Function,ACF)[3]、越限区间(Threshold-crossing Interval,TCI)[3]、时延方法[3]和越限样本计数(Threshold-crossing Sample Count,TCSC)[3]，通常采用功率谱分析，通过观察VF信号的功率谱将VF信号特征化，频谱据范围为4 Hz～7 Hz。其他采用频域分析的方法包括改进振幅分布分析(Mended Amplitude Distribution Analysis,MADA)[8]和多重分形频谱分析(Multifractal Spectrum Analysis,MSA)[9]。随着神经计算领域的迅速发展，学者将人工神经网络应用到VF信号检测中，该技术可解决类与类之间的非线性区分问题[10]。小波转换[11]和非线性分析[12]也已应用到检测和区分VF信号中。虽然这些方法中一部分很有前景，特别在它们的敏感度和专业性方面仍有很大的提升空间，但它们仅可以区分正常窦性节律和VF，而不能很好地区分VT[13-14]。

综上所述，必须合理地分类与识别VF和VT才能避免不必要的损害，因此，本文提出了一种语义挖掘(Semantic Mining,SM)方法，通过提取频率、衰减系数和输入信号等信息来特征化VT和VF。

2 基于巴特沃斯通带滤波器的语义挖掘方法

2.1 ECG滤波器和二进制脉冲

原始心电图(Electrocardiogram,ECG)[15]信号通常含有噪声，会影响某些ECG识别系统识别ECG信号模式的能力。ECG噪声包括肌肉噪声、电极运动引起的人造噪声、电源线干扰噪声和基线漂移。……