摘 要：对ECG信号建议了基于ARMA-APARCH模型的特征提取新方法。经过对ECG信号进行预处理后，采用神经网络分类对MIT-BIH数据集的三种ECG信号进行数据挖掘，统计表明基于ARMA-APARCH模型和神经网络分类的心电识别精度较高。

关键词：ARMA-APARCH模型;神经网络分类;特征提取;心电数据挖掘

中图分类号：O212;TP18文献标识码：A

ECG Mining based on ARMA-APARCH Model

and Neural Networks Classification

Li Qiong

Department of Electronic Information，Huishang Vocational College，P.R.China AnhuiHefei 231201

Abstract：The new method of feature extraction of ECG signal is proposed based on ARMA-APARCH model.The new feature extraction method is used to cluster analysis of three kinds of ECG signals of MIT-BIH after preprocessing the ECG signal.Statistics show that the accuracy of clustering after feature extraction based on ARMA-APARCH model.

Key words：ARMA-APARCH model;Neural Network classification;Feature extraction;ECG Mining

一、緒论

ECG信号蕴含着富有价值的心脏和心室系统功能方面的信息，它是一种重要的医学辅助诊断技术。ECG信号的重构是诊断的主要过程，也是增强冠状动脉的主要任务。近些年来，关于ECG信号的分类涌现出许多方法。对于同一个病人来说，在一定程度上ECG波形可能会呈现出不同的图形，但是不同类型的心跳却是相似的，由于数据量过大，评价冗长且耗时，一般完成一次ECG模式和心跳变化信号的诊断，要花费几个小时。因此，在临床应用中需借助计算机辅助系统设计完成诊断，其中，最常用的是采用人工神经网络技术。

MIT-BIH数据库资料表明心血管疾病都伴随着心室性早期收缩（PVC）。医生需要从心电信号中找出心律失常的信号，而如何从心电信号诊断出心率失常具有十分重要的意义。MIT-BIH标准数据库中主要有以下几类ECG信号分类[2]，具体为：正常窦性心律（NSR）、心室早期收缩（PVC）、室上性心动过速（SVT）、心室性心动过速（VT）、心房早期收缩（APC）和心室纤维性颤动（VF）。

本文建议采用ARMA-APARCH模型先对ECG信号序列进行了特征提取，为进一步ECG信号聚类和分类做好准备工作，利用提取的心电特征，再运用神经网络方法进行分类。……