智能诊断
-
-
-
-
-
基于小波变换的ECG信号去噪与心律失常分类系统
本项目旨在构建一个高精度的医疗信号处理平台，专门用于解析和诊断心电图（ECG）数据。系统首先采用基于离散小波变换（DWT）的软阈值去噪算法，有效分离并去除原始信号中的基线漂移、工频干扰和肌电噪声，显著提升信号信噪比。在预处理基础上，整合Pan-Tompkins算法与自适应阈值逻辑，实现对QRS波群的精准定位及R波峰值的自动检测，从而精确计算瞬时心率和RR间期。项目进一步提取心电信号的时域特征（如QRS宽度、ST段偏移）和频域特征，结合机器学习算法（如支持向量机SVM或K近邻KNN）构建分类模型，实现对正常心律、室性早搏（PVC）、房颤等常见心律失常类型的自动识别。此外，项目包含基于MATLAB App Designer开发的交互式用户界面，支持数据导入、波形实时缩放查看、特征点手动修正及诊断报告生成，适用于心脏病辅助诊断及可穿戴监护设备算法的验证与仿真。 -
基于小波变换与CNN的心电信号自动诊断系统
本项目开发一个集成化的心电图(ECG)信号处理与分析平台，旨在辅助医生进行心血管疾病的自动检测与分类。系统不仅仅是对信号进行简单的显示，而是包含完整的数据处理流水线。首先，系统能够读取MIT-BIH数据库或自定义采集的原始ECG数据，利用离散小波变换(DWT)和自适应陷波器有效去除基线漂移、工频干扰及肌电噪声，显著提高信号信噪比。接着，采用了改进的Pan-Tompkins算法通过差分、平方和积分操作精确检测QRS波群，定位R波峰值，并计算心率变异性(HRV)的时域和频域指标。核心分析模块结合了短时傅里叶变换(STFT)生成的时频图与卷积神经网络(CNN)，对正常心跳、室性早搏(PVC)、房性早搏(PAC)及心房颤动等心律失常模式进行自动分类。此外，项目利用MATLAB App Designer构建了交互式图形用户界面，支持用户动态加载数据，实时观测原始波形与去噪波形的对比，查看自动标记的特征点（P波、QRS波、T波），并导出包含心率趋势、异常心跳统计及分类置信度的综合诊断报告。该系统适用于生物医学工程教学、算法验证及医疗辅助诊断的原型开发。
