一种基于T波积分与总积分作为单个心电周期提取特征的新模式识别方法用于心肌梗死的检测与定位

本文提出一种基于标准心电图（ECG）信号的新方法，用于检测与定位左心室心肌梗死（Myocardial Infarction, MI）。我们引入了两个新特征：T波积分（T-wave integral）和单个心电周期的总积分（total integral），分别从正常与患者的心电图信号中提取。在以往的研究中，我们曾利用体表电位图（Body Surface Potential Map, BSPM）数据中的若干特征来实现该目标，但考虑到标准心电图在临床应用中更为普及，因此本研究将重点聚焦于标准ECG信号的分析。选择T波积分作为特征，是因为T波在心肌梗死中具有重要的形态学变化，其积分值能够有效反映心肌缺血或坏死引起的电活动异常。第二个特征——单个ECG周期的总积分，则基于这样的假设：心肌梗死会改变心电图信号的整体形态，从而导致信号积分值发生变化。通过引入这两个特征，能够较为全面地捕捉到心肌梗死引起的电生理改变。为实现心肌梗死的检测与定位，我们采用多种模式识别方法进行分类分析，包括人工神经网络（Artificial Neural Network, ANN）。其中，选用了一种径向基函数（Radial Basis Function, RBF）网络——概率神经网络（Probabilistic Neural Network, PNN），因其具备良好的非线性映射能力。此外，还对比使用了K近邻（k-Nearest Neighbors, KNN）、多层感知机（Multilayer Perceptron, MLP）以及朴素贝叶斯分类器（Naive Bayes Classification）等分类器。实验数据来源于PhysioNet公开数据库，用于模型的训练与测试。实验结果表明，该方法在心肌梗死定位任务中的测试准确率超过76%，而在心肌梗死检测任务中的准确率则超过94%，表现出较高的分类性能。本方法的主要优势在于结构简单且具有优异的分类精度。同时，通过进一步引入更多有效特征，还可进一步提升分类准确率。综上，本文提出了一种仅基于标准心电图提取的两个特征的简化方法，该方法在心肌梗死定位方面表现出良好的性能，具有较强的临床应用潜力。