基于深度学习的ECG疾病识别研究

第1章绪论1.1研究背景城市化、老龄化在经济的发展之下进程也进一步加快，人们不健康的生活方式越来越突出，这样就使得引发心血管病的危险因素暴露的越发显著，发病人数一直呈现上升的趋势，心血管疾病在农村的死亡率一直高于城市[1]。据不完全统计，我国心血管疾病患病人数预计突破3亿，心血管病死亡率在各种原因导致的死亡率中占据榜首，平均每10秒钟就有一人死于心血管疾病[2]。更加令人需要注意的是此类数据近些年仍然处于上升状态，尤其是在成年人群，这一数据一直居高不下，中国心血管病的负担日益加重，已经成为迫在眉睫需要解决的威胁公众身体健康的问题，所以加强现代科技技术与医疗技术的结合，加快运用计算机对疾病的识别、诊断进行辅助的步伐尤为重要。在心血管疾病中，突发性心肌梗死成为导致死亡的一大重症。在郝志国[3]（主要从事法医现场勘查、法医病理学、法医临床学检验鉴定工作）对心肌梗塞死亡法医学分析3例中，3例死者都是在经历过打斗之后身体感到有不舒服的感觉，随后立即倒地，并且在短时间内死亡。经尸体检验发现，这3例死者冠动脉严重狭窄，同时研究人员还发现了不同程度的陈旧的、新鲜的心肌梗塞[3]。冠状动脉如果发生了堵塞，就会引起心肌梗塞，进而可能会产生由于供血不足心肌缺血坏死的情况，这个病症在45岁以下人群中产生的概率一直在上升，而此病及时就医是最重要、最有效的手段。随着科技的发展和时代的需求，采用计算机相关技术对医学诊断进行分析和处理已得到越来越多的应用，尤其是对医疗中是否患有某项疾病的图像的识别诊断[4]。心电图（electrocardiogram，ECG）能够反应人体心脏健康状况，是判断是否患心血管疾病的重要依据，在临床上被广泛用于心血管疾病的筛查和诊断[5]。但是，目前仅仅是由临床医生通过心电图波形的变化来进行心血管疾病的诊断的效果还不够理想，还需要专业医师的进一步确诊；但是总是会发生存在一些心电图的特征没有明显异常特征的患者，而是只有在发病或者是病情恶化的时候才呈现明显的病症特有的波段异常特征[6]，这一过程的发生，无疑使得患者确诊以及做出有效的病理措施的时间增加，众所周知在医学诊断中，时间就是生命，也许仅仅一秒之差，可能对于患者来说就是生死关头的问题，所以利用现代计算机技术与心电诊断进行结合以便及时、有效做出诊断对于医生、患者来说都至关重要。世卫组织有统计表明，心血管疾病将成为“头号杀手”，全球每年预计超过1800万的人死于心血管疾病[12,13]，而人们众所周知的死亡率较高的癌症、艾滋病等却还都不如心血管疾病所造成的死亡率。更应该让人们引起重视的是，心血管疾病的发生与年龄、性别等并没有关系，而且近些年青少年发生心血管疾病并导致死亡的案例屡见不鲜，逐渐成为威胁人类健康的重要因素。研究表明，睡眠质量不好的人患心血管疾病的概率比其他疾病高出2到3倍，而且极度容易引发心肌梗塞的发生，世界卫生组织报告，全世界三分之一左右的人口存在睡眠问题，由此可见，存在潜在型心肌梗塞患者。而心肌梗塞疾病的致死率又高于其他心血管疾病，在心肌梗塞发生时，最好的方法就是及时就医，为在早期还没有发生心肌组织改变的心肌细胞进行溶栓治疗争取时间，缩小坏死面积，恢复心肌的功能，减少死亡率。在整个社会环境的影响下，人们的生活方式不够健康，没日没夜的加班、不分时间的吃着外卖等等，养成了不够规律、不够健康的生活习惯，使得人们的身体每况愈下，不仅仅包括中老年人，就连青少年由于心血管疾病而发生猝死的情况也更多，所以，在倡导健康生活方式的情况下，能够更加及时、准确的对类似心肌梗塞这样病情发展迅速的疾病做出诊断并给予病理治疗在现阶段以及以后的发展中尤为重要。1.2国内外研究现状心电图（即ECG）是心脏活动的表现形式，临床医生、专业医师可以通过心电图的波形特征可以判断出心脏可那个出现了某些问题，由此来给患者相应的病理康复建议。ECG信号中不仅仅有作为疾病判断依据的心电信号，同时还存在有影响分析特征的噪声，主要包括基线漂移噪声、工频噪声干扰和高频肌电干扰三种[8]。要通过心电图进行疾病的识别诊断，首先需要对心电信号中存在的“噪声”进行去除[11]或者降低其对心电信号的干扰，降噪进行完毕后再进行心电信号的分析判断，这样得来的结果才更加准确，才能对疾病进行更加良好、准确、高效的诊断。目前研究中使用频率较高的去噪方法主要包括：1）基于滤波器的噪声去除；2）基于经验模态分解法（EMD）的噪声去除；3）基于小波变换的噪声去除[9]。噪声去除如果依赖于小波变换的话，是ECG信号被小波变换进行了多尺度的分解，然后在重构的时候将噪声去除掉。它拥有傅里叶变换局部化的思想，也可以进行时频变换[9]，再噪声去除的同时，还要保证重要心理信号的有效保存，基于小波变换的噪声去除就拥有这样的优势[10]；依据滤波器的噪声去除主要是依据噪声频率特征进行去除，经验模态分解法是将原始信号进行变换，然后将其分解成有限个固有模式函数，与这两种方法相比，小波变换在走啊还是那个去除过程中的能力更强，所以它的应用更广泛。在去噪完成之后需要对ECG信号进行特征提取，应用于深度学习中的特征提取方法种类很多，为了能够更好的进行保存整个信号前后的状态，进行更有效的分析诊断，选用“长短期记忆网络”（即LSTM）进行ECG信号去噪之后的特征提取，它是可以保存上下文状态的RNN网络中的一种，开阔了神经网络的边界限制，可以为长期依赖性问题提供解决办法。它在这一时刻的隐藏层和后面时刻隐藏层的节点有边，使得在时间上有延迟。因此，LSTM网络被设计为处理远距离时间依赖性，可以提取时间序列的信息[8]。在特征提取完毕之后，下面就可以使用智能算法进行模型的建造、分类、分析，为进一步的疾病识别诊断做最后一步的准备。目前常用的算法有：支持向量机（SVM）、人工神经网络（ANN）和线性判别（LD）。在这些算法中，最常用的是SVM，MIT-BIH数据库不平衡问题[5,14]。是不利于使用的，需要解决，而在解决这个问题的时候使用了模拟层次结构的Chazal等人[14]就使用了此算法进行。经历过一系列的处理之后ECG信号相对来说可用性更高，对于疾病的诊断也更加精确。在大数据、人工智能的推动下，很多繁琐的工作将会变的相对简易，同时准确性、高效性也将进一步提高。1.3本文研究内容及章节安排从前文叙述的背景以及各项数据的描述中可以发现，心电图的研究对于目前以及以后的发展来说必不可少，特别是在计算机技术辅助下的医疗诊断方面，对于心肌梗塞的图像特征提取研究也不是很多，所以，本文在Pyhsiobank数据库选择PTB心电数据库，选取里面的心肌梗塞患者以及健康对照，对心肌梗塞患者的ECG图像进行去噪、特征提取，以便进行进一步的疾病诊断。第1章为本文的研究方向和内容，包括研究现状和章节安排。第2章为本文应用到的一些基本理论知识。包括心电图的基本产生原理、心电图导联、心电图各波段的介绍；心电数据库的介绍、心电信号的特征分析；噪声的分类、深度学习技术的介绍以及LSTM模型的相关介绍。第3章为心电信号的处理算法。包括降噪处理和特征提取。第4章为心电数据信号的分类识别。包括数据的收集整理、模型的建立以及心肌梗塞疾病的最终判断。第5章是本文的总结。第2章基本概念理论2.1心电图有关理论2.1.1心电图原理心肌细胞膜是半透膜，半透膜具有选择通透性，使得心肌细胞膜内外的电位会有变化。当处于静息状态的时候，膜外是一定数量的正电阳离子，膜内是负电阴离子，外正内负，膜外的电位相对膜内要高，称此为极化状态，在此状态下，不会有电位差，这样测得的电位线就是平直的，称为等电位线。但是一旦心肌细胞受到刺激，通透性发生变化，会产生除极过程，即阳离子会进入膜内，那么电位就会在膜吸收了阳离子时候变为正，记录到的电位曲线称为除极波，也就是心电图中显示出来的P波和QRS波。除极完成之后阳离子会排出来，使得膜内点位再次变为负，恢复为极化状态，称为复极，由电流记录仪记录到的电位曲线称为复极波，其过程缓慢，幅度较低，不易测得，表现为T波。细胞复极之后，会再次恢复极化状态，没有电位差，测得等电位线。心电图（ECG），是英国皇家学会玛丽医院的生理学教授Waller于1887年在犬和人类的心脏上应用毛细管静电计第一次记录得到。心电图记录的是人体心脏活动的可视时间序列，人体心脏的综合表现[7]可以由心电图直观的反应，所以心电图成为检查心血管疾病、医生诊断病患情况的重要依据之一。2.1.2心电图导联心电图导联就是通过与心电图机的电流计正负极相连的导线放置在人体不同部位的电路连接方式，目前存在的常规12导联体系是被广泛应用的体系，包括与肢体相连的肢体导联（包括标准肢体导联I、Ⅱ、Ⅲ和加压单极肢体导联aVR、aVL、aVF）和与胸部相连的胸导联（属单极导联，包括V1~V6导联）。如表2.1所示。不同的导联是由不同的两个电极或者一个电极、一个中央电势端（也称威尔森中央电端）组合形成的。然后导联线又将它们与电流计的正负极连接起来（如表2.2所示），以此方式进行心脏电活动的有效记录。连接起来的两个电极组合，可以称为双极导联，一正一负。Ⅰ、Ⅱ和Ⅲ导联是前面叙述过的双极肢体，相对应的有单极导联，它是电极和中央电势所形成的导联，在这个时候，产生的探测电极是正极，而中央电势端是负极。表2.1：电极名称及位置Table2.1:electrodenameandlocation电极名称电极位置LA肢体左侧上方LL肢体左侧下方RA肢体右侧上方RL肢体右侧下方V3rV1、V4r之间V4r5肋间隙右边锁骨中V5r5肋间隙右边腋前V14肋骨间隙胸骨的右边V24肋骨间隙胸骨的左边V3V2、V4之间V45肋间隙左锁骨的中间V55肋间隙左边腋前V65肋间隙左边腋中V75肋间隙左边腋后V85肋间隙左肩胛下V95肋间隙左脊柱旁线表2.2：各导联连接示意Table2:connectiondiagramofeachlead导联名称负极正极IRALAIIRALLIIILALLV1中央电势端V1V2中央电势端V2V3中央电势端V3V4中央电势端V4V5中央电势端V5V6中央电势端V6avR1/2（LA+LL）RAavL1/2（RA+LL）LAavF1/2（LA+RA）LL2.1.3心电图波段临床医生都是根据心电图波形的变化作为依据，根据病理状态判断患者患病情况，心电图通过波形的变化来表示不同的病症，所以说研究心电图波段的变换情况对于心血管疾病的诊断等至关重要，心电图各波段及相应心电活动的意义如表2.3所示。（1）P波健康人的心电图都会显示是窦性心电图，因为在心脏正常的健康状态下，电信号的发生是从窦房结开始的，而且会首先被传播到人体的右心房，随后才会被传到左边的心房，这样就形成了P波，它的时限一般为0.12秒，高度在0.25mv左右。通常来说P波不会呈现高尖的形态，而且它的振幅也不大，还有需要了解的一点是在不同的导联中P波的形状可能会有一些不同，特别是在II导联和VF导联此特征表现的很明显[5]，但是也会有特殊情况的发生，那就是在心房变大，电信号在心房之间的传导出现异常状况的时候，P波可能会出现为高尖或双峰的态势。（2）PR间期PR间期代表由窦房结产生的兴奋经由心房、房室交界和房室束到达心室并引起心室肌开始兴奋所需要的时间，从其传递的过程来看，它也经常被习惯性的称为房室传导时间。健康人的正常心电图中，PR间期大于0.12秒而小于0.20秒。在这个过程中也会出现特殊情况的发生，比如说当从心房传到心室的信号出现了阻滞的情况时，就会表现为PR间期的延长或者是在P波之后心室波的消失。（3）QRS波群QRS波群的形成是由电激动向下传产生的，经过希氏束、左右束枝，可以同步激动人体的左右两个心室。心室的除极就可以由QRS波群来描述，它的时限小于0.11秒。但是当出现例如心脏左右束枝的传导阻滞、心室扩大或肥厚等特殊情况的时候，QRS波群会出现增宽、变形和时限延长的特征。（4）J点在QRS波群完毕，ST段刚好开始得的地方的汇集点。当心肌细胞除极完成之后就会出现这个点。（5）ST段从ST段的名称里也可以看出来，它将QRS波群以及T波连接起来。它代表的是在复极还没开始，但是除极已经完成的那一段时间，这个时候的心肌都是除极状态，没有电位差的存在，所以健康者的正常心电图中的ST段都是在等电位线上。但是如果出现了特殊情况，比如如果有心肌缺血或者心肌坏死出现的话，心室在除极完成后依然有电位差的存在，在这种情况下就会在心电图上产生ST段偏移的情况。（6）T波心室的复极是由T波来表示的。T波的方向与QRS的主波方向是一致的。很多特殊情况的发生都有可能会使T波发生改变。例如发生心肌缺血的情况时T波会出现低平倒置的现象。而高血钾、急性心肌梗塞都会表现为T波的高耸。（7）U波在T波之后的某些导联中可以看到U波，目前研究中，暂时觉得它与心室的复极有关。（8）QT间期心室从除极开始一直到复极是需要一定时间的，这个时间是可以用QT间期来表示的。在健康者的正常心电图中QT间期为0.44秒。但是心率有时会对QT间期产生一定的影响，基于此，引入了修改的QT间期（QTC）的定义。计算它的方法之一可以表示为QTc=QT/√RR。存在特殊情况的发生使得QT间期有变化，例如恶性的心律失常会使QT间期有所延长。表2.3：心电图波段意义Table2.3：significanceofECGband心电图波段相应心电活动的意义P波心房的除极活动T波心室的复极化U波目前认为可能复极化有关QRS波群心室的除极活动ST段心室除极进行完毕PR间期房室的传导时间QT间期从心室除极一直到完全复极经过的时间2.1.4心电数据库心电数据库是专门用来保存病例和健康人群心电数据信号的数据库。MIT-BIH心电数据库，它是由美国麻省理工学院与BethIsrael一员联合建立；AHA心律失常心电数据库，这是由美国心脏学会主持运营的；还有欧盟的CSE心电数据库以及QT心电数据库。以上所述的4个数据库，是目前世界上公认的、具有权威性的心电数据库，使用者可以直接进行数据的下载使用。MIT-BIH心律失常数据库包含从1975~1979年间BIH心律失常实验室的47名研究对象的48个30分钟长度双通道动态心电图记录片段，片段记录采样率为360Hz，数字分辨率为11位，47名研究者分别为25位年龄在32至89岁之间的男性和22位年龄在23至89岁之间的女性。在大部分的记录中，电极会放在胸部位置，肢体导联II（MLII）是由上部信号经过修饰后产生的。下部信号通常是经过修改的导线V1（有时是V2或V5，有时是V4）；至于上信号，电极也放在胸部。BIH心律失常实验室通常使用此配置。AHA心律失常心电数据库拥有一个包括了80个数据的系列，还有一个包括75个数据的系列。这其中每一个数据都会持续3h的时间。在每个系列中又可以分为8个心律失常的大类，每一类中有10个心电数据(第二系列第五类只有5个)。采样频率为250Hz，数字分辨率为12位。室性心律不齐分类器的运作性能是需要评判的，而产生AHA数据库的主要目的就是为此，然而，正常窦性心律与室上性异位搏动[5]这两类情况在这个数据库下是没有办法区分的。CSE心电数据库，它的开发目的主要是为了对心电图自动分析仪的性能进行评价。心电数据库主要是从现有的ECG数据库中选择患者以及健康者的ECG记录，随后便会对选择好的记录进行统一规划管理，以供研究者调取使用。2.1.5心电信号特征（1）近场性[6]：信号只有在人体表面才能检测到，离开即使很小的距离也不会被心电仪检测到；（2）频率低：心电信号的强度非常微弱，一般都是用mV级来衡量；（3）干扰强：干扰既来自生物体内，如肌电干扰、呼吸干扰等，也来自生物体外，如干扰信号与本身心电信号频带重叠的工频干扰、信号拾取时因为不良接地导致的外来干扰等。在对心电信号进行噪声的降除时，如果有频带的重叠则会使得工作难度加大。使用MATLAB软件进行数据收集分析绘图如图2.1所示。图2.1MATLAB绘制ECG信号Figure2.1mappingECGsignalbyAtlas此图为PTB心电数据库中编号为1的样本数据，通过MATLAB软件将其展现为此形式，此图波形可以看出，其起伏幅度并不是很明显，所以在分析心电图并通过心电图判断是否患有心血管类疾病时，需要临床医生或专业医师通过其临床经验以及所掌握的知识做出诊断，而对于普通人来说，或许仅仅能够看出其波形有了不明显的起伏变化，但是要想得出病理性的结果却很难，所以应用计算机技术进行医疗诊断的辅助的需要日渐重要。心肌梗塞患者的心电图波形特点表现为：ST段弓背抬高或者极度压低，T波倒置或者高尖，有的病人还可以看到病理性Q波，这些都是心肌梗塞心电图特点。所以，疑似心肌梗塞患者的疾病诊断目前来说最直接的方法就是根据心电图波形变化来判断。如图2.2所示为在PTB心电数据库中下载的编号为2的心肌梗塞患者的ECG信号图，从图中可以清楚的看出该患者的T波出现了倒置的现象，此病例的ECG图像很清晰，可以直接看出其变化，从而可以直接做出病理判断，但是如果产生像图2.3类似的ECG图像，仅仅只是R波幅度有些高，病理性Q波幅度不高，类似第3号患者这样病理变化特征不是非常明显的患者，就不容易及时的做出相应的诊断，所以需要进一步完善确定心肌梗塞患者ECG数据信号的病理特征，以便更及时有效的做出诊断，为患者提供更快的救治时间。图2.2第2号心肌梗塞患者V5导联ECG信号Figure2.2ECGsignalofleadV5inpatientswithmyocardialinfarctionNo.2图2.3第3号心肌梗塞患者V5导联ECG信号Figure2.3ECGsignalofleadV5inpatientswithmyocardialinfarctionNo.32.2ECG噪声分类（1）基线漂移噪声：这类噪声是因为人时刻不停的呼吸造成的，它的幅度和频率一直在变化，但是频率值不高，一般为0.05—2Hz。其表示如图2.2所示。图2.2受到基线干扰的ECG信号Figure2.2ECGsignaldisturbedbybaseline（2）工频噪声干扰：由噪声的名称也可以看出，这一类的噪声是因为心电采集仪的工作造成的，可能由于其电源、也可能由于其电线引起，幅度数值较低。其频率值为50Hz或60Hz。其表示如图2.3所示。图2.3受到工频干扰的ECG信号Figure2.3ECGsignaldisturbedbypowerfrequency（3）高频肌电干扰：与上述噪声类似，由其名称可以得知，是由于肌肉的运动引起的，在检测心电图的时候，人身体的肌肉不可避免的会有一些动作，哪怕仅仅是细微的运动，也会产生一定的噪声，由于肌肉的运动没有规律、运动的肌肉也没有规律，所以这类噪声没有规律，形态各异，其频率最高可达10KHz，持续时间一般可达50ms。其表示如图2.4所示。图2.4受到肌电干扰的ECG信号Fig.2.4ECGsignalinterferedbyEMG2.3深度学习技术理论随着人工智能的发展，机器学习被广泛应用，但那还死在应用的过程中，随着要求的日益增加，所以又在其基础上衍生出了一种新的学习方法，即深度学习。但是深度学习的概念也不是凭空而来，是源于源于人工神经网络的研究。深度学习技术对于所研究对象的特征能够自动提取，底层特征可以被它进行组合，更加抽象的高层表示便由此形成，通过这个可以发现数据的分布式特征。神经网络算法起源于人的大脑结构，同时伴随着研究模型结构的复杂度发展和大数据以及对计算能力的更大的需求，使得算法也需要进一步增强，而且也在此基础上产生了一些新的、更加强大的新算法。这些算法被广泛应用于图像处理与计算机视觉、自然语言处理以及语音识别中，推动了人工智能技术的发展，我们对于人工智能的追求也更近了一步。顾名思义，还有浅层学习，但是浅层学习只有单层或者双层结构，然而深度徐熙却包含了多个隐藏层，同时各个隐藏层之间也有联系，它们通过非线性结构进行链接，这样的结构使得无论多么复杂的函数也可以用深度学习来表示，同样，也可以让深度学习比浅层学习学习到更加复杂的图像特征[4]，图像中的本质特征也能够让其更加容易的学习到。由此可知，深度学习强调的是特征学习的重要性，它利用多个隐藏层的优势，逐层的进行特征变化的分析，使原有的样本在基础分析的情况下得到的心得特征分析空间，这样就可以将数据内在的特征、内在的联系刻画的更加明显，给后期的分析处理以及做出及时有效的诊断信息提供了准确的信息。2.4LSTM网络结构神经网络的重复模块链的形式是所有的循环神经网络所共有的。这个重复模块链在标准的RNN中就像单个tanh层一样结构非常简单。LSTM也有这种链式结构，但是与RNN不同的是它的内部有四个网络层。LSTM的结构如图2.5所示。在LSTM中，第一阶段是遗忘门，遗忘层决定哪些信息需要从细胞状态中被遗忘；下一阶段是输入门，输入门确定哪些新信息能够被存放到细胞状态中；最后一个阶段是输出门，输出门确定输出什么值。有时进入的和输出的信息需要进行简单的选择之后再进行，那么如何让信息选择性的通过？这里使用的方法是通过“门”结构来实现，为了实现这个操作，产生了神经网络层sigmoid和乘法操作pointwise。遗忘门通过sigmoid单元来处理决定细胞状态需要丢弃那些信息，它通过查看ht-1和xt信息来输出一个0-1之间的向量，该向量里面的0-1值表示细胞状态Ct-1中的那些信息保留或丢弃多少，0表示不保留，1表示都保留。遗忘门过程如2.6图所示。下一阶段是输入门，决定给细胞状态添加哪些信息，分为两个步骤：①利用ht-1和xt通过输入门决定添加的信息；②利用ht-1和xt通过一个tanh层得到新的可能会被更新到细胞信息中的候选细胞信息t。输入门过程如图2.7所示。下一步是更新Ct-1变为新的Ct。规则是通过忘记门选择忘记旧信息的一部分，通过输入门选择添加候选信息t的一部分得到新的信息Ct。过程如图2.8所示。图2.5LSTM网络Figure2.5LSTMnetwork图2.6遗忘门过程图示Figure2.6processdiagramofforgettingdoor图2.7输入门过程图示Figure2.7inputdoorprocessdiagram图2.8输出门过程图示Figure2.8processdiagramofoutputdoor2.5相关模型介绍（1）支持向量机模型。支持向量机模型即SVM，其被提出于1964年，是机器学习算法的一种，在二十世纪九十年代后得到了快速的发展，而且又衍生出了很多改进算法，在人像识别、自然处理语言等人工智能领域得到广泛应用。由于SVM考虑到了经验风险和结构风险最小化，而且其构建的超平面决策边界时的边距最大，使得被测试的样本可以拥有足够的空间，所以具有很大的稳定性，使得其广泛应用于各个领域。（2）线性回归模型。线性回归模型可以确定两个以及两个以上的变量之间的内在关系，为确定此关系，该模型利用数理统计进行回归分析，其在数学、金融、经济学等领域的应用非常广泛。位置参数被非线性依赖的话拟合度不高，而加入被线性以来，那么拟合度将会大大提高，而且更加轻松的就可以确定估计的统计特性，是回归分析中第一种经过严格研究并广泛应用的类型。本文使用了这两种模型来分析心肌梗塞疾病特征，由于线性回归模型拥有SVM所没有的可以直接观察与心肌梗塞疾病相关特征的优势，所以使用这两种模型进行分析。第3章心电信号处理算法3.1ECG信号降噪处理前面第2章中已经讲到了ECG信号中存在的噪声，要想能够利用信号提取到相对准确的特征进而进行疾病的精确诊断需要对这些存在的噪声进行降除，进行完毕降噪处理之后的ECG信号才是我们进行疾病诊断的有效信号。在第1章中讲到了关于基于小波变换的去噪方式，不仅仅能够有效的去除信号中存在的噪声，还能够最大程度的保留信号的准确性。在由原信号得到小波变换信号时使用的是尺度为6的连续小波变换，小波基函数是墨西哥（Mexican）小波函数，它是高斯（Gauss）函数的二阶导数，因为这个函数的形状非常像墨西哥帽的截面，所以它也常被形象化的称为墨西哥帽函数。相比于其他的小波基函数，墨西哥小波函数对角度的敏感度不是很高，所以它更加适合于来进行特征的提取，同时它还拥有能够提取出相对稳定的极值点或者特征点的优势。它的表达式为：在上面这个式子中，x代表原信号，y代表经过小波变换之后的信号。图3.1是经过墨西哥小波之后进行极值点的提取，而后就可以得到原信号在经过小波变换之后的信号，如图3.2所示。继而需要再进行信号的预处理，即去噪，使用的是MATLAB中的wavedec，在本文研究中使用的是“[C,L]=wavedec(E,3,'coif5')”，也即使用的coif5小波基，对原始信号E进行3层分解，其中C表示各层分量，L表示分量长度，为固定用法。经过去噪之后的信号与原信号的对比如图3.3所示。（心电数据为PTB心电数据库中心肌梗塞编号为1的患者，下文除注明外都使用该患者的心电数据进行分析）。图3.1算法表示Figure3.1algorithmrepresentation图3.2小波变换前后对比图Figure3.2comparisonbeforeandafterwavelettransform图3.3小波去噪前后对比Figure3.3comparisonbeforeandafterwaveletdenoising3.2ECG信号特征提取去噪完成之后为更好的进行疾病的识别需要对数据图像进行特征提取。在ECG图像波形中，各个波李QRS波群的特征最明显、而且能量最高，所以最容易被检测出来的也是它，而且在目前的对心电图波形研究中的检测手段中都是先将QRS波群检测出来，在心电信号中将其定位到，然后以此为基础再去检测P波、T波等。对于QRS波群的识别方法有很多，目前最常用的方法有：差分阈值法[15]、滤波器法[16]、模版匹配法[17]、小波分析法[18,19]、主成份分析[20]等[6]。在本文的研究中主要采用小波分析发进行特征的提取。首先是R波的检测，由于R波的幅度和斜率相对于其他波形来说是比较大的，所以首先对R波进行检测，检测完毕后Q波和S波也可以顺利的被检测到。（1）R波的检测提取。在经过小波变换后进行固定差分阈值分析的效果比较好，所以本文采用此方法进行R波的检测提取。首先对信号进行去噪处理，去噪结束之后进行小波变换，尺度为n，然后对所有的极值点进行检测，而且需要按照幅值进行排序。阈值大小的取定根据幅值大小确定，具体为极大值与极小值差的r%，阈值即为临界值，如果高于此临界值，则先预判为R波。结束后需要进行R波的错误检测的排除，这个目的的达到需要对检测RR间期，前面设定的阈值如果大于RR间期，那么就要对两个R波幅值进行比较，R波是这两个之中幅值更高的那个，剩下的那个则需要去除。当以上叙述的步骤都都结束之后还需要对R波进行局部微校正[6]，以得到更加准确而且波形正确的R波。经过上节中叙述的墨西哥小波变换之后，提取出来极值点，同时需要判定阈值，确定阈值的目的是需要看一下提取的极值点是否大于阈值，如果大于则需要进一步确定这个值是否是在其前后10个点的范围内的最大值，如果是的话计算这两个峰之间的距离，如果不是则需要取该范围内的模最大点，并且需要确定两点之间的时间是不是小于400ms，如果大于则为R波的峰点，如果小于的话，则需要再取两个R波中模较大者，然后确定为R波的峰点。205号健康者的R波提取过程如图3.4所示。图3.4R波提取过程Figure3.4Rwaveextractionprocess在提取R波提取的过程中，通过试验的结果以及过程的考察，将6作为小波变换的尺度n，40%作为差分阈值的系数，最终所取得的效果会更好。后面的在对R波的错误检测进行排除时，为了达到像前面那一步一样更好的效果，需要将RR间期的阈值设置为0.4s，也就是说假如两个RR间期的时间比0.4s还要小，就会被视为错误检测到了一个R波。原因是人的心率范围为60-100次/min，最低不会低于40，最高不会高于120，也就是说RR间期最短不会低于0.5s。但是又考虑到由于病症的发生，心率有可能会有不齐的情况，在这样的情况下RR间期有可能会比发生这样的情况之前变短，所以阈值需要设置为0.4s更好。在以后的科研中，经过各个专家、学者的实验，已经证明了这个阈值的的设定符合规范，同时它的可用性和适用性也比较高，最后，为了更加准确的取定R波的位置，需要将检测到的R波前后各取10ms的数据进行大小比较排序，将其中的模极大值坐标作为最后的R波位置。（2）Q波和S波的检测提取。当检测完R波之后，Q波和S波都可以进行检测。首先对可能是Q波和S波的位置进行预判断，存在这样的模极大值点，这个点在R波波峰为中心的前后位置上，为保证点的确定的准确性，需要对这个点进行两次位置校正，以便得到最后的Q点或S点。这两种波的提取和校正方法是差不多的，就拿Q波来说：需要首先在预判点的位置之前，取20ms前面处的数据，设其坐标为(x1，y1)，然后将该点与R波的峰点（设其坐标为(x2，y2)）之间用一条直线连接，然后计算在这中间的每个点到直线的距离，求出来的距离最远的点就是第一次校正后的Q点[6]。直线的公式可表示为:点到直线的距离d公式为：提取出Q波和S波之后，就可以很方便的找到Q波的起点和S波的终点，方法是寻找最近的极值点，这个极值点在Q点前和S点后的100ms之间进行寻找，将其分贝作为QRS复合波的起点和终点。起点与终点之间的时间差就是QRS复合波的时限，R波峰点相对于QRS起点的幅值差是R波幅值。图3.5为第205号健康对照者的Q波、R波、S波在原信号中的定位，图3.6为第1号心肌梗塞患者的Q波、R波、S波在去噪之后信号中的定位。图3.5健康对照者QRS波定位Figure3.5QRSwavelocationinhealthycontrols图3.6心肌梗塞患者QRS波定位Figure3.6QRSwavelocalizationinpatientswithmyocardialinfarction（3）P波和T波的检测提取位于QRS波群的前面和后面，而且幅度值和频率值都不如QRS波群大的波是P波和T波，要想对它们进行精确的检测，工作是比较困难的，所以这两种波都在QRS波检测文笔之后再进行。但是存在一个不可忽略的因素，就是这两种波不仅仅幅值小，而且它们的变化不定，具有多样性和复杂性的特点，所以它的提取方法对于健康人群的ECG信号来说效果还算可以，但是但凡ECG信号为心血管疾病患者的信号，这两种波的提取还达不到令人满意的效果。在本文研究中，采用的是斜率阈值法对P波和T波进行检测提取，首先需要在一个确定的范围里寻找模极大值点，然后计算其在前后一定范围内各点之间的斜率的模，选出最大值，当阈值比这个最大值小的时候，则为P波或者T波的峰点，那么对应基线那一点就为P波的起点和终点，同时P波的幅值和时限也就可以计算出来了；而当阈值大于最大值时，则认为该ECG信号没有P波，P波幅值和时限都为0。P波和T波检测提取如图所示：图3.5P波、T波定位Figure3.5P-waveandT-wavepositioning检测提取出对于疾病诊断有效的ECG信号之后便可以继续开展下一步的工作，即建立相关模型，为疾病的准确诊断奠定基础。第4章数据信号分类识别算法4.2心肌梗塞疾病模型建立与识别4.2.1支持向量机模型支持向量机（SVM）模型具有非常好的稳定性，因为它考虑了经验风险和结构风险最小化。在MATLAB环境下，Libsvm工具箱可以进行广泛使用，这样就方便了SVM模型的建立和使用。可以在Windows下执行的文件也不需要用户自己去进行编译，Libsvm工具箱已经将其编译好，而且更加人性化的是它也提供源代码，这样更加方便了SVM模型的建立。由于K-CV（K-foldCrossValidation）法是经常在此类研究中使用的，所以本文也采用这个方法。这个方法需要首先将所需要研究的数据均分为K（K>2）组，而且要把其中的一组拿出来作为验证集剩余的K-1组作为训练集，对模型进行训练。这样的方法可以得到K个分类器模型，为保证分类器的性能公平、可信度更高，选用这些模型分类准确率的平均值作为指标。K-CV的交叉验证和参数选择过程通过MATLAB平台实现，最终得到的0.758和4为c和g的最优值。最优参数选择过程如图4.1所示。图4.1最优参数选取过程Figure4.1optimalparameterselectionprocess4.1数据收集整理分析本文中所使用的额新店数据都来自于PTB心电数据库，它是Physiobank众多数据库中的一个数据库。该数据库是由德国柏林大学本杰明·富兰克林大学心脏病学系教授从健康志愿者和患有不同心脏病的患者中收集的。包括心肌梗塞、心率衰竭、心律失常、心肌肥大、心肌炎等心血管疾病共290位受试者的549条记录。每个信号都有14个ECG信号、1个呼吸信号、1个线电压信号。本文研究对象为心肌梗塞患者和健康对照者的V5导联信号。因为V5导联位于胸部距离心脏最近的位置，对于诊断心肌梗塞ECG信号特征最为明显[6]。数据统计分析如表4.1所示。数据分析完毕后为进行模型的建立，需要用SPSS工具数据进行相关性分析，数据相关性分析结果如表4.2所示。首先利用可视化工具PhysiobankATM将数据下载并保存为MATLAB的可读取文件，即.mat格式，随后通过前文叙述的步骤对于下载的数据进行去噪，包括基线漂移噪声、工频噪声干扰和高频肌电干扰三种噪声的去除[6]；去完成之后就对数据信号进行特征提取。表4.1数据分析Table4.1dataanalysis相关参数健康对照者心肌梗塞疾病患者R波幅T波幅P波幅T波时限P波时限QRS时限RR间期QT间期PR间期ST段偏移无38例抬高或压低早搏无21例早搏表4.2数据相关性分析Table4.2datacorrelationanalysis相关参数显著值相关性R波幅0.002-0.592T波幅0.001-0.705P波幅0.006-0.376T波时限0.6020.034P波时限0.438-0.047QRS时限0.7880.019RR间期0.019-0.193QT间期0.0020.616PR间期0.011-0.492ST段偏移0.0140.223早搏0.0120.246其中，R波幅、T波幅、P波幅、QT间期在0.01水平上显著相关，RR间期、PR间期、ST段偏移、早搏都是在0.05水平上显著相关，而剩余的P波时限、T波时限、QRS时限都没有显著相关性，所以选择具有相关性的8个数据进行模型建立的数据源。4.2.2线性回归模型本文使用数据统计分析软件SPSS进行线性回归模型的建立，上文中选取的8个变量为自变量，因变量为GROUP，选择“输入”作为回归方法，用回归系数来表示每一个自变量与因变量的关系，系数和0之间差异的显著性可以用Sig表示，线性回归模型可以用以下表达式来描述：R波幅值为VR，P波幅值为VP，T波幅值为VT，RR间期为TRR，QT间期为TQT,PR间期为TPR，ST段的电位偏移量为VST，是否出现早搏用NP来表示（出现用1表示,不出现用0表示）。表4.3线性回归分析Table4.3linearregressionanalysis自变量回归系数Sig回归系数95%的置信空间上限下限VP-2.1800.006-3.745-0.615VR-0.5820.000-0.776-0.384VT-0.8910.000-1.177-0.600TRR-0.0010.403-0.0010.000TQR0.0050.0000.0030.007TPR-0.0060.000-0.010-0.004|VST|0.0600.026-1.2451.368NP0.1060.041-0.1430.357常量0.2940.530-0.6341.2264.2.3心肌梗塞疾病识别 本文研究不仅建立SVM模型，还使用SPSS工具建立了线性回归模型，两者在配合使用下心肌梗塞疾病的识别判定准确度更高，经过研究线性回归模型的准确率为89.5%，误判健康者有11例，心肌梗塞患者5例；SVM准确率为96%，只有1例误判为健康者，从数据中可以看出SVM模型的准确率更高一些，但是也存在不足的地方，不足之处为与心肌梗塞疾病的病理结果参数相关的特征美誉办法通过SVM模型观察出来，但是线性回归模型正好可以解决这个问题，所以使用这两种模型进行分析，可以优势互补，更好的为疾病的识别提供数据。从线性回归模型的回归系数中可以看出，回归系数是负值的有三个系数，分别为T波、P波以及R波幅值，这个现象表明了随着数值的降低，被诊断为心肌梗塞疾病的概率大了很多，可以得出心肌梗塞患者的R波、P波的幅值比较低，T波更加明显（而且还会有出现T波倒置的患者，例如前文中讲述过的编号为1的患者）的结论，心肌梗塞病人也有可能会由于心肌活性下降甚至坏死导致信号的传导出现滞后或阻塞的问题，这样会导致患者整体ECG信号的能量很弱。其次，观察得知RR间期与PR间期的系数为负，也就是表明了如果拥有更高的心率，则心电图的RR间期就会越小，患心肌梗塞疾病的概率也就越大；PR间期与RR间期关系是正比的，所以特征它的也是这样，不再赘述。观察到QT间期的系数为正，这个现象则可以说明的问题是如果拥有越长的QT间期，那么被诊断为心肌梗塞疾病的概率就会越大。再次，ST段的电位偏移和早搏的系数都是为正，这个现象可以说明的则是：此类特征的出现与发生心肌梗塞疾病的概率是成正比的。经过线性回归模型的建立和分析，可以明显的到的结论是：如果此类心电图中显示有R、P波幅比较微弱、T波发生了倒置的现象、QT的时限相比平常过于长、ST段的电位偏移也与往常不同，发生了偏移量超过0.1mV，或者出现了心率过快以及早搏的现象的话，则可以判断为此类ECG信号是心肌梗塞患者的信号，由此特征可以准确的进行心肌梗塞疾病的识别，从而为患者争取更大的救治时间，也为医疗技术的发展提供了一定的有利的源泉。结语心脏作为人体内最重要的器官，它的健康才能带来更好的生活，倘若出现一点问题都会对人体健康产生很大的威胁。心肌梗塞是生活中常见的心血管疾病，心肌梗塞发生时，如果血管堵塞30分钟以上就会发生心肌坏死，所以心肌梗塞疾病越早治疗越好。而心脏病目前的最佳诊断方式就是通过心电图的波形状态来进行判别，但是在目前医疗手段上，通过心电图来进行疾病的诊断需要专业医师进行，所以通过计算机进行辅助医疗诊断显得尤为重要。本文通过分析心肌梗塞患者和健康对照者的心电信号，通过模型检测提取出了判断心肌梗塞的特征，为该疾病的准确、及时诊断提供了参考。本文主要完成了对心电信号进行提取、小波去噪以及特征提取；建立了SVM模型以及起辅助作用的线性回归模型，根据模型分析拥有心率过快、早搏、R波及P波振幅微弱、T波倒置、QT时限过长、ST段电位偏移等特征的ECG图像可能是心肌梗塞疾病发生的特征标志。本文的研究虽然有了一定的意义，但是还存在一些局限性：信号的处理方式上，对于其他类别的信号是否适用还需要进行进一步的研究确定；对于心电信号的特征提取、检测等都是在信号预处理（即去噪）之后进行，能否进行实时、动态的提取检测还需要对算法进行进一步的改进；支持向量机模型虽然比线性回归模型的准确率高，但是其在病理方面的直观描述存在局限性，所以模型的适用、实用性需要进一步进行研究。现代社会发展进程之快、人类生活水平提高之快，都需要医疗水平相应得到更进一步的提高，计算机技术在不断的向前发展，这样的发展态势对于医疗与其的结合进行疾病的诊断提供了更好的模型，所以使用计算机辅助医疗，应用计算机进行对疾病及时、准确的诊断是时代之需、人类之需。但是心电信号的种类、数据繁多，因此计算机辅助医疗还需要与临床进行有效结合，从而能够更好的将研究应用到实际生活中，为心脏病、心肌梗塞疾病做加有效的分析、对患者提供更大的帮助。

电脑不启动故障诊治了解电脑启动的过程在诸多电脑故障中，无法正常启动是最令用户头痛的事了。笔者长期从事维护电脑的工作，在这个方面积累了一些经验，现在就将这些经验整理归纳出来与朋友们分享。本文将以家用电脑和windows98操作系统为基础，介绍电脑无法正常启动故障的诊治。要想准确地诊断电脑不启动故障，首先要了解的起动过程，当我们按下电源开关时，电源就开始向主板和其它设备供电，此时电压还没有完全稳定，主板控制芯片组会根据CMOS中的CPU主频设置向CPU发出一个Reset(重置)信号，让CPU初始化，电压完全稳定后，芯片组会撤去Reset信号，CPU马上从地址FFFF0H处执行一条跳转指令，跳到系统BIOS中真正的启动代码处。系统BIOS首先要做的事情就是进行POST(PowerOnSelfTest，加电自检)。POST的主要任务是检测系统中的一些关键设备(电源、CPU芯片、BIOS芯片、定时器芯片、数据收发逻辑电路、DMA控制器、中断控制器以及基本的64K内存和内存刷新电路等)是否存在和能否正常工作，如内存和显卡等。自检通过后，系统BIOS将查找显示卡的BIOS，由显卡BIOS来完成显示卡的初始化，显示器开始有显示，自此，系统就具备了最基本的运行条件，可以对主板上的其它部分进行诊断和测试，再发现故障时，屏幕上会有提示，但一般不死机，接着系统BIOS将检测CPU的类型和工作频率，然后开始测试主机所有的内存容量，内存测试通过之后，系统BIOS将开始检测系统中安装的一些标准硬件设备，这些设备包括：硬盘、CD－ROM、软驱、串行接口和并行接口等连接的设备，大多数新版本的系统BIOS在这一过程中还要自动检测和设置内存的相关参数、硬盘参数和访问模式等。标准设备检测完毕后，系统BIOS内部的支持即插即用的代码将开始检测和配置系统中已安装的即插即用设备。每找到一个设备之后，系统BIOS都会在屏幕上显示出设备的名称和型号等信息，同时为该设备分配中断、DMA通道和I/O端口等资源。最后系统BIOS将更新ESCD(ExtendedSystemConfigurationData，扩展系统配置数据)。ESCD数据更新完毕后，系统BIOS的启动代码将进行它的最后一项工作，即根据用户指定的启动顺序从软盘、硬盘或光驱启动。以从C盘启动为例，系统BIOS将读取并执行硬盘上的主引导记录，主引导记录接着从分区表中找到第一个活动分区，然后读取并执行这个活动分区的分区引导记录，而分区引导记录将负责读取并执行IO.SYS，这是Windows最基本的系统文件。IO.SYS首先要初始化一些重要的系统数据，然后就显示出我们熟悉的蓝天白云，在这幅画面之下，Windows将继续进行DOS部分和GUI(图形用户界面)部分的引导和初始化工作，一切顺利结束，电脑正常启动。根据故障现象诊治了解电脑启动的过程，故障就好判断了，下面我们就根据故障现象开始诊治了：现象一：系统完全不能启动，见不到电源指示灯亮，也听不到冷却风扇的声音。这时，基本可以认定是电源部分故障，检查：电源线和插座是否有电、主板电源插头是否连好，UPS是否正常供电，再确认电源是否有故障，最简单的就是替换法，但一般用户家中不可能备有电源等备件，这时可以尝试使用下面的方法（注意：要慎重）：先把硬盘，CPU风扇，或者CDROM连好，然后把ATX主板电源插头用一根导线连接两个插脚（把插头的一侧突起对着自己，上层插脚从左数第4个和下层插脚从右数第3个，方向一定要正确），然后把ATX电源的开关打开，如果电源风扇转动，说明电源正常，否则电源损坏。如果电源没问题直接短接主板上电源开关的跳线，如果正常，说明机箱面板的电源开关损坏。现象二：电源批示灯亮，风扇转，但没有明显的系统动作。这种情况如果出现在新组装电脑上应该首先检查CPU是否插牢或更换CPU，而正在使用的电脑的CPU损坏的情况比较少见（人为损坏除外），损坏时一般多带有焦糊味，如果刚刚升级了BIOS或者遭遇了CIH病毒攻击，这要考虑BIOS损坏问题（BIOS莫名其妙的损坏也是有的），修复BIOS的方法很多杂志都介绍过就不重复了；确认CPU和BIOS没问题后，就要考虑CMOS设置问题，如果CPU主频设置不正确也会出现这种故障，解决方法就是将CMOS信息清除，既要将CMOS放电，一般主板上都有一个CMOS放电的跳线，如果找不到这个跳线可以将CMOS电池取下来，放电时间不要低于5分钟，然后将跳线恢复原状或重新安装好电池即可；如果CPU、BIOS和CMOS都没问题还要考虑电源问题：PC机电源有一个特殊的输出信号，称为POWERGOOD（PG）信号，如果PG信号的低电平持续时间不够或没有低电平时间，PC机将无法启动。如果PG信号一直为低电平，则PC机系统始终处于复位状态。这时PC机也出现黑屏、无声响等死机现象。但这需要专业的维修工具外加一些维修经验，因此，建议采用替换法；电源没有问题就要检查是否有短路，确保主板表面不和金属（特别是机箱的安装固定点）接触。把主板和电源拿出机箱，放在绝缘体表面，如果能启动，说明主板有短路现象；如果还是不能启动则要考虑主板问题，主板故障较为复杂，可以使用替换法确认，然后更换主板。现象三：电源指示灯亮，系统能启动，但系统在初始化时停住了，而且可以听到嗽叭的鸣叫声（没有视频）：根据峰鸣代码可以判断出故障的部位。ccid_page/AwardBIOS1短声：说明系统正常启动。表明机器没有问题。2短声：说明CMOS设置错误，重新设置不正确选项。1长1短：说明内存或主板出错，换一个内存条试试。1长2短：说明显示器或显示卡存在错误。检查显卡和显示器插头等部位是否接触良好或用替换法确定显卡和显示器是否损坏。1长3短：说明键盘控制器错误，应检查主板。1长9短：说明主板FlashRAM、EPROM错误或BIOS损坏，更换FlashRAM。重复短响：说明主板电源有问题。不间断的长声：说明系统检测到内存条有问题，重新安装内存条或更换新内存条重试。AMIBIOS1短：说明内存刷新失败。更换内存条。2短：说明内存ECC较验错误。在CMOS中将内存ECC校验的选项设为Disabled或更换内存。3短：说明系统基本内存检查失败。换内存。4短：说明系统时钟出错。更换芯片或CMOS电池。5短：说明CPU出现错误。检查CPU是否插好。6短：说明键盘控制器错误。应检查主板。7短：说明系统实模式错误，不能切换到保护模式。8短：说明显示内存错误。显示内存有问题，更换显卡试试。9短：说明BIOS芯片检验和错误。1长3短：说明内存错误。内存损坏，更换。1长8短：说明显示测试错误。显示器数据线没插好或显示卡没插牢。现象四：系统能启动，有视频，出现故障提示，这时可以根据提示来判断故障部位。下面就是一些常见的故障提示的判断：一、提示“CMOSBatteryStateLow”原因：CMOS参数丢失，有时可以启动，使用一段时间后死机，这种现象大多是CMOS供电不足引起的。对于不同的CMOS供电方式，采取不同的措施：1.焊接式电池：用电烙铁重新焊上一颗新电池即可；2.钮扣式电池：直接更换；3.芯片式：更换此芯片，最好采用相同型号芯片替换。如果更换电池后时间不长又出现同样现象的话，很可能是主板漏电，可检查主板上的二极管或电容是否损坏，也可以跳线使用外接电池，不过这些都需要有一定的硬件维修基础才能完成。二、提示“CMOSChecksumFailure”CMOS中的BIOS检验和读出错；提示“CMOSSystemOptionNotSet”，CMOS系统未设置；提示“CMOSDisplayTypeMismatch”，CMOS中显示类型的设置与实测不一致；提示“CMOSMemorySizeMismatch”，主板上的主存储器与CMOS中设置的不一样；提示“CMOSTime&DateNotSet”，CMOS中的时间和日期没有设置。这些都需要对CMOS重新设置。三、提示“KeyboardInterfaceError”后死机原因：主板上键盘接口不能使用，拔下键盘，重新插入后又能正常启动系统，使用一段时间后键盘无反应，这种现象主要是多次拔插键盘引起主板键盘接口松动，拆下主板用电烙铁重新焊接好即可；也可能是带电拔插键盘，引起主板上一个保险电阻断了（在主板上标记为Fn的东西），换上一个1欧姆／0.5瓦的电阻即可。四、自检过程中断在xxxKCache处这表示主板上Cache损坏，可以在CMOS设置中将“ExternalCache”项设为“Disable”故障即可排除。同理，在自检主板部件时出现中断，则可以认为该部件损坏，解决方法一般可以在CMOS中将其屏蔽，如果不能屏蔽该部件最好更换主板。五、提示“FDDControllerFailure”BIOS不能与软盘驱动器交换信息；提示“HDDControllerFailure”，BIOS不能与硬盘驱动器交换信息。应检查FDD（HDD）控制卡及电缆。六、提示“8042GateA20Error”8042芯片坏；提示“DMAError”，DMA控制器坏。这种故障需要更换。七、提示“DisplaySwitchNotProper”主板上的显示模式跳线设置错误，重新跳线。八、提示“KeyboardisLock...Unlockit”键盘被锁住，打开锁后重新引导系统。九、IDE接口设备检测信息为：“DetectingPrimary（或Secondary）Master（或Slave）...None”表示该IDE接口都没有找到硬盘，如果该IDE口确实接有硬盘的话，则说明硬盘没接上或硬盘有故障，可以从以下几方面检查：1、硬盘电源线和数据线是否接触不良，或换一根线试试；2、CMOS设置有无错误，进入CMOS将“PrimaryMaster”、“PrimarySlave”、“SecondaryMaster”三项的的“TYPE”都设置成“Auto”；3、替换法确认硬盘本身有故障。十、IDE接口设备检测信息下面显示“Floppydisk(s)fail(40)”出错信息表示CMOS所指定的软盘驱动器有问题。判断和解决的方法与硬盘相似。现象五：系统不能引导。这种故障一般都不是严重问题，只是系统在找到的用于引导的驱动器中找不到引导文件，比如：BIOS的引导驱动器设置中将软驱排在了硬盘驱动的前面，而软驱中又放有没有引导系统的软盘或者BIOS的引导驱动器设置中将光驱排在了硬盘驱动的前面，而光驱中又放有没有引导系统的光盘，这个都很简单，将光盘或软盘取出就可以了，实际应用中遇到“DiskBootFailure，InsertSystemDiskAndPressEnter”的提示，多数都是这个原因。如果是硬盘不能引导的话一般有两种情况：一种是硬盘数据线没有插好，另一种就是硬盘数据损坏。前者一般多会出现硬盘容量检测不正确和引导时出现死机的现象；后者则是干脆找不到引导文件或提示文件损坏。前者只需重新连接好数据线即可；后者则需要用win98的启动软盘或启动光盘启动，根据实际情况来定：一、提示“Invalidpartitiontable”或“NotFoundany[activepartition]inHDDDiskBootFailure，InsertSystemDiskAndPressEnter”，这说明找不到硬盘活动分区，需要对硬盘重新分区。二、提示“Missoperationsyste”，说明硬盘活动分区需要重新格式化（formatc:/s）。三、提示“InvalidsystemdiskReplacethedisk，andthenpressanykey”或显示“StartingWindows98…”时出现死机，说明硬盘上的系统文件丢失了或损坏，使用“sysc:”，命令传递系统文件给c盘，再将C拷贝给c盘。现象六：硬盘可以引导，但Windows不能正常启动，也不能进入安全模式。这种情况表明Windows98出现了严重的错误，首先，用杀毒软件查杀病毒，看是不是病毒造成的，如果没有发现