心血管疾病是威脅人類健康的第一大殺手。由于心血管疾病具有突發(fā)性和高危險性,因此對患者的心電信號進(jìn)行實(shí)時動態(tài)監(jiān)測顯得尤為重要。計算機(jī)輔助心電信號自動分類是解決該問題的有效方案,但現(xiàn)有的分類算法在特征提取能力、處理數(shù)據(jù)不平衡問題以及分類識別準(zhǔn)確性三方面所面臨的問題仍是制約其廣泛應(yīng)用的主要瓶頸。針對上述問題,本文結(jié)合深度學(xué)習(xí)模型的優(yōu)勢,對心電信號分類方法展開研究,主要研究內(nèi)容如下:1)利用小波變換對心電信號進(jìn)行去噪和重構(gòu),在檢測到R峰位置后對其進(jìn)行心拍分割,并采用一種基于插值的過采樣方法進(jìn)行心拍數(shù)據(jù)增強(qiáng),以減少數(shù)據(jù)不平衡帶來的影響。2)設(shè)計了基于一維卷積神經(jīng)網(wǎng)絡(luò)的心電信號分類模型,利用卷積神經(jīng)網(wǎng)絡(luò)的局部感受野特性實(shí)現(xiàn)心拍特征的提取。該模型最終的分類準(zhǔn)確率為98.43%,綜合指標(biāo)Macro-F1為91.95%。3)設(shè)計了基于卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)相結(jié)合的組合分類模型,該模型利用長短期記憶網(wǎng)絡(luò)的在時間上的記憶能力,克服卷積神經(jīng)網(wǎng)絡(luò)在時序特征獲取能力上的不足,有效提取心電信號的時序特征和空間特征。該模型最終的分類準(zhǔn)確率為98.69%,Macro-F1為93.07%。4)借鑒自然語言處理領(lǐng)域的... 

【文章來源】：江西財經(jīng)大學(xué)江西省

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【部分圖文】：

真實(shí)心電圖

2心電信號預(yù)處理92心電信號預(yù)處理由于ECG信號含有多種不同類別的高頻或低頻噪聲，為了獲取真正有用的ECG信號，減小噪聲對分類結(jié)果的影響，需要先對ECG信號進(jìn)行去噪處理。此外，完整的心電圖是連續(xù)的長時間序列，若直接將其作為分類網(wǎng)絡(luò)的輸入，會極大地增加網(wǎng)絡(luò)計算的復(fù)雜度。因此在心電信號分類研究中，通常將整段的ECG信號按照某種特定的規(guī)則分割成以心拍為單位的若干個小片段。以上對ECG信號的去噪及心拍分割統(tǒng)稱為預(yù)處理過程。2.1心電信號相關(guān)知識2.1.1心電信號產(chǎn)生的機(jī)理正常人體的心臟在不斷地進(jìn)行有節(jié)律的舒張和收縮，維持人體各項(xiàng)機(jī)能系統(tǒng)的正常運(yùn)轉(zhuǎn)，心電信號便是在這一過程中由人體心臟細(xì)胞一系列的電活動產(chǎn)生的，在心肌細(xì)胞的除極和復(fù)極的過程中均會產(chǎn)生電流。如圖2-1所示，心肌細(xì)胞在靜息狀態(tài)下，細(xì)胞膜外分布大量正電荷，而細(xì)胞膜內(nèi)分布等數(shù)量的負(fù)電荷，該狀態(tài)下保持電荷平衡，內(nèi)外電位差稱之為靜息電位[30]。在受到外界刺激時，細(xì)胞做出相應(yīng)反應(yīng)，細(xì)胞膜對各種金屬、非金屬離子的通透性會發(fā)生改變，造成內(nèi)外正負(fù)電荷的相對移動，在刺激作用消失后又逐漸恢復(fù)靜息狀態(tài)，這中間的過程稱為除極和復(fù)極。專業(yè)醫(yī)師通過分析心電信號可以了解心臟各項(xiàng)生理特征，判斷其是否能維持人體穩(wěn)定的機(jī)能、是否存在潛在的影響，在醫(yī)學(xué)上具有重要意義。圖2-1心電信號的產(chǎn)生

基于深度學(xué)習(xí)的心電信號分類方法研究102.1.2心電信號各波段介紹心電圖是一種診斷工具，可以精確地測量和記錄心臟的電活動�？梢酝ㄟ^心電圖中的波形細(xì)節(jié)來診斷各種心臟并評估心律不齊、診斷心肌的血液流動不良等，例如心腔擴(kuò)大和導(dǎo)電異常。心臟活動單個跳動周期會產(chǎn)生一個心跳，等電線上方或下方的偏轉(zhuǎn)稱為波。每個波形都用字母標(biāo)記，主要波形分別是P波、QRS復(fù)波和T波，如圖2-2所示。波形的大小和特定的時間間隔可反映出重要的心臟活動信息，如表2-1所列。例如，正常P波的持續(xù)時間應(yīng)在0.08到0.1秒之間，P波寬度增加可能表明左房異�；蛴曳磕[大，而幅值較高的P波可能表明由于高血壓，冠心病或先天性心臟病而發(fā)生了心房增大。類似地，當(dāng)患者患有急性心肌梗塞時，ST波段幅值升高。相反當(dāng)心肌沒有收到足夠的氧氣時，ST段被壓低。由于ECG信號不會一直保持穩(wěn)定，因此心電信號的表征和特征提取及篩選是一個具有挑戰(zhàn)性的工程。圖2-2ECG信號中主要波形表2-1ECG信號各波段詳細(xì)信息波段描述持續(xù)時間P波代表心房的去極化。心房去極化從SA結(jié)向房室結(jié)，從右心房擴(kuò)散到左心房。<80msP-R間期P-R間期是從P波開始到QRS波的開始時測量的。該間期反映了電脈沖從竇房結(jié)穿過房室結(jié)所需時間。120～200ms

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的心電圖心博識別[J]. 王自強(qiáng),劉洪運(yùn),石金龍,王衛(wèi)東.  中國醫(yī)學(xué)物理學(xué)雜志. 2019(08)
[2]《中國心血管病報告2018》概要[J]. 胡盛壽,高潤霖,劉力生,朱曼璐,王文,王擁軍,吳兆蘇,李惠君,顧東風(fēng),楊躍進(jìn),鄭哲,陳偉偉.  中國循環(huán)雜志. 2019(03)
[3]基于FIR濾波和數(shù)學(xué)形態(tài)學(xué)的心電信號預(yù)處理算法[J]. 鄭秀玉,盧瑞祥.  中國醫(yī)療設(shè)備. 2015(09)
[4]多路數(shù)據(jù)采集系統(tǒng)設(shè)計[J]. 宋永楊,周瓊莉,師光輝.  工業(yè)控制計算機(jī). 2013(05)
[5]基于小波變換的心電信號去噪綜合算法[J]. 趙艷娜,魏瓏,徐舫舟,趙捷,田杰,王越.  現(xiàn)代生物醫(yī)學(xué)進(jìn)展. 2009(16)
[6]基于經(jīng)驗(yàn)?zāi)B(tài)分析心電信號預(yù)處理研究[J]. 康健楠,李昕,王秀清,張濤.  計算機(jī)工程與應(yīng)用. 2008(14)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的心電信號檢測和分類研究[D]. 項(xiàng)延德.浙江大學(xué) 2018

碩士論文
[1]基于一維卷積神經(jīng)網(wǎng)絡(luò)的供水管道泄漏檢測算法的研究[D]. 王海艦.內(nèi)蒙古大學(xué) 2019
[2]基于深度學(xué)習(xí)的RNA打分函數(shù)的研究[D]. 王帥.蘇州大學(xué) 2017
[3]表情不變的三維人臉識別[D]. 陳志軒.南京航空航天大學(xué) 2017
[4]面向人體心電信號的非線性動力特征分類研究[D]. 孫曉冉.哈爾濱工業(yè)大學(xué) 2010



本文編號：2939626