目前我國處于心血管疾病高發(fā)期,作為診斷依據(jù)的心電圖不僅數(shù)據(jù)量極為龐大,而且心拍類型也非常多樣化,致使人工對心電圖進(jìn)行逐個(gè)心拍的分析成為一項(xiàng)難以有效完成的任務(wù)。特別是在臨床監(jiān)護(hù)或穿戴式健康監(jiān)護(hù)環(huán)境下的實(shí)時(shí)心電診斷,面臨著多路并發(fā)、高頻次、醫(yī)護(hù)人員相對極為有限等現(xiàn)實(shí)問題,對醫(yī)護(hù)工作人員來說更是一項(xiàng)不可完成的任務(wù)。此外,因一些異常心拍出現(xiàn)的突然性和不頻繁性,致使心臟病專家難以及時(shí)捕獲一些緊急病情的重要心電變化信息,這將直接威脅患者的生命安全。因此,如何從大量心電圖數(shù)據(jù)中自動(dòng)、及時(shí)識別異常心拍,提高心電診斷的準(zhǔn)確性和及時(shí)性,成為近期的研究熱點(diǎn)。本文主要針對心拍的特征生成和識別展開研究,主要內(nèi)容及創(chuàng)新點(diǎn)如下:（1）提出了一個(gè)基于余弦距離的深度堆疊自編碼器特征生成方法。心拍信號中通常含有加性環(huán)境噪聲,這些噪聲信號會嚴(yán)重干擾或破壞表示心拍狀態(tài)的關(guān)鍵信息,致使有效提取心拍的特征信息非常困難。此外,心拍信號中部分時(shí)域信號的變化較為劇烈,其變化速率并不符合高斯分布。鑒于這些發(fā)現(xiàn),上述特征生成方法首先采用收縮自編碼器和稀疏自編碼器從帶有噪聲心拍信號中提取具有稀疏性的有效心拍特征信息。之后采用余弦距離測度輸入... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

心臟傳導(dǎo)系統(tǒng)[32]

心拍的特征生成和識別算法研究10心臟由心內(nèi)膜、心肌膜和心外膜組成。心內(nèi)膜位于心臟內(nèi)層，與血管相連，靠近心內(nèi)膜的外層為心肌膜，它是由心肌組成，最外層為心外膜。通常心肌膜是相對于其他兩者最厚的組織，若心臟收縮產(chǎn)生的電激動(dòng)刺激到心肌膜，會引發(fā)心肌膜內(nèi)外正負(fù)離子運(yùn)動(dòng)稱為透膜運(yùn)動(dòng)，該運(yùn)動(dòng)會在體表的不同部位造成電位差。心臟在靜息狀態(tài)下，膜內(nèi)外正負(fù)離子數(shù)量相同，體表不同部位間不會產(chǎn)生電位差，此時(shí)為極化狀態(tài)，心電圖信號為水平線段。當(dāng)心肌膜內(nèi)外的正負(fù)電荷的陰陽離子通過透膜發(fā)生跨膜運(yùn)動(dòng)時(shí)，會出現(xiàn)除極和復(fù)極化，此時(shí)，心電圖中的P波和QRS復(fù)合波為除極波，T波為復(fù)極波[32]。由此可知，心電圖波形傳遞著心臟的信息，可作為心臟異常診斷的重要工具。2.1.2心電圖組成心臟跳動(dòng)產(chǎn)生的生理信號在體表各個(gè)部位都能感受到，且每個(gè)部位接收的信號電壓值不同，根據(jù)電壓值的不同ECG波形顯示出不同的形狀，稱之為導(dǎo)聯(lián)。目前使用最多的是在Einthoven-Wilosn博士發(fā)明基礎(chǔ)上得到的標(biāo)準(zhǔn)12導(dǎo)聯(lián)系統(tǒng)[32]。通常心電圖數(shù)據(jù)幅度范圍為0mV-5mV，頻率范圍為0.5Hz-100Hz。心電圖信號中的一個(gè)心跳稱為心拍，一個(gè)心拍包含P波、QRS波群和T波，如圖2-2所示。圖2-2正常心拍波段P波為心房去極化過程的心電活動(dòng)，在正常心房循環(huán)過程中，右心房和左心房分別要進(jìn)行去極化。P波上升時(shí)為右心房的去極化，下降時(shí)為左心房去極化。通常，P波持續(xù)時(shí)間約為0.10s，幅值約為0.2mV[32]。Q波、R波以及S波通常以QRS波群的形式出現(xiàn)，反映心室去極化過程的心電活動(dòng)，是一個(gè)心拍的主要組成部分，可顯示心拍的主要特征。通常心肌收縮會產(chǎn)生R波和S波，持續(xù)時(shí)間約為0.11s，振幅為2mV-3mV。

心拍的特征生成和識別算法研究12率和精確度。帶有基線漂移噪聲的心電圖如圖2-3所示，從圖中可以看出，含有基線漂移噪聲的心電圖PR段和ST段頻譜已被重度干擾，如果濾波方法使用不當(dāng)，會造成PR段和ST段頻譜嚴(yán)重失真。（a）109記錄的11秒心電波形（b）113記錄的14秒心電波形圖2-3含基線漂移噪聲的心電波形圖（2）肌電干擾肌電干擾是由肌肉收縮導(dǎo)致的心電圖變化，通常由于受周圍環(huán)境的影響導(dǎo)致體表溫度過冷，或因?yàn)槭茉囌咝睦砭o張就會產(chǎn)生大量的不規(guī)則高頻電干擾。肌電干擾通常表現(xiàn)為快速變化的高頻波動(dòng)，隨機(jī)發(fā)生且頻率范圍一般在5HZ-2000HZ之間，頻譜特征接近于白噪聲。含有肌電干擾噪聲的心電圖如圖2-4所示。

【參考文獻(xiàn)】：
期刊論文
[1]一種基于FOA與Autoencoder改進(jìn)的聚類算法[J]. 梁勝彬,朱斌,渠慎明.  河南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(01)
[2]基于深度學(xué)習(xí)的圖像分類研究綜述[J]. 蘇賦,呂沁,羅仁澤.  電信科學(xué). 2019(11)
[3]基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的心電信號降噪[J]. 陳健,劉明,熊鵬,孟憲輝,楊林.  計(jì)算機(jī)工程與應(yīng)用. 2020(16)
[4]疊加去噪自動(dòng)編碼器結(jié)合深度神經(jīng)網(wǎng)絡(luò)的心電圖信號分類方法[J]. 顏菲,胡玉平.  計(jì)算機(jī)應(yīng)用與軟件. 2019(04)
[5]類內(nèi)類間距離在CNN識別心拍類中的應(yīng)用研究[J]. 原永朋,游大濤,武相軍,魏夢凡,朱萌博,耿旭東,賈乃仁.  計(jì)算機(jī)工程與應(yīng)用. 2019(14)
[6]自編碼神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計(jì)算機(jī)學(xué)報(bào). 2019(01)
[7]基于深度神經(jīng)網(wǎng)絡(luò)的遙感圖像分類算法綜述[J]. 崔璐,張鵬,車進(jìn).  計(jì)算機(jī)科學(xué). 2018(S1)
[8]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)

博士論文
[1]基于深度自編碼器的機(jī)械故障診斷方法研究[D]. 張玉彥.華中科技大學(xué) 2019
[2]激光相干測振信號處理技術(shù)研究[D]. 晏春回.中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所) 2019
[3]面向健康監(jiān)護(hù)的穿戴式體征信息感知技術(shù)研究[D]. 羅堪.東南大學(xué) 2015

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法研究[D]. 陳會志.南京郵電大學(xué) 2019
[2]基于多模態(tài)神經(jīng)網(wǎng)絡(luò)的心電信號自動(dòng)識別算法研究[D]. 馬廣龍.北京郵電大學(xué) 2019
[3]基于心電信號的異常心律分類研究[D]. 衛(wèi)悅.中北大學(xué) 2019
[4]基于深度學(xué)習(xí)的端到端心電自動(dòng)分類方法研究與實(shí)現(xiàn)[D]. 蘆振寰.深圳大學(xué) 2018
[5]心電數(shù)據(jù)的預(yù)處理與分類算法研究[D]. 王鳳.中北大學(xué) 2018
[6]起搏心電圖自動(dòng)分析算法的設(shè)計(jì)[D]. 柳成.東南大學(xué) 2018
[7]基于非線性變換的個(gè)性化心電信號自動(dòng)分類算法研究[D]. 陳佳明.西南交通大學(xué) 2018
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的第一導(dǎo)聯(lián)心電圖分類[D]. 李瀟.天津大學(xué) 2018
[9]基于深度神經(jīng)網(wǎng)絡(luò)的心電圖自動(dòng)分類方法研究與實(shí)現(xiàn)[D]. 樊承柱.山東大學(xué) 2016
[10]基于小波變換和神經(jīng)網(wǎng)絡(luò)的心電圖分類識別研究[D]. 孔飛.電子科技大學(xué) 2015



本文編號：3493365