心臟疾病是一種常見的威脅人類健康的慢性病。隨著人工智能技術(shù)的發(fā)展,面向心臟健康監(jiān)護(hù)的可穿戴設(shè)備能自動分析心電信號并做出相應(yīng)的診斷,但高診斷準(zhǔn)確率和高能效設(shè)計(jì)是其面臨的主要挑戰(zhàn)。本文以心跳分類為具體應(yīng)用場景,圍繞提升心跳分類模型的分類性能和架構(gòu)能效,從算法和電路兩個層面,重點(diǎn)攻克心電數(shù)據(jù)分布不平衡場景下分類模型性能偏移、人工提取特征的局限性、分類模型架構(gòu)耗能過多的問題。本文的主要研究內(nèi)容和創(chuàng)新點(diǎn)包括:1.基于重采樣技術(shù)的心跳分類模型的研究。針對心跳分類應(yīng)用中心跳類別分布不平衡導(dǎo)致分類算法性能發(fā)生偏移的問題,提出了 一種基于支持向量機(jī)(SVM)重采樣技術(shù)的數(shù)據(jù)處理算法。該算法利用SVM對訓(xùn)練數(shù)據(jù)進(jìn)行重復(fù)下采樣來提取必要的信息數(shù)據(jù)同時(shí)消除噪聲的負(fù)面影響,能夠最小化信息的損失,最大程度提升數(shù)據(jù)的質(zhì)量,并結(jié)合數(shù)據(jù)的分布特點(diǎn)利用加權(quán)過采樣技術(shù)解決數(shù)據(jù)分布不平衡的問題�；贛IT-BIH數(shù)據(jù)集進(jìn)行測試和比較,實(shí)驗(yàn)結(jié)果表明該心跳分類模型具有分類性能優(yōu)勢,對于心跳類別N、V'和S,可以分別獲得95.8%、78.7%和89.7%的分類準(zhǔn)確率。2.特征自學(xué)習(xí)的心跳分類模型的研究。針對心跳分類應(yīng)用中人工提取特征的局限性,首次提出了 一種針對不定長的心跳序列識別的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)構(gòu)。該網(wǎng)絡(luò)采用時(shí)間窗處理心電數(shù)據(jù)避免了 R波檢測的缺陷,利用長序列的心電信號具有的時(shí)序性特點(diǎn)使用長短時(shí)記憶單元(LSTM)從信號中自動提取相應(yīng)的特征,并結(jié)合聯(lián)結(jié)主義時(shí)間模型(CTC)技術(shù)輸出長度不定的心跳序列來增強(qiáng)分類模型的適用性和實(shí)用性。使用MIT-BIH心律失常數(shù)據(jù)庫對該網(wǎng)絡(luò)的分類性能進(jìn)行評估,實(shí)驗(yàn)結(jié)果表明該RNN分類模型能獲得89.6%的心跳類別準(zhǔn)確率和89.5%的心跳序列準(zhǔn)確率。3.高能效的心跳分類架構(gòu)的研究。分別實(shí)現(xiàn)基于人工提取特征和特征自學(xué)習(xí)的心跳分類模型的高能效架構(gòu)并對其分類能耗進(jìn)行了分析。通過研究心電信號中心跳的分布特點(diǎn),使用一種具有預(yù)分類功能的串聯(lián)結(jié)構(gòu)來優(yōu)化基于人工提取特征的心跳分類模型以減少不必要的計(jì)算和訪存,節(jié)省了 55.1%的單次分類的平均能耗。通過網(wǎng)絡(luò)深度壓縮方法使基于特征自學(xué)習(xí)的心跳分類模型實(shí)現(xiàn)從密集網(wǎng)絡(luò)到稀疏網(wǎng)絡(luò)的轉(zhuǎn)換,減少了 74.6%的參數(shù),減輕了存儲負(fù)擔(dān),并利用量化后的權(quán)重具有共享性的特點(diǎn)改進(jìn)編碼方案增強(qiáng)參數(shù)的重用性,減少了 50.3%的乘法運(yùn)算和37.0%的訪存,進(jìn)一步節(jié)省了 33.9%的分類能耗。本文提出的關(guān)鍵技術(shù)對于提升面向心臟健康監(jiān)護(hù)的可穿戴設(shè)備的分類性能和架構(gòu)能效具有積極的理論研究意義和實(shí)際應(yīng)用價(jià)值。
【學(xué)位單位】：浙江大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：R541;TP18
【部分圖文】：

以采用不同的導(dǎo)聯(lián)數(shù)，一般是從單導(dǎo)聯(lián)至１２導(dǎo)聯(lián)，而心電圖的種類亦可以根據(jù)??導(dǎo)聯(lián)數(shù)進(jìn)行區(qū)分，如３導(dǎo)聯(lián)心電圖、１２導(dǎo)聯(lián)心電圖等［８］。一個典型的正常竇性心??律的心電波形如圖１－１所示，其主要包含了?Ｐ波、ＱＲＳ波群及Ｔ波，分別反映??了心臟各部位的變化情況：??１．?Ｐ波：代表左右心房的興奮過程，是心電信號的起始波。Ｐ波的持續(xù)時(shí)間不??多于１２０毫秒，其幅值不高于０．２５毫伏［９］，雖然Ｐ波對于心律失常的診斷具??有重要的意義，但在具有低信噪比的心電信號中分析Ｐ波是非常困難的。??２．?ＱＲＳ波群：反映心室去極化的全過程（心室收縮），自Ｑ波的起始至Ｓ波的??結(jié)束。ＱＲＳ波群的持續(xù)范圍通常介于８０毫秒－１２０毫秒，其最大的電壓偏移??約１０－２０毫伏，但這個值大小可能會隨年齡和性別而變化。??３．?Ｔ波：代表心室再極化的過程（心室舒張）。Ｔ波的持續(xù)時(shí)間比較長，波形較??平緩

１．３．１．１分類算法??正如上文提到的，基于人工提取特征的分類算法包含三個主要步驟，其流程??圖如圖１－２所示。本小節(jié)將對三個步驟的研究現(xiàn)狀進(jìn)行詳細(xì)介紹。??；特征提��！??ｄ?：數(shù)據(jù)預(yù)處理?｜??由?＿＾?（消除各種：??原＆電?｜噪聲及人為：??：?樂?－Ｉ；：?特征篩選：丨?分類階段?；??特征提取?ｉ?：ｉ?１：?：｜?１：??：（提取人工：：特征降維?｜＿＾學(xué)習(xí)算法?！??：分析后的特?＾一￣ｆ?（ＰＣＡ、ＩＣＡ?：￣ｆ?（ＳＶＭ．??：征）?：：等）?：?：ｋＮＮ?等）??？???Ｉ?？?＜?＇??圖１－２?＊于人工提取特征的心跳算法流程圖??（１）特征提取??特征提取在心律失常的檢測和分類中起著重要的作用，為提取顯著特征需要??對心電信號進(jìn)行預(yù)處理，主要是消除其基線漂移、電源線干擾、肌肉收縮和電極??運(yùn)動引起的噪聲等，以防其干擾基準(zhǔn)點(diǎn)的檢測和心跳的分類｜２１１。現(xiàn)今，主要手??段是通過采用濾波技術(shù)達(dá)到心電信號預(yù)處理的效果，最為常用的是ＦＩＫ?（Ｆｉｎｉｔｅ??５??

是心跳間隔（ＲＲ?ｉｎｔｅｒｖａｌ），即兩個相鄰的Ｒ峰之間的時(shí)間間隔，而規(guī)格化的心??跳間隔可以進(jìn)一步提高該特征對不同心跳的區(qū)分度［３＞３４］，甚至有一些識別方法中??只使用心跳間隔作為特征［￥３７］。其他時(shí)間信息相關(guān)的特征如圖１－１所示，其中??ＱＲＳ波群的持續(xù)時(shí)間是最多使用的。當(dāng)ＱＲＳ波群的形態(tài)發(fā)生變化，預(yù)示著很可??能出現(xiàn)了心律失常，因而ＱＲＳ波群的形態(tài)也是常用特征，該特征可以直接采樣??自ＱＲＳ波群，但為了消除噪聲的影響一般是先通過Ｈｅｒｒａｉｔｅ多項(xiàng)式或是小波變??換等對ＱＲＳ波群進(jìn)行處理后，再提取形態(tài)特征［３８４１］。由于高階統(tǒng)計(jì)量（Ｈｉｇｈ?Ｏｒｄｅｒ??Ｓｔａｔｉｓｔｉｃｓ）特別適用于估計(jì)形狀參數(shù)，如偏度和峰度，因此采用提取的形態(tài)特征??的高階統(tǒng)計(jì)量（ＨＯＳ）作為新的特征［４２４４］來使形態(tài)特征更具辨識度。此外，還有??其他統(tǒng)計(jì)特征比如平均值、標(biāo)準(zhǔn)差、能量、變異系數(shù)（ＣｏｅｆｆｉｃｉｅｎｔＶａｒｉａｎｃｅ）等。??對于心電信號記錄來說，可用于分析的數(shù)據(jù)不止一個通道，為了提取包含更全面??信息的特征
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊曦;逄彥華;邱桂鳳;;ECG在胸痛患者鑒別診斷中的價(jià)值[J];當(dāng)代醫(yī)學(xué);2013年33期

2 黃進(jìn)文;王威廉;;平滑濾波對ECG的R波幅值影響研究[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年06期

3 邢國泉;自適應(yīng)濾波器在ECG信號除噪中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2005年03期

4 林加鋒;壞死性病毒性心肌炎的ECG與臨床(附3例報(bào)告)[J];實(shí)用心電學(xué)雜志;2003年01期

5 丁福祥,劉同庫,吳宗玉,孫培明,賈廣麒;正常人ECG雙極胸導(dǎo)聯(lián)檢測結(jié)果分析[J];北華大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年02期

6 史永蘭,王蓉;ECG—6511型心電圖機(jī)走紙速度控制電路的分析[J];醫(yī)療裝備;2000年01期

7 蔡毓英,林谷秀,周明秀,王建安,陳德才,何祚光,張淑英;常規(guī)ECG法阿托品試驗(yàn)假陰性的初步探討[J];江蘇醫(yī)藥;1994年01期

8 楊淑梅，劉瑛;急性前間壁心肌梗塞的ECG診斷[J];白求恩醫(yī)科大學(xué)學(xué)報(bào);1995年03期

9 申雪峰;龐天賜;黃詒焯;;1—10 起搏病人的ECG監(jiān)護(hù)初步研究[J];醫(yī)學(xué)物理;1987年Z1期

10 OLLE PAHLM;郭晶;;運(yùn)動ECG的數(shù)據(jù)處理[J];國外醫(yī)學(xué).生物醫(yī)學(xué)工程分冊;1988年01期

相關(guān)博士學(xué)位論文 前6條

1 徐銀;ECG心跳分類算法及高能效架構(gòu)研究[D];浙江大學(xué);2018年

2 唐孝;基于粗糙集的知識發(fā)現(xiàn)方法及其在ECG信號識別中的應(yīng)用[D];電子科技大學(xué);2015年

3 黃博強(qiáng);基于Context模型和矢量—標(biāo)量量化器的ECG信號壓縮[D];復(fù)旦大學(xué);2010年

4 楊曉利;基于體表ECG的ShR信號檢測研究[D];中南大學(xué);2011年

5 壽國法;生物醫(yī)學(xué)電磁正反問題數(shù)值計(jì)算方法研究[D];浙江大學(xué);2009年

6 李江冰;基于健康體檢大數(shù)據(jù)的人群異常ECG與冠脈斑塊分布譜及其影響因素研究[D];山東大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 王永祥;基于ECG的心臟驟停預(yù)測方法研究[D];吉林大學(xué);2017年

2 高力鑫;ECG信號的自適應(yīng)無損壓縮[D];西安電子科技大學(xué);2010年

3 吳豆豆;基于小波變換的ECG特征提取與分類識別研究[D];云南大學(xué);2012年

4 龍正吉;小波變換提取ECG信號情感特征的研究[D];西南大學(xué);2010年

5 馬登峰;基于粗糙集決策樹的專家系統(tǒng)在ECG自動識別中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2004年

6 丁玉潔;基于本體論的ECG診斷系統(tǒng)的開發(fā)與研究[D];華東理工大學(xué);2011年

7 劉文娜;基于ECG信號進(jìn)行心律失常及睡眠呼吸暫停綜合癥診斷分析[D];南京郵電大學(xué);2015年

8 母遠(yuǎn)慧;心律失常ECG信號的多尺度時(shí)頻特征提取與分析研究[D];北京理工大學(xué);2015年

9 沈君;ECG身份識別算法的研究與實(shí)現(xiàn)[D];山東大學(xué);2012年

10 于亮;優(yōu)秀男子馬拉松運(yùn)動員ECG監(jiān)控的研究[D];遼寧師范大學(xué);2007年

本文編號：2843861