心臟病嚴重威脅著人類健康,心電圖(Electrocardiogram,ECG)作為最常用的心臟檢測方式對于心臟病的檢測至關(guān)重要。心電圖記錄的心電信號是一個非線性的時間序列數(shù)據(jù),它記錄著心臟起搏過程中的電壓變化,其信號不僅微弱、繁復且易受到噪音干擾,而且不同類別間還存在著數(shù)據(jù)量嚴重不均衡及異常信號線性可分性極低等問題。這些問題導致構(gòu)建心電信號特征提取模型時難以獲得有效的模型系數(shù),嚴重制約著心律識別性能的進一步提升。本文在心律識別研究中針對其心電圖數(shù)據(jù)嚴重不均衡和具有較高魯棒性和辨別性的特性信息難以提取的問題,分別提出了基于生成對抗網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)的心律識別方法和基于差分信息的集成學習方法。本文的主要研究內(nèi)容如下:(1)基于生成對抗網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)的心律識別方法。研究表明心電數(shù)據(jù)類別嚴重不均衡,致使建立模型過程中,模型易偏向數(shù)據(jù)量大的類別,而數(shù)據(jù)量較小的類別的擬合度較低。模型常處于部分類別過擬合與其他類別欠擬合并存的狀態(tài),致使特征的有效提取極為困難。本文利用CNN模型同DCGAN模型協(xié)作來減少類別不均的影響。首先通過CNN模型建立心律識別模型,在類別不均衡的情況下訓練模型,進而借助該模型篩選出表...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 引言
    1.1 背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容和創(chuàng)新
    1.4 本文組成結(jié)構(gòu)
2 相關(guān)數(shù)據(jù)和技術(shù)
    2.1 心電圖數(shù)據(jù)簡介
    2.2 MIT-BIH數(shù)據(jù)庫
    2.3 降噪技術(shù)
    2.4 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.4.1 人工神經(jīng)網(wǎng)絡(luò)
        2.4.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.3 生成對抗神經(jīng)網(wǎng)絡(luò)
3 基于生成對抗網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)的心律識別方法
    3.1 心律數(shù)據(jù)預處理
        3.1.1 小波變換去噪
        3.1.2 中值濾波器去除基線偏移
    3.2 CNN-DCGAN心律識別方法
        3.2.1 一維CNN心律識別模型
        3.2.2 DCGAN生成稀有類
        3.2.3 CNN-DCGAN心律識別算法
        3.2.4 DCGAN數(shù)據(jù)篩選
    3.3 實驗與分析
        3.3.1 實驗評估標準
        3.3.2 實驗結(jié)果與分析
4 基于ECG差分信息的集成學習方法
    4.1 差分數(shù)據(jù)生成方法
    4.2 集成差分數(shù)據(jù)心律識別方法
    4.3 實驗與分析
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀學位期間的科研成果



本文編號：4046086