【摘要】：傳統(tǒng)上,醫(yī)生采用人工的方式判讀心電圖以評估患者病情。近年來,人工智能技術(shù)促進(jìn)了心電圖數(shù)據(jù)的智能信息挖掘,實(shí)現(xiàn)了心電圖類型自動識別及異常發(fā)現(xiàn),也實(shí)現(xiàn)了以心電圖為生物特征的個體識別系統(tǒng)。典型的基于人工智能的心電圖分析系統(tǒng)包括三個主要處理過程,包括心電圖樣本生成、特征提取和模型分類。現(xiàn)有研究在這三個處理過程上均存在明顯不足。樣本生成階段使用固定序列長度切分心拍且切分的起始位置固定,沒有考慮心拍長度的動態(tài)性和導(dǎo)致切分得到的樣本數(shù)量非常有限,嚴(yán)重影響了系統(tǒng)的分類性能。特征提取階段提出的不同特征提取方法,大都基于單個心拍提取特征,忽略了心拍內(nèi)部的局部特征和心拍之間的內(nèi)在關(guān)聯(lián)。最后,分類階段所使用簡單的神經(jīng)網(wǎng)絡(luò),不能準(zhǔn)確獲取不同特征向量的權(quán)重,導(dǎo)致模型分類效果受限。綜上,現(xiàn)有基于深度學(xué)習(xí)的心電研究還存在明顯的性能提升空間。為此,本文完成了基于深度學(xué)習(xí)的心電圖類型識別(工作1)和心電圖個體識別(工作2)的兩項(xiàng)研究。本文思想是提出準(zhǔn)確的心拍切分方法和有效的特征提取方法,改善神經(jīng)網(wǎng)絡(luò)分類器,提高現(xiàn)有心電系統(tǒng)的性能,對基于心電圖的系統(tǒng)實(shí)用化具有重要價(jià)值和理論意義。論文的主要貢獻(xiàn)如下。(1)提出了一種自適應(yīng)動態(tài)心拍切分方法,準(zhǔn)確切分心拍,提升了工作1的識別準(zhǔn)確率。該方法利用動態(tài)的RR間隔長度表示單個心拍長度,并依據(jù)此切分心拍,體現(xiàn)心拍長度的動態(tài)性。此外,工作2改進(jìn)了一種樣本提取方法,解決了現(xiàn)有研究樣本數(shù)量不足的問題,同時(shí)避免了現(xiàn)有研究中訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)重疊導(dǎo)致的評估效果虛高的問題。(2)提出了基于多尺度的特征提取方法,從多維度挖掘到心電圖的顯著特征,明顯改善了工作1的模型分類效果。方法的主要特點(diǎn)是,從局部心拍、單個心拍和多個心拍三種尺度上,分別利用深度學(xué)習(xí)自動提取特征和心電圖醫(yī)學(xué)知識手動提取特征,從而實(shí)現(xiàn)了對樣本更為豐富和準(zhǔn)確的表達(dá)。(3)將計(jì)算機(jī)視覺中的通道注意力方法引入到神經(jīng)網(wǎng)絡(luò)模型中,自動給不同特征向量分配權(quán)重,進(jìn)一步提升了模型識別效果。最終實(shí)驗(yàn)表明,本文在工作1和2中的識別準(zhǔn)確率分別高達(dá)96.94%和95.86%,比現(xiàn)有研究分別提高了 3.5%和3.0%。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;R540.41
【圖文】：

所謂心動周期，顧名思義就是心臟跳動的周期，指從當(dāng)前心跳的起始到下一逡逑個心跳的起始，人體的心血管系統(tǒng)所經(jīng)歷的一個機(jī)械的周期過程，心臟的結(jié)構(gòu)示逡逑意圖如圖２－１所示。逡逑上腔靜

本文編號：2805775