隨著社會生產(chǎn)力的發(fā)展和人們生活水平的提高,心血管疾病逐漸成為人類生活中所面臨的最主要的健康殺手之一。在種類眾多的心血管疾病之中,心律不齊是最主要的、最常見的臨床表現(xiàn),及時(shí)發(fā)現(xiàn)其癥狀對于改善患者的健康狀況和延續(xù)其生命具有重要意義,因此對于心律不齊的精確診斷在心血管醫(yī)學(xué)領(lǐng)域極受重視。然而,心血管疾病專家們在臨床的醫(yī)學(xué)診斷中面臨著諸多問題,這使得臨床上對心律不齊的精確診斷對于醫(yī)生們而言成為了一項(xiàng)費(fèi)時(shí)費(fèi)力的工作而且極容易產(chǎn)生誤診、漏診等問題。在這種情況下,設(shè)計(jì)自動進(jìn)行心律不齊診斷的方法便顯得愈發(fā)重要。在研究心電疾病診斷分類模型時(shí),基于傳統(tǒng)機(jī)器學(xué)習(xí)方法的模型存在著許多的缺陷。第一,其分類模型需要對心電信號數(shù)據(jù)進(jìn)行繁瑣的噪聲消除步驟;第二,傳統(tǒng)的分類模型需要進(jìn)行復(fù)雜的特征工程,特征工程又基于大量的心臟疾病專家知識。而卷積神經(jīng)網(wǎng)絡(luò)擁有著自動化的特征提取能力,并且近年來在計(jì)算機(jī)視覺、強(qiáng)化學(xué)習(xí)以及自然語言處理等領(lǐng)域也已經(jīng)表現(xiàn)出了卓越的性能,因此本文旨在基于卷積神經(jīng)網(wǎng)絡(luò)研究心電信號自動分類方法。本文的主要工作有以下兩個(gè)方面。一是提出了一種基于多尺度卷積和注意力機(jī)制的殘差網(wǎng)絡(luò)分類模型,該模型主要是通過多個(gè)網(wǎng)... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１心臟泵血活動電位變化周期［５２］??然而，在臨床的醫(yī)學(xué)診斷中，心電圖診斷分析面臨著諸多問題

，心拍信號被分為五類：正常類（Ｎ），室??上性異位搏動（Ｓ），室性異位搏動（Ｖ），融合心拍（Ｆ）和未知心拍類型（Ｑ）。??在患者間模式（ｉｎｔｅｒ－ｐａｔｉｅｎｔ）中，心拍信號被分為三類：正常類（Ｎ），室上性??異位搏動（Ｓ），室性異位搏動（Ｖ）。??本小節(jié)的最后主要描述本章所設(shè)計(jì)的網(wǎng)絡(luò)模型在注意力機(jī)制方面的創(chuàng)新工??作。本章網(wǎng)絡(luò)模型的注意力機(jī)制的創(chuàng)新主要是基于卷積塊注意力模塊??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｂｌｏｃｋ?Ａｔｔｅｎｔｉｏｎ?Ｍｏｄｕｌｅ，?ＣＢＡＭ）?［３６］的基矗圖２－３展示了ＣＢＡＭ??的主要計(jì)算流程：由于卷積運(yùn)算是通過將跨通道（Ｃｈａｎｎｅｌ）和空間（Ｓｐａｔｉａｌ）信??息融合在一起來提取信息特征，因此ＣＢＡＭ強(qiáng)調(diào)沿著通道和空間兩個(gè)主要維度進(jìn)??行注意力機(jī)制的設(shè)計(jì)，即分別設(shè)計(jì)通道注意力（Ｃｈａｎｎｅｌ?Ａｔｔｅｎｔｉｏｎ）模塊和空間??注意力（Ｓｐａｔｉａｌ?Ａｔｔｅｎｔｉｏｎ）模塊。??Ｃｈａｎｎｅｌ?Ｓｐａｔｉａｌ??／?Ａｔｔｅｎｔｉｏｎ?＼?／?Ａｔｔｅｎｔｉｏｎ?＼??Ｉｎｐｕｔ?Ｌ?＾?Ｏｕｔｐｕｔ??圖２－３?ＣＢＡＭ計(jì)算流程圖??圖２－４（ａ）展示了在給定中間特征圖（Ｆｅａｔｕｒｅ?ｍａｐ，?Ｆ）的情況下，ＣＢＡＭ的通??道注意力模塊設(shè)計(jì)細(xì)節(jié)。在卷積神經(jīng)網(wǎng)絡(luò)中，不同的通道可以視為網(wǎng)絡(luò)模型的一??個(gè)個(gè)特征提取器ｔ３＇而通道注意力模塊正是關(guān)注于哪一個(gè)通道的特征對于模型是??比較有意義的。首先對每一個(gè)通道的特征圖基于寬度和高度兩個(gè)參數(shù)進(jìn)行壓縮，??壓縮方式分別采用全局平均池化（Ｇｌｏｂａｌ?Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）和全局最大池化??（Ｇｌｏｂａｌ?Ｍａｘ?Ｐｏｏｌｉ

，心拍信號被分為五類：正常類（Ｎ），室??上性異位搏動（Ｓ），室性異位搏動（Ｖ），融合心拍（Ｆ）和未知心拍類型（Ｑ）。??在患者間模式（ｉｎｔｅｒ－ｐａｔｉｅｎｔ）中，心拍信號被分為三類：正常類（Ｎ），室上性??異位搏動（Ｓ），室性異位搏動（Ｖ）。??本小節(jié)的最后主要描述本章所設(shè)計(jì)的網(wǎng)絡(luò)模型在注意力機(jī)制方面的創(chuàng)新工??作。本章網(wǎng)絡(luò)模型的注意力機(jī)制的創(chuàng)新主要是基于卷積塊注意力模塊??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｂｌｏｃｋ?Ａｔｔｅｎｔｉｏｎ?Ｍｏｄｕｌｅ，?ＣＢＡＭ）?［３６］的基矗圖２－３展示了ＣＢＡＭ??的主要計(jì)算流程：由于卷積運(yùn)算是通過將跨通道（Ｃｈａｎｎｅｌ）和空間（Ｓｐａｔｉａｌ）信??息融合在一起來提取信息特征，因此ＣＢＡＭ強(qiáng)調(diào)沿著通道和空間兩個(gè)主要維度進(jìn)??行注意力機(jī)制的設(shè)計(jì)，即分別設(shè)計(jì)通道注意力（Ｃｈａｎｎｅｌ?Ａｔｔｅｎｔｉｏｎ）模塊和空間??注意力（Ｓｐａｔｉａｌ?Ａｔｔｅｎｔｉｏｎ）模塊。??Ｃｈａｎｎｅｌ?Ｓｐａｔｉａｌ??／?Ａｔｔｅｎｔｉｏｎ?＼?／?Ａｔｔｅｎｔｉｏｎ?＼??Ｉｎｐｕｔ?Ｌ?＾?Ｏｕｔｐｕｔ??圖２－３?ＣＢＡＭ計(jì)算流程圖??圖２－４（ａ）展示了在給定中間特征圖（Ｆｅａｔｕｒｅ?ｍａｐ，?Ｆ）的情況下，ＣＢＡＭ的通??道注意力模塊設(shè)計(jì)細(xì)節(jié)。在卷積神經(jīng)網(wǎng)絡(luò)中，不同的通道可以視為網(wǎng)絡(luò)模型的一??個(gè)個(gè)特征提取器ｔ３＇而通道注意力模塊正是關(guān)注于哪一個(gè)通道的特征對于模型是??比較有意義的。首先對每一個(gè)通道的特征圖基于寬度和高度兩個(gè)參數(shù)進(jìn)行壓縮，??壓縮方式分別采用全局平均池化（Ｇｌｏｂａｌ?Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）和全局最大池化??（Ｇｌｏｂａｌ?Ｍａｘ?Ｐｏｏｌｉ


本文編號：3441322