心電圖（Electrocardiogram,ECG）是最常用的記錄心臟一段時(shí)間內(nèi)生理活動(dòng)的無創(chuàng)診斷工具。心電圖有助于診斷許多心血管疾病,如心房過早收縮、心室過早收縮、心房顫動(dòng)和心肌梗死等。近年來,隨著便攜式心電監(jiān)護(hù)儀（例如,Holter）以及可穿戴設(shè)備（例如,Apple Watch）在醫(yī)療領(lǐng)域的飛速發(fā)展,心電數(shù)據(jù)的數(shù)量迅速增長,導(dǎo)致心血管疾病自動(dòng)診斷系統(tǒng)在分析這些數(shù)據(jù)時(shí)出現(xiàn)了不足。因此,如何自動(dòng)準(zhǔn)確地分析心電數(shù)據(jù)成為多年來的研究熱點(diǎn)。針對(duì)目前心電數(shù)據(jù)庫中數(shù)據(jù)分布和其心電數(shù)據(jù)自身的特點(diǎn),基于不均衡數(shù)據(jù)處理技術(shù)以及深度學(xué)習(xí)網(wǎng)絡(luò)（Deep learning）技術(shù),依據(jù)MIT-BIH Arrhythmia Database中心電圖數(shù)據(jù)分布的特點(diǎn)和The China Physiological Signal Challenge2018數(shù)據(jù)集中ECG信號(hào)的特點(diǎn),圍繞心律失常分類優(yōu)化策略和心律失常自動(dòng)分類環(huán)節(jié)中的關(guān)鍵問題,提出了有效的心律失常自動(dòng)檢測(cè)算法。論文的主要研究?jī)?nèi)容總結(jié)如下。（1）提出了一種基于長短記憶神經(jīng)網(wǎng)絡(luò)（Long-short term memory,LSTM）的類不均衡心律失常自動(dòng)分... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于ECG數(shù)據(jù)的心律失常檢測(cè)系統(tǒng)流程圖

1緒論經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（Recurrentneuralnetwork,RNN）結(jié)合的端到端模型，該模型從RR間期中提取高水平特征，自動(dòng)檢測(cè)ECG記錄中的房顫節(jié)律[16]。Kamaleswaran等人提出了一種13層DCNN模型，用于檢測(cè)單導(dǎo)聯(lián)不等時(shí)長心電信號(hào)中的房顫節(jié)律[17]。雖然使用深度學(xué)習(xí)方法檢測(cè)節(jié)律型心律失常取得良好的成效，但是準(zhǔn)確檢測(cè)心律失常的關(guān)鍵問題依然未解決。基于類別不均衡數(shù)據(jù)有效且快速地檢測(cè)出心律失常類型是一個(gè)值得研究的問題，而目前在這個(gè)問題上的研究較少。尤其是在短時(shí)可變長度心電信號(hào)節(jié)律信息有限的情況下，可靠且準(zhǔn)確地檢測(cè)出心律失常仍然是一個(gè)巨大的挑戰(zhàn)。1.2.2類別不均衡分類問題的研究現(xiàn)狀在類別不平衡分布的數(shù)據(jù)集上有效地進(jìn)行分類器學(xué)習(xí)是數(shù)據(jù)挖掘領(lǐng)域中的一個(gè)具有挑戰(zhàn)性的問題。在20世紀(jì)90年代，Anand等人探討了類不平衡對(duì)淺層神經(jīng)網(wǎng)絡(luò)中反向傳播算法的影響[18]。隨著人工智能技術(shù)的快速發(fā)展，這個(gè)問題在許多實(shí)際應(yīng)用中的存在，引起了越來越多研究人員的關(guān)注。圖1.2是在Webofscience中輸入關(guān)鍵詞“imbalanceddataset”搜索到的2007-2019年學(xué)術(shù)論文的發(fā)表情況。從圖中可以看出，研究人員對(duì)類別不均衡問題的研究熱情不斷的上升。圖1.22007-2019年不均衡問題相關(guān)論文發(fā)表情況當(dāng)數(shù)據(jù)集中的一個(gè)類別的樣本數(shù)量與其他類別的樣本數(shù)量差值較大時(shí)，說明該數(shù)據(jù)集是不平衡的。此外，從學(xué)習(xí)任務(wù)[19]的角度來看，樣本數(shù)量最少的類別通常是感興趣的類別。這個(gè)問題出現(xiàn)在諸多實(shí)際分類問題中，如遙感[20]、污染檢測(cè)[21]、風(fēng)險(xiǎn)管理[22]、欺詐檢測(cè)[23]，特別是醫(yī)學(xué)診斷[24–28]。不均衡問題在這些領(lǐng)域中是非常重要的，例如，癌癥患者實(shí)例個(gè)數(shù)比非癌癥患者實(shí)例個(gè)數(shù)小4

2研究基礎(chǔ)和相關(guān)理論背景圖2.1一個(gè)典型正常心電圖波形樣例表2.1常見心律失常類型心律失常類型心電圖特征房顫（AF）P波消失；心室率大于100-160次/分；RR間期不等；QRS復(fù)合波正常，見圖2.2.(b)。右束支傳導(dǎo)阻滯（RBBB）形態(tài)上V1和V2導(dǎo)聯(lián)呈現(xiàn)rsR’型；V5和V6導(dǎo)聯(lián)呈現(xiàn)qRS型或RS型，同時(shí)T波方向與QRS復(fù)合波主波的方向相反，見圖2.2.(c)。左束支傳導(dǎo)阻滯（LBBB）節(jié)律規(guī)整；QRS復(fù)合波的時(shí)間大于0.12s；V5導(dǎo)聯(lián)和V6導(dǎo)聯(lián)中R波出現(xiàn)頓挫，見圖2.2.(d)。房性早搏（PAC）異常房性P波提前；PR間期延長，見圖2.2.(e)。室性早搏（PVC）QRS復(fù)合波提前；形態(tài)寬大畸形；時(shí)間通常超過0.12s，見圖2.2.(f)。2.2深度學(xué)習(xí)概述近年來，深度學(xué)習(xí)（Deeplearning,DL）成為了人工智能領(lǐng)域中一個(gè)很有潛力的研究方向。DL是基于表征學(xué)習(xí)的一種特殊形式，網(wǎng)絡(luò)從神經(jīng)元的每個(gè)連續(xù)隱含層中學(xué)習(xí)和構(gòu)建固有的特征[11]。它的核心是并行處理和網(wǎng)絡(luò)實(shí)體的思想。對(duì)比支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等淺層機(jī)器學(xué)習(xí)模型而言，DL的網(wǎng)絡(luò)結(jié)構(gòu)含有多層感知器，并且能夠無監(jiān)督的提取原始數(shù)據(jù)特征，避免了使用專業(yè)領(lǐng)域知識(shí)獲取輸入數(shù)據(jù)的特征。9

【參考文獻(xiàn)】：
期刊論文
[1]動(dòng)態(tài)心電圖與常規(guī)心電圖診斷冠心病患者心律失常的比較[J]. 龐志茹.  中外醫(yī)療. 2009(13)



本文編號(hào)：3300933