基于卷积神经网络的多导联心电图自动分类方法研究

发布时间：2023-11-21 19:27

　　随着人们生活的节奏日益加快以及人们精神压力的陡增,诱发了心脏类疾病已成为对人体健康构成重大威胁的常见疾病。心电图是现代医院对心脏类疾病基本常规诊疗技术之一,可以为临床医生诊疗提供重要参考。然而,传统心电图自动分类的研究,多聚焦于心拍类型的分类,虽然在测试集上精度很高,但实际临床效果很差,最终诊断仍需医生手工完成,说明心拍分类并不十分可行,误诊或误判时有发生,影响了对心脏类疾病的治疗。近年来,以卷积神经网络为代表的深度学习方法在图像分类处理领域成果显著,为此,本文借鉴其在自动特征提取和分类准确率方面的优势,围绕基于卷积神经网络的多导联心电图自动分类方法展开了研究工作,研究内容主要包括:(1)开展了多导联心电数据预处理方法研究。采用ICBEB心电数据库,包含了6877例心电数据,每个记录都来自临床不同患者的12导联心电数据。为了提高分类识别效果,针对心电数据采集中存在的基线漂移、肌电干扰、工频干扰等几类噪声,分别设计相应的滤波器加以滤除。(2)开展了基于Resnet50网络的多导联心电图自动分类研究。与传统心电图自动分类中先设计特征提取算法再分类识别这一流程不同,研究中采用了卷积神经网络中...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 心电图去噪预处理
        1.2.2 心电图特征提取和分类
        1.2.3 基于卷积神经网络的心电图自动分类
    1.3 存在的问题
    1.4 本文主要研究内容和章节安排
2 心电图与卷积神经网络
    2.1 引言
    2.2 基本心电知识
        2.2.1 心电图的产生
        2.2.2 心电导联系统
        2.2.3 正常心电图典型波形及特点
        2.2.4 心律失常分类
    2.3 心电图数据库
        2.3.2 四大标准心电图数据库
        2.3.3 ICBEB心电图数据库
    2.4 卷积神经网络理论基础
        2.4.1 人工神经网络
        2.4.2 卷积神经网络特性
        2.4.3 卷积神经网络操作
    2.5 本章小结
3 基于Resnet模型的心电图自动分类研究
    3.1 引言
    3.2 Resnet网络模型
    3.3 实验平台与评价指标
        3.3.1 实验平台
        3.3.2 评价指标
    3.4 ICBEB心电图数据集预处理
        3.4.1 心电图去噪
        3.4.2 数据集划分与归一化
    3.5 ICBEB心电数据集实验
        3.5.1 数据读取与转换
        3.5.2 网络训练
        3.5.3 实验结果及分析
    3.6 本章小结
4 基于Resnet优化模型的心电图自动分类研究
    4.1 引言
    4.2 网络模型优化
        4.2.1 网络卷积模块优化
        4.2.2 损失函数
    4.3 网络训练
    4.4 实验结果及分析
        4.4.1 不同超参数值的模型分类
        4.4.2 不同卷积核大小的模型分类
    4.5 本章小结
5 总结与展望
参考文献
附录
    A.学位论文数据集
致谢



本文编号：3865842