基于深度学习的心律失常自动诊断方法研究

发布时间：2022-07-11 13:05

　　生活水平的进步与生活方式的剧烈变化使得人类健康受到严重威胁,心律失常等心血管疾病困扰着越来越多的人,及时发现、预防心脏病发生能有效降低死亡率。心电信号能有效反映人体心脏健康状况,其自动检测与分类识别的应用对预防和诊治心脏疾病有着重大意义。本文简要概括了课题的研究意义及国内外研究现状,并对心电图、心电干扰与心律失常做了基础性说明;心电信号具有抗干扰能力弱特性,利用小波变换良好的时频域和局部分析能力实现降噪;论文针对一般心律失常自动诊断方法过于依赖特征工程等弊端,将深度学习技术应用于心律失常诊断,实现了特征自动提取与分类识别于一体的深层网络模型。本文的创新及研究内容主要包括以下四个方面:1.心电信号易受噪声干扰,针对不同类型的高低频噪声频域分布差异,利用小波变换实现信号中噪声过滤。低频噪声的过滤,将对应低频频域的分解系数置零,然后重构处理后的各尺度小波系数;高频噪声采用小波阈值去噪方法,根据信号特点选取合适的小波基、分解尺度,并利用改进的软硬阈值折中的方法实现噪声干扰有效去除。2.通过数据增强的方式扩展MIT-BIH心电信号数据集,对数据集中所有修正单导联Ⅱ进行R波定位及逐心跳切割,并实现... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 心律失常自动识别研究现状
    1.3 基于深度学习的心律失常自动识别
    1.4 深度学习研究现状
    1.5 本文内容组织结构
2 心电信号与深度学习相关理论
    2.1 心电信号与心律失常理论
    2.2 人工神经网络与深度学习
    2.3 本章总结
3 心电信号预处理
    3.1 MIT-BIH数据集
    3.2 ECG信号小波变换
    3.3 基于小波变换的心电信号滤波
    3.4 ECG数据预处理
    3.5 本章小结
4 基于循环神经网络的心拍自动分类识别
    4.1 循环神经网络
    4.2 LSTM_ECG网络模型
    4.3 基于LSTM_ECG网络模型的心拍识别
    4.4 本章小结
5 基于卷积神经网络的心拍自动分类识别
    5.1 卷积神经网络
    5.2 CNN_ECG网络模型
    5.3 基于CNN_ECG网络模型的心拍识别
    5.4 本文与其他方法对比分析
    5.5 本章小结
6 总结与展望
    6.1 工作总结
    6.2 研究展望
参考文献
致谢


【参考文献】：
期刊论文
[1]《中国心血管病报告2016》概要[J]. 陈伟伟,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,蒋立新,胡盛寿.  中国循环杂志. 2017(06)
[2]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[3]基于心电图分析的心律失常分类[J]. 李坤阳,胡广书.  清华大学学报(自然科学版). 2009(03)
[4]基于形态滤波的心电信号基线矫正算法[J]. 毛玲,孙即祥,张国敏,季虎.  信号处理. 2008(04)
[5]基于多阶人工神经网络的ECG信号诊断模型研究[J]. 骆德汉,许广桂,邹宇华,H.Gholam Hosseini.  仪器仪表学报. 2008(01)
[6]MIT-BIH心率失常数据库的识读及应用[J]. 宋喜国,邓亲恺.  中国医学物理学杂志. 2004(04)
[7]基于小波变换的自适应滤波器消除ECG中基线漂移[J]. 李小燕,王涛,冯焕清,詹长安.  中国科学技术大学学报. 2000(04)

博士论文
[1]心电信号智能分析关键技术研究[D]. 姚成.吉林大学 2012
[2]心电信号自动分析关键技术研究[D]. 季虎.国防科学技术大学 2006

硕士论文
[1]基于深度置信网络的心律失常分类算法研究[D]. 白洋.河北大学 2016
[2]基于深度神经网络的心电图自动分类方法研究与实现[D]. 樊承柱.山东大学 2016
[3]心电信号的异常心律分类算法研究[D]. 陈义.重庆大学 2016
[4]心电信号自动分析的几种算法研究[D]. 孟欢欢.清华大学 2014
[5]心电信号自动检测与诊断方法的研究[D]. 韩君泽.哈尔滨工业大学 2013
[6]心律失常自动识别算法的研究[D]. 王如想.山东大学 2013
[7]基于模糊聚类算法对心电数据典型特征分类研究[D]. 刘世雄.浙江大学 2006



本文编号：3658214