基于深度学习的心电信号分类方法研究
发布时间：2020-12-26 11:39
心血管疾病是威胁人类健康的第一大杀手。由于心血管疾病具有突发性和高危险性,因此对患者的心电信号进行实时动态监测显得尤为重要。计算机辅助心电信号自动分类是解决该问题的有效方案,但现有的分类算法在特征提取能力、处理数据不平衡问题以及分类识别准确性三方面所面临的问题仍是制约其广泛应用的主要瓶颈。针对上述问题,本文结合深度学习模型的优势,对心电信号分类方法展开研究,主要研究内容如下:1)利用小波变换对心电信号进行去噪和重构,在检测到R峰位置后对其进行心拍分割,并采用一种基于插值的过采样方法进行心拍数据增强,以减少数据不平衡带来的影响。2)设计了基于一维卷积神经网络的心电信号分类模型,利用卷积神经网络的局部感受野特性实现心拍特征的提取。该模型最终的分类准确率为98.43%,综合指标Macro-F1为91.95%。3)设计了基于卷积神经网络与长短期记忆网络相结合的组合分类模型,该模型利用长短期记忆网络的在时间上的记忆能力,克服卷积神经网络在时序特征获取能力上的不足,有效提取心电信号的时序特征和空间特征。该模型最终的分类准确率为98.69%,Macro-F1为93.07%。4)借鉴自然语言处理领域的...
【文章来源】：江西财经大学江西省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
真实心电图
2心电信号预处理92心电信号预处理由于ECG信号含有多种不同类别的高频或低频噪声，为了获取真正有用的ECG信号，减小噪声对分类结果的影响，需要先对ECG信号进行去噪处理。此外，完整的心电图是连续的长时间序列，若直接将其作为分类网络的输入，会极大地增加网络计算的复杂度。因此在心电信号分类研究中，通常将整段的ECG信号按照某种特定的规则分割成以心拍为单位的若干个小片段。以上对ECG信号的去噪及心拍分割统称为预处理过程。2.1心电信号相关知识2.1.1心电信号产生的机理正常人体的心脏在不断地进行有节律的舒张和收缩，维持人体各项机能系统的正常运转，心电信号便是在这一过程中由人体心脏细胞一系列的电活动产生的，在心肌细胞的除极和复极的过程中均会产生电流。如图2-1所示，心肌细胞在静息状态下，细胞膜外分布大量正电荷，而细胞膜内分布等数量的负电荷，该状态下保持电荷平衡，内外电位差称之为静息电位[30]。在受到外界刺激时，细胞做出相应反应，细胞膜对各种金属、非金属离子的通透性会发生改变，造成内外正负电荷的相对移动，在刺激作用消失后又逐渐恢复静息状态，这中间的过程称为除极和复极。专业医师通过分析心电信号可以了解心脏各项生理特征，判断其是否能维持人体稳定的机能、是否存在潜在的影响，在医学上具有重要意义。图2-1心电信号的产生
基于深度学习的心电信号分类方法研究102.1.2心电信号各波段介绍心电图是一种诊断工具，可以精确地测量和记录心脏的电活动。可以通过心电图中的波形细节来诊断各种心脏并评估心律不齐、诊断心肌的血液流动不良等，例如心腔扩大和导电异常。心脏活动单个跳动周期会产生一个心跳，等电线上方或下方的偏转称为波。每个波形都用字母标记，主要波形分别是P波、QRS复波和T波，如图2-2所示。波形的大小和特定的时间间隔可反映出重要的心脏活动信息，如表2-1所列。例如，正常P波的持续时间应在0.08到0.1秒之间，P波宽度增加可能表明左房异常或右房肿大，而幅值较高的P波可能表明由于高血压，冠心病或先天性心脏病而发生了心房增大。类似地，当患者患有急性心肌梗塞时，ST波段幅值升高。相反当心肌没有收到足够的氧气时，ST段被压低。由于ECG信号不会一直保持稳定，因此心电信号的表征和特征提取及筛选是一个具有挑战性的工程。图2-2ECG信号中主要波形表2-1ECG信号各波段详细信息波段描述持续时间P波代表心房的去极化。心房去极化从SA结向房室结，从右心房扩散到左心房。<80msP-R间期P-R间期是从P波开始到QRS波的开始时测量的。该间期反映了电脉冲从窦房结穿过房室结所需时间。120～200ms
【参考文献】：
期刊论文
[1]基于卷积神经网络的心电图心博识别[J]. 王自强,刘洪运,石金龙,王卫东. 中国医学物理学杂志. 2019(08)
[2]《中国心血管病报告2018》概要[J]. 胡盛寿,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,陈伟伟. 中国循环杂志. 2019(03)
[3]基于FIR滤波和数学形态学的心电信号预处理算法[J]. 郑秀玉,卢瑞祥. 中国医疗设备. 2015(09)
[4]多路数据采集系统设计[J]. 宋永杨,周琼莉,师光辉. 工业控制计算机. 2013(05)
[5]基于小波变换的心电信号去噪综合算法[J]. 赵艳娜,魏珑,徐舫舟,赵捷,田杰,王越. 现代生物医学进展. 2009(16)
[6]基于经验模态分析心电信号预处理研究[J]. 康健楠,李昕,王秀清,张涛. 计算机工程与应用. 2008(14)
博士论文
[1]基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学 2018
硕士论文
[1]基于一维卷积神经网络的供水管道泄漏检测算法的研究[D]. 王海舰.内蒙古大学 2019
[2]基于深度学习的RNA打分函数的研究[D]. 王帅.苏州大学 2017
[3]表情不变的三维人脸识别[D]. 陈志轩.南京航空航天大学 2017
[4]面向人体心电信号的非线性动力特征分类研究[D]. 孙晓冉.哈尔滨工业大学 2010
本文编号：2939626
【文章来源】：江西财经大学江西省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
真实心电图
2心电信号预处理92心电信号预处理由于ECG信号含有多种不同类别的高频或低频噪声，为了获取真正有用的ECG信号，减小噪声对分类结果的影响，需要先对ECG信号进行去噪处理。此外，完整的心电图是连续的长时间序列，若直接将其作为分类网络的输入，会极大地增加网络计算的复杂度。因此在心电信号分类研究中，通常将整段的ECG信号按照某种特定的规则分割成以心拍为单位的若干个小片段。以上对ECG信号的去噪及心拍分割统称为预处理过程。2.1心电信号相关知识2.1.1心电信号产生的机理正常人体的心脏在不断地进行有节律的舒张和收缩，维持人体各项机能系统的正常运转，心电信号便是在这一过程中由人体心脏细胞一系列的电活动产生的，在心肌细胞的除极和复极的过程中均会产生电流。如图2-1所示，心肌细胞在静息状态下，细胞膜外分布大量正电荷，而细胞膜内分布等数量的负电荷，该状态下保持电荷平衡，内外电位差称之为静息电位[30]。在受到外界刺激时，细胞做出相应反应，细胞膜对各种金属、非金属离子的通透性会发生改变，造成内外正负电荷的相对移动，在刺激作用消失后又逐渐恢复静息状态，这中间的过程称为除极和复极。专业医师通过分析心电信号可以了解心脏各项生理特征，判断其是否能维持人体稳定的机能、是否存在潜在的影响，在医学上具有重要意义。图2-1心电信号的产生
基于深度学习的心电信号分类方法研究102.1.2心电信号各波段介绍心电图是一种诊断工具，可以精确地测量和记录心脏的电活动。可以通过心电图中的波形细节来诊断各种心脏并评估心律不齐、诊断心肌的血液流动不良等，例如心腔扩大和导电异常。心脏活动单个跳动周期会产生一个心跳，等电线上方或下方的偏转称为波。每个波形都用字母标记，主要波形分别是P波、QRS复波和T波，如图2-2所示。波形的大小和特定的时间间隔可反映出重要的心脏活动信息，如表2-1所列。例如，正常P波的持续时间应在0.08到0.1秒之间，P波宽度增加可能表明左房异常或右房肿大，而幅值较高的P波可能表明由于高血压，冠心病或先天性心脏病而发生了心房增大。类似地，当患者患有急性心肌梗塞时，ST波段幅值升高。相反当心肌没有收到足够的氧气时，ST段被压低。由于ECG信号不会一直保持稳定，因此心电信号的表征和特征提取及筛选是一个具有挑战性的工程。图2-2ECG信号中主要波形表2-1ECG信号各波段详细信息波段描述持续时间P波代表心房的去极化。心房去极化从SA结向房室结，从右心房扩散到左心房。<80msP-R间期P-R间期是从P波开始到QRS波的开始时测量的。该间期反映了电脉冲从窦房结穿过房室结所需时间。120～200ms
【参考文献】：
期刊论文
[1]基于卷积神经网络的心电图心博识别[J]. 王自强,刘洪运,石金龙,王卫东. 中国医学物理学杂志. 2019(08)
[2]《中国心血管病报告2018》概要[J]. 胡盛寿,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,陈伟伟. 中国循环杂志. 2019(03)
[3]基于FIR滤波和数学形态学的心电信号预处理算法[J]. 郑秀玉,卢瑞祥. 中国医疗设备. 2015(09)
[4]多路数据采集系统设计[J]. 宋永杨,周琼莉,师光辉. 工业控制计算机. 2013(05)
[5]基于小波变换的心电信号去噪综合算法[J]. 赵艳娜,魏珑,徐舫舟,赵捷,田杰,王越. 现代生物医学进展. 2009(16)
[6]基于经验模态分析心电信号预处理研究[J]. 康健楠,李昕,王秀清,张涛. 计算机工程与应用. 2008(14)
博士论文
[1]基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学 2018
硕士论文
[1]基于一维卷积神经网络的供水管道泄漏检测算法的研究[D]. 王海舰.内蒙古大学 2019
[2]基于深度学习的RNA打分函数的研究[D]. 王帅.苏州大学 2017
[3]表情不变的三维人脸识别[D]. 陈志轩.南京航空航天大学 2017
[4]面向人体心电信号的非线性动力特征分类研究[D]. 孙晓冉.哈尔滨工业大学 2010
本文编号：2939626
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2939626.html
