基于深度学习的患者心拍特征生成与识别方法研究
发布时间：2021-11-13 16:50
目前我国处于心血管疾病高发期,作为诊断依据的心电图不仅数据量极为庞大,而且心拍类型也非常多样化,致使人工对心电图进行逐个心拍的分析成为一项难以有效完成的任务。特别是在临床监护或穿戴式健康监护环境下的实时心电诊断,面临着多路并发、高频次、医护人员相对极为有限等现实问题,对医护工作人员来说更是一项不可完成的任务。此外,因一些异常心拍出现的突然性和不频繁性,致使心脏病专家难以及时捕获一些紧急病情的重要心电变化信息,这将直接威胁患者的生命安全。因此,如何从大量心电图数据中自动、及时识别异常心拍,提高心电诊断的准确性和及时性,成为近期的研究热点。本文主要针对心拍的特征生成和识别展开研究,主要内容及创新点如下:（1）提出了一个基于余弦距离的深度堆叠自编码器特征生成方法。心拍信号中通常含有加性环境噪声,这些噪声信号会严重干扰或破坏表示心拍状态的关键信息,致使有效提取心拍的特征信息非常困难。此外,心拍信号中部分时域信号的变化较为剧烈,其变化速率并不符合高斯分布。鉴于这些发现,上述特征生成方法首先采用收缩自编码器和稀疏自编码器从带有噪声心拍信号中提取具有稀疏性的有效心拍特征信息。之后采用余弦距离测度输入...
【文章来源】：河南大学河南省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
心脏传导系统[32]
心拍的特征生成和识别算法研究10心脏由心内膜、心肌膜和心外膜组成。心内膜位于心脏内层，与血管相连，靠近心内膜的外层为心肌膜，它是由心肌组成，最外层为心外膜。通常心肌膜是相对于其他两者最厚的组织，若心脏收缩产生的电激动刺激到心肌膜，会引发心肌膜内外正负离子运动称为透膜运动，该运动会在体表的不同部位造成电位差。心脏在静息状态下，膜内外正负离子数量相同，体表不同部位间不会产生电位差，此时为极化状态，心电图信号为水平线段。当心肌膜内外的正负电荷的阴阳离子通过透膜发生跨膜运动时，会出现除极和复极化，此时，心电图中的P波和QRS复合波为除极波，T波为复极波[32]。由此可知，心电图波形传递着心脏的信息，可作为心脏异常诊断的重要工具。2.1.2心电图组成心脏跳动产生的生理信号在体表各个部位都能感受到，且每个部位接收的信号电压值不同，根据电压值的不同ECG波形显示出不同的形状，称之为导联。目前使用最多的是在Einthoven-Wilosn博士发明基础上得到的标准12导联系统[32]。通常心电图数据幅度范围为0mV-5mV，频率范围为0.5Hz-100Hz。心电图信号中的一个心跳称为心拍，一个心拍包含P波、QRS波群和T波，如图2-2所示。图2-2正常心拍波段P波为心房去极化过程的心电活动，在正常心房循环过程中，右心房和左心房分别要进行去极化。P波上升时为右心房的去极化，下降时为左心房去极化。通常，P波持续时间约为0.10s，幅值约为0.2mV[32]。Q波、R波以及S波通常以QRS波群的形式出现，反映心室去极化过程的心电活动，是一个心拍的主要组成部分，可显示心拍的主要特征。通常心肌收缩会产生R波和S波，持续时间约为0.11s，振幅为2mV-3mV。
心拍的特征生成和识别算法研究12率和精确度。带有基线漂移噪声的心电图如图2-3所示，从图中可以看出，含有基线漂移噪声的心电图PR段和ST段频谱已被重度干扰，如果滤波方法使用不当，会造成PR段和ST段频谱严重失真。（a）109记录的11秒心电波形（b）113记录的14秒心电波形图2-3含基线漂移噪声的心电波形图（2）肌电干扰肌电干扰是由肌肉收缩导致的心电图变化，通常由于受周围环境的影响导致体表温度过冷，或因为受试者心理紧张就会产生大量的不规则高频电干扰。肌电干扰通常表现为快速变化的高频波动，随机发生且频率范围一般在5HZ-2000HZ之间，频谱特征接近于白噪声。含有肌电干扰噪声的心电图如图2-4所示。
【参考文献】：
期刊论文
[1]一种基于FOA与Autoencoder改进的聚类算法[J]. 梁胜彬,朱斌,渠慎明. 河南大学学报(自然科学版). 2020(01)
[2]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[3]基于卷积自编码神经网络的心电信号降噪[J]. 陈健,刘明,熊鹏,孟宪辉,杨林. 计算机工程与应用. 2020(16)
[4]叠加去噪自动编码器结合深度神经网络的心电图信号分类方法[J]. 颜菲,胡玉平. 计算机应用与软件. 2019(04)
[5]类内类间距离在CNN识别心拍类中的应用研究[J]. 原永朋,游大涛,武相军,魏梦凡,朱萌博,耿旭东,贾乃仁. 计算机工程与应用. 2019(14)
[6]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢. 计算机学报. 2019(01)
[7]基于深度神经网络的遥感图像分类算法综述[J]. 崔璐,张鹏,车进. 计算机科学. 2018(S1)
[8]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
博士论文
[1]基于深度自编码器的机械故障诊断方法研究[D]. 张玉彦.华中科技大学 2019
[2]激光相干测振信号处理技术研究[D]. 晏春回.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]面向健康监护的穿戴式体征信息感知技术研究[D]. 罗堪.东南大学 2015
硕士论文
[1]基于深度卷积神经网络的目标跟踪算法研究[D]. 陈会志.南京邮电大学 2019
[2]基于多模态神经网络的心电信号自动识别算法研究[D]. 马广龙.北京邮电大学 2019
[3]基于心电信号的异常心律分类研究[D]. 卫悦.中北大学 2019
[4]基于深度学习的端到端心电自动分类方法研究与实现[D]. 芦振寰.深圳大学 2018
[5]心电数据的预处理与分类算法研究[D]. 王凤.中北大学 2018
[6]起搏心电图自动分析算法的设计[D]. 柳成.东南大学 2018
[7]基于非线性变换的个性化心电信号自动分类算法研究[D]. 陈佳明.西南交通大学 2018
[8]基于卷积神经网络的第一导联心电图分类[D]. 李潇.天津大学 2018
[9]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
[10]基于小波变换和神经网络的心电图分类识别研究[D]. 孔飞.电子科技大学 2015
本文编号：3493365
【文章来源】：河南大学河南省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
心脏传导系统[32]
心拍的特征生成和识别算法研究10心脏由心内膜、心肌膜和心外膜组成。心内膜位于心脏内层，与血管相连，靠近心内膜的外层为心肌膜，它是由心肌组成，最外层为心外膜。通常心肌膜是相对于其他两者最厚的组织，若心脏收缩产生的电激动刺激到心肌膜，会引发心肌膜内外正负离子运动称为透膜运动，该运动会在体表的不同部位造成电位差。心脏在静息状态下，膜内外正负离子数量相同，体表不同部位间不会产生电位差，此时为极化状态，心电图信号为水平线段。当心肌膜内外的正负电荷的阴阳离子通过透膜发生跨膜运动时，会出现除极和复极化，此时，心电图中的P波和QRS复合波为除极波，T波为复极波[32]。由此可知，心电图波形传递着心脏的信息，可作为心脏异常诊断的重要工具。2.1.2心电图组成心脏跳动产生的生理信号在体表各个部位都能感受到，且每个部位接收的信号电压值不同，根据电压值的不同ECG波形显示出不同的形状，称之为导联。目前使用最多的是在Einthoven-Wilosn博士发明基础上得到的标准12导联系统[32]。通常心电图数据幅度范围为0mV-5mV，频率范围为0.5Hz-100Hz。心电图信号中的一个心跳称为心拍，一个心拍包含P波、QRS波群和T波，如图2-2所示。图2-2正常心拍波段P波为心房去极化过程的心电活动，在正常心房循环过程中，右心房和左心房分别要进行去极化。P波上升时为右心房的去极化，下降时为左心房去极化。通常，P波持续时间约为0.10s，幅值约为0.2mV[32]。Q波、R波以及S波通常以QRS波群的形式出现，反映心室去极化过程的心电活动，是一个心拍的主要组成部分，可显示心拍的主要特征。通常心肌收缩会产生R波和S波，持续时间约为0.11s，振幅为2mV-3mV。
心拍的特征生成和识别算法研究12率和精确度。带有基线漂移噪声的心电图如图2-3所示，从图中可以看出，含有基线漂移噪声的心电图PR段和ST段频谱已被重度干扰，如果滤波方法使用不当，会造成PR段和ST段频谱严重失真。（a）109记录的11秒心电波形（b）113记录的14秒心电波形图2-3含基线漂移噪声的心电波形图（2）肌电干扰肌电干扰是由肌肉收缩导致的心电图变化，通常由于受周围环境的影响导致体表温度过冷，或因为受试者心理紧张就会产生大量的不规则高频电干扰。肌电干扰通常表现为快速变化的高频波动，随机发生且频率范围一般在5HZ-2000HZ之间，频谱特征接近于白噪声。含有肌电干扰噪声的心电图如图2-4所示。
【参考文献】：
期刊论文
[1]一种基于FOA与Autoencoder改进的聚类算法[J]. 梁胜彬,朱斌,渠慎明. 河南大学学报(自然科学版). 2020(01)
[2]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[3]基于卷积自编码神经网络的心电信号降噪[J]. 陈健,刘明,熊鹏,孟宪辉,杨林. 计算机工程与应用. 2020(16)
[4]叠加去噪自动编码器结合深度神经网络的心电图信号分类方法[J]. 颜菲,胡玉平. 计算机应用与软件. 2019(04)
[5]类内类间距离在CNN识别心拍类中的应用研究[J]. 原永朋,游大涛,武相军,魏梦凡,朱萌博,耿旭东,贾乃仁. 计算机工程与应用. 2019(14)
[6]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢. 计算机学报. 2019(01)
[7]基于深度神经网络的遥感图像分类算法综述[J]. 崔璐,张鹏,车进. 计算机科学. 2018(S1)
[8]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
博士论文
[1]基于深度自编码器的机械故障诊断方法研究[D]. 张玉彦.华中科技大学 2019
[2]激光相干测振信号处理技术研究[D]. 晏春回.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]面向健康监护的穿戴式体征信息感知技术研究[D]. 罗堪.东南大学 2015
硕士论文
[1]基于深度卷积神经网络的目标跟踪算法研究[D]. 陈会志.南京邮电大学 2019
[2]基于多模态神经网络的心电信号自动识别算法研究[D]. 马广龙.北京邮电大学 2019
[3]基于心电信号的异常心律分类研究[D]. 卫悦.中北大学 2019
[4]基于深度学习的端到端心电自动分类方法研究与实现[D]. 芦振寰.深圳大学 2018
[5]心电数据的预处理与分类算法研究[D]. 王凤.中北大学 2018
[6]起搏心电图自动分析算法的设计[D]. 柳成.东南大学 2018
[7]基于非线性变换的个性化心电信号自动分类算法研究[D]. 陈佳明.西南交通大学 2018
[8]基于卷积神经网络的第一导联心电图分类[D]. 李潇.天津大学 2018
[9]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
[10]基于小波变换和神经网络的心电图分类识别研究[D]. 孔飞.电子科技大学 2015
本文编号：3493365
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3493365.html
