基于深度置信网络的心律失常分类算法研究

发布时间：2017-06-23 07:14

  本文关键词：基于深度置信网络的心律失常分类算法研究，，由笔耕文化传播整理发布。

【摘要】：心血管疾病的发病率和死亡率逐年增高,心电信号ECG作为一种非侵入式测量手段,反应了人体心脏活动的电信号,被广泛应用于心血管疾病诊断中。心律失常是一组常见且重要的心血管疾病,心电信号中心律失常的自动分类算法研究在临床上具有重要价值。心电信号自动分类算法关键在于有效特征提取,传统分类算法依赖经验和先验知识,对心电信号进行人工手动特征设计和选择,费时费力,不能充分挖掘隐含在海量心电信号背后的特征。本文的主要研究内容包括以下两点:1、基于小波分解阈值处理的心电信号滤波。根据心电信号和噪声频率分布特点,选择Symlet4小波基对心电信号进行9尺度小波分解,将1、9尺度小波系数置零,本文使用了一种改进阈值处理方法,并根据噪声在不同小波尺度上的特点提出了一种自适应阈值确定方法,对其他尺度小波系数进行阈值处理后重构信号,从而达到滤波目的,结果显示本文提出的自适应阈值滤波方法优于其他方法,能有效滤除ECG中各种噪声。2、基于深度置信网络(Deep Belief Nets,DBN)的心律失常心拍分类方法。本文构建了一个DBN网络完成心电信号特征学习和自动分类任务,DBN由三层限制波尔茨曼机(Restricted Botlzmann Machines,RBM)和Softmax分类器堆叠而成,首先对各层RBM和Softmax进行预训练,然后利用预训练得到的权值参数对DBN进行初始化,最后利用误差反向传播算法对DBN进行有监督的微调,从而使网络尽可能收敛到全局最优值以提高心电信号分类精度。将深度学习方法应用于心电信号自动分类算法中,利用深神经网络逐层特征学习和映射能力,从心电信号数据中学习得到深层次特征,从而避免显式特征提取过程,增强了算法的鲁棒性和抗干扰能力,完成对心律失常心拍的自动分类诊断。实验结果部分分别对网络层数、权值微调前后对比结果以及噪声干扰对算法的影响进行讨论,结果显示本文提出的基于DBN的心律失常分类算法能较好完成ECG中具有区分度的深层特征提取任务,实现了心电信号中心律失常自动分类诊断,具有较强稳定性和抗干扰能力。
【关键词】：心律失常 特征提取 小波变换 深度学习 RBM 深度置信网络
【学位授予单位】：河北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R541.7;TN911.7
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-21
• 1.1 课题研究背景与意义10-13
• 1.2 心电信号自动分类算法的研究内容13-14
• 1.3 心电信号自动分类算法的研究现状14-18
• 1.3.1 心电信号滤波研究现状分析14
• 1.3.2 心电信号QRS波群检测的研究现状分析14-15
• 1.3.3 心电信号特征提取和分类器设计的研究现状分析15-18
• 1.4 本文研究内容及创新性分析18-19
• 1.5 各章节安排19-21
• 第2章 心电信号的基础知识21-30
• 2.1 心电信号的产生机理及心电图分析21-24
• 2.2 心律失常分析24-27
• 2.3 数据来源27-29
• 2.4 本章小结29-30
• 第3章 心电信号预处理30-45
• 3.1 心电信号滤波30-41
• 3.1.1 心电信号特点及噪声种类30-31
• 3.1.2 小波变换原理31-32
• 3.1.3 基于小波分解的心电信号滤波32-38
• 3.1.4 心电信号滤波效果评价38-41
• 3.2 心拍划分41-44
• 3.3 本章小结44-45
• 第4章 基于深度置信网络的心拍分类45-69
• 4.1 深度置信网络介绍45-46
• 4.2 RBM的训练46-49
• 4.3 基于深度置信网络的心拍分类49-68
• 4.3.1 预训练阶段50-66
• 4.3.2 权值初始化和微调阶段66-68
• 4.4 本章小结68-69
• 第5章 结果分析和讨论69-77
• 5.1 统计参数定义69-70
• 5.2 实验结果讨论70-76
• 5.2.1 深度置信网络层数讨论70-71
• 5.2.2 微调前后分类结果对比71-72
• 5.2.3 分类方法的抗噪声测试72-74
• 5.2.4 本文方法与其他方法比较74-76
• 5.3 本章小结76-77
• 第6章 总结和展望77-79
• 6.1 工作总结77-78
• 6.2 工作展望78-79
• 参考文献79-83
• 致谢83-84
• 攻读硕士学位期间发表论文情况84

【相似文献】

中国期刊全文数据库 前10条

1 葛丁飞;李小梅;;心电信号多周期融合特征提取和分类研究[J];中国生物医学工程学报;2006年06期

2 张绍武;潘泉;赵春晖;程咏梅;;基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究[J];生物医学工程学杂志;2007年04期

3 薛建中,郑崇勋,闫相国;快速多变量自回归模型的意识任务的特征提取与分类[J];西安交通大学学报;2003年08期

4 杨晓敏,罗立民;白细胞自动分类中的特征提取和分析[J];北京生物医学工程;1992年04期

5 王双维;樊晓平;廖志芳;;一种激光诱导荧光光谱特征提取新方法[J];计算机工程与应用;2008年12期

6 杜军平,涂序彦;计算机图像处理技术在舌像特征提取中的应用[J];中国医学影像技术;2003年S1期

7 游佳;陈卉;;数字图像中血管的分割与特征提取[J];生物医学工程与临床;2011年01期

8 谢轶峰;;乳腺超声图像肿瘤特征提取与肿瘤分类[J];中外医疗;2013年16期

9 吴泽晖,吴星;医学图象的边缘特征提取[J];海南师范学院学报(自然科学版);2003年03期

10 杨晓敏，罗立民，韦钰;血液白细胞计算机分类中的特征提取研究[J];应用科学学报;1994年02期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光

本文编号：474277