基于深度神经网络的心电图自动分类方法研究与实现

发布时间：2017-10-23 08:28

  本文关键词：基于深度神经网络的心电图自动分类方法研究与实现

  更多相关文章： 心电图 深度神经网络 自动分类 多导联滤波 心律失常

【摘要】：随着人们的生活节奏和压力逐步加大,心脏病已经成为威胁人们生命健康的重大杀手之一。而心电图反应了人体心脏健康状况,在临床上被广泛用于心脏病检查。但由于心电信号非常微弱，抗干扰性差,现有心电图自动分类算法在测试集上效果很好,但用于实际临床时效果下降很多,最终诊断需要依赖医生去完成。因此研究一种能够心电图进行有效检测和识别的心电图自动分类方法尤为重要。本文的主要研究工作分为以下几个部分：1.在已有的心电图自动分类方法中,大多数实验均基于标准数据库例如MIT-BIH数据库得出结论。由于标准数据库的心电图只是来自少数个体,导致已有的方法往往在数据库测试集上取得很好的效果,但是用于临床上时则效果下降明显。因此本文采用来自临床的CCDD数据库,提高了算法的泛化能力。2.普通的滤波方法都是对单导联心电图进行滤波,在滤波的同时会损失有用的信息。因此本文针对心电图多导联的特殊结构,利用导联之间的相关性,采用了多导联滤波算法对心电图进行滤波,在去除噪声的同时减少有用信息的损失,以便后续的分类识别。3.心电图分类最终目的是要拟合成一个高度复杂的非线性决策函数。传统的算法通常先提取特征,再进行分类。心电图的正确分类依赖于正确特征的提取,如果提取的特征不能真实反映心电图的内在属性,那么后续分类器设计的再完美,分类效果也会很差。本文直接对原始数据进行深度神经网络训练,逐层提取心电图的特征,最后进行分类,特征提取和分类过程融合在一起,最终拟合出决策函数对心电图进行自动分类。本文最后采用卷积神经网络对心电图分类,基于CCDD数据库进行正异常二分类时,准确率达到82.5%；基于MIT-BIH数据库进行正常和四种心律失常疾病心电图分类时,准确率达到98.82%。与现有的分类方法相比,本文的算法提高了心电图自动分类的准确率,具有良好的泛化能力。
【关键词】：心电图 深度神经网络 自动分类 多导联滤波 心律失常
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要8-9
• ABSTRACT9-11
• 第一章 绪论11-19
• 1.1 课题研究的背景及意义11-12
• 1.2 国内外研究现状12-16
• 1.2.1 心电图去噪预处理的研究现状12-13
• 1.2.2 心电图特征提取的研究现状13-14
• 1.2.3 心电图分类识别的研究现状14-16
• 1.3 存在的问题16
• 1.4 本文的主要研究内容和创新性16-17
• 1.5 本文的组织结构17-19
• 第二章 心电图和深度神经网络19-37
• 2.1 引言19
• 2.2 基本心电知识和心律失常19-24
• 2.2.1 心电图产生机理19-20
• 2.2.2 正常心电图介绍20-22
• 2.2.3 心律失常的诱因22
• 2.2.4 心律失常的分类22-24
• 2.3 常用标准心电图数据库24-26
• 2.3.1 四大标准心电图数据库24-26
• 2.3.2 中国心血管疾病数据库26
• 2.4 深度学习的背景26-28
• 2.4.1 什么是深度学习26-27
• 2.4.2 浅层学习和深度学习27-28
• 2.5 深度神经网络模型28-34
• 2.5.1 限制性玻尔兹曼机28-31
• 2.5.2 深度置信网络31-32
• 2.5.3 卷积神经网络32-33
• 2.5.4 循环神经网络33-34
• 2.6 本章小结34-37
• 第三章 多导联心电信号滤波算法37-49
• 3.1 引言37
• 3.2 心电信号的干扰37-39
• 3.2.1 肌电干扰37-38
• 3.2.2 基线漂移38
• 3.2.3 工频干扰38-39
• 3.3 多导联心电信号滤波39-47
• 3.3.1 多导联心电信号滤波原理40-44
• 3.3.2 多导联滤波实验结果44-47
• 3.4 本章小结47-49
• 第四章 深度神经网络对心电图进行分类49-61
• 4.1 引言49
• 4.2 实验平台和评价指标49-50
• 4.3 CCDD数据集实验50-55
• 4.3.1 增加样本集处理50-51
• 4.3.2 实验结果及分析51-55
• 4.4 MIT-BIH数据集实验55-59
• 4.5 本章小结59-61
• 第五章 总结和展望61-63
• 5.1 工作总结61-62
• 5.2 研究展望62-63
• 参考文献63-67
• 致谢67-69
• 硕士期间发表的论文和科研成果69
• 硕士期间参加的科研工作69
• 硕士期间所获奖项69-70
• 学位论文评阅及答辩情况表70

【相似文献】

中国期刊全文数据库 前10条

1 卢致杰,覃正,韩景倜;多范畴信息的自动分类方法[J];计算机工程;2005年15期

2 云健;江荻;潘悟云;;E研究中电子文献的层次化自动分类方法[J];计算机应用与软件;2009年11期

3 宋培彦;李俊莉;王芳;;跨语言术语自动分类方法及其实证[J];图书情报工作;2013年16期

4 李新城;冯晓天;朱伟兴;张炎;;基于形态特征的钢中析出相自动分类方法[J];塑性工程学报;2009年02期

5 孙显;付琨;王宏琦;;基于空间语义对象混合学习的复杂图像场景自动分类方法研究[J];电子与信息学报;2011年02期

6 蒋鹏;金炜东;;一种视频中主要运动自动分类方法[J];计算机科学;2012年S3期

7 胡冰;张建立;;基于统计分布的中文专利自动分类方法研究[J];现代图书情报技术;2013年Z1期

8 李莼,罗振声,厉宇航;基于语义相关和概念相关的自动分类方法研究[J];计算机工程与应用;2003年12期

9 卢远,刘卓颖;南方丘陵山区遥感影像特征选择与自动分类方法[J];广西师范学院学报(自然科学版);2003年S1期

10 何涛;黄国兴;;一种无需语句分割的中文文档自动分类方法研究及实现[J];计算机科学;2004年12期

中国重要会议论文全文数据库 前1条

1 刘杰;王光飞;;体视化中的自动分类方法[A];2004年CT和三维成像学术年会论文集[C];2004年

中国硕士学位论文全文数据库 前10条

1 樊承柱;基于深度神经网络的心电图自动分类方法研究与实现[D];山东大学;2016年

2 蔚磊;基于地域风格的中国民歌自动分类方法的研究[D];中国人民大学;2008年

3 姚振农;产品专利自动分类方法研究与应用[D];浙江大学;2008年

4 范敏敏;企业经营范围字段自动分类方法研究[D];哈尔滨工业大学;2010年

5 陈国旭;垂直剖面法矿产资源储量估算软件实现技术及自动分类方法研究[D];中国地质大学;2008年

6 魏娜;基于SVM的车辆自动分类方法研究与实现[D];苏州大学;2008年

7 韩杰;路面病害图像自动分类方法研究与分析[D];南京理工大学;2007年

8 江斌;微博自动分类方法研究及应用[D];哈尔滨工业大学;2012年

9 李岱超;社区用户信息自动分类方法的研究与实现[D];北京邮电大学;2015年

10 吕凤花;基于SVM的考虑倾斜角度的车辆分类方法的研究[D];昆明理工大学;2011年

，

本文编号：1082399