基于深度学习心电诊断系统的研究与实现

发布时间：2020-09-29 13:40

　　近些年,深度学习在图像处理以及语音识别领域已日渐成熟。借助于深度学习,心电图(Electrocardiogram,ECG)的检测和分类是目前医疗健康领域研究的热点问题。其中,基于卷积神经网络(Convolutional Neural Network,CNN)的ECG分类方法在准确率上已达到很好的标准[1]。虽然ECG分类的研究已初见成效,但对于临床应用,依然有许多复杂的心电病理性疾病其识别效果并不理想。本项目依据大量心电临床数据,从中筛选出包括21种常见心电疾病的数据样本,进行分类训练。另外,本文致力于应用深度神经网络解决心电图R波识别,心电图缺失修复等问题,并构建一个心电图实时诊断平台。本文主要研究工作分以下几个部分:1.设计了基于循环神经网络(Recurrent Neural Network,RNN)的心电图R波识别算法模型。RNN在时间序列方面有着广泛的应用,包括语音识别,机器翻译,触发词检测等等。本文采用该网络,逻辑单元使用长短期记忆模型(Long Short-Term Memory,LSTM),并在LSTM单元之前先全局使用一个卷积层,充分考虑到R点周围的心电信息,提高准确率。通过在测试集依据相关性能指标进行测试,结果表明,相比传统基于小波分析[2]的R波检测算法,LSTM单元兼顾信号全局特征及局部特征,对于特征提取更具有稳定性和可靠性。2.设计了基于生成对抗网络(Generative Adversarial Network,GAN)的心电图缺失修复算法模型。该算法近年来在图像生成,图像转换领域发展迅速,得益于GPU的发展与应用使得深度学习计算效率大幅提升。由于在实际检测中,患者与心电设备接触不良以及其他电信号扰动,导致心电图信号不完整。由于R点的缺失,在心率(Heart Rate,HR)及心率变异性(Heart Rate Variability,HRV)的计算上,具有较大误差。该算法主要基于生成对抗网络对缺失的ECG片段进行修复,使其能正确识别出R点,并更加准确地计算出HR及HRV。3.构建了Restful风格的应用编程接口(Application Programming Interface,API),对接医疗级心电仪,智能手环,便携心电贴片等多种设备。结合心电图R波识别、心电图滤波、心电图诊断等算法模块,提供实时的心电诊断服务。该系统采用Dj ango Rest Frame work框架,MySQL数据库,通过反向代理部署在Nginx服务器。同时该服务可通过Vue框架构建的前端系统进行查询、管理、展示和统计等操作。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TH776;TP391.41;TP181
【部分图文】：

结构图,结构图

图２－１邋ＲＮＮ结构图逡逑

网络结构图,隐藏单元,输出数据集,输入数据集

逦ｘ丨逦ｘ＜－丨；逡逑图２－１邋ＲＮＮ结构图逡逑ＲＮＮ包含输入单元（ｉｎｐｕｔ邋ｕｎｉｔｓ），输入数据集标记为逡逑而输出单元（ｏｕｔｐｕｔｕｎｉｔｓ）的输出数据集标记为｛ｙ。，｝＾，邋．．．，ｙｔ，ｙｔ＋１，．．．｝。ＲＮＮ还包逡逑＇含一些隐藏单元（ｈｉｄｄｅｎ邋ｕｎｉｔｓ），我们将其状态集标记为逡逑其运算公式为：逡逑ｈｔ邋＝邋ｃｒｈ（Ｗｈｘｔ邋＋邋Ｕｈｈｔ＾邋＋邋ｂｈ）逦（２－１）逡逑ｙｔ邋＝邋0ｙ｛Ｗｙｈｔ邋＋邋ｂｙ）逦（２－２）逡逑式中，ｘｔ：输入向量逡逑ｈｔ：隐藏层矢量逡逑ｙｔ：输出向量逡逑Ｗ，Ｕ，邋ｂ：参数矩阵和向量逡逑％，（７ｙ：激活函数逡逑在应对深度学习中的梯度消失问题，长短期记忆网络（ＬＳＴＭ）是一种常用逡逑的处理方法。ＬＳＴＭ单元主要包含三个逻辑门：输入门

结构图,更新方式,单元,隐藏单元

【相似文献】