ECG心跳分类算法及高能效架构研究

发布时间：2020-10-16 22:27

　　 心脏疾病是一种常见的威胁人类健康的慢性病。随着人工智能技术的发展,面向心脏健康监护的可穿戴设备能自动分析心电信号并做出相应的诊断,但高诊断准确率和高能效设计是其面临的主要挑战。本文以心跳分类为具体应用场景,围绕提升心跳分类模型的分类性能和架构能效,从算法和电路两个层面,重点攻克心电数据分布不平衡场景下分类模型性能偏移、人工提取特征的局限性、分类模型架构耗能过多的问题。本文的主要研究内容和创新点包括:1.基于重采样技术的心跳分类模型的研究。针对心跳分类应用中心跳类别分布不平衡导致分类算法性能发生偏移的问题,提出了 一种基于支持向量机(SVM)重采样技术的数据处理算法。该算法利用SVM对训练数据进行重复下采样来提取必要的信息数据同时消除噪声的负面影响,能够最小化信息的损失,最大程度提升数据的质量,并结合数据的分布特点利用加权过采样技术解决数据分布不平衡的问题。基于MIT-BIH数据集进行测试和比较,实验结果表明该心跳分类模型具有分类性能优势,对于心跳类别N、V'和S,可以分别获得95.8%、78.7%和89.7%的分类准确率。2.特征自学习的心跳分类模型的研究。针对心跳分类应用中人工提取特征的局限性,首次提出了 一种针对不定长的心跳序列识别的循环神经网络(RNN)结构。该网络采用时间窗处理心电数据避免了 R波检测的缺陷,利用长序列的心电信号具有的时序性特点使用长短时记忆单元(LSTM)从信号中自动提取相应的特征,并结合联结主义时间模型(CTC)技术输出长度不定的心跳序列来增强分类模型的适用性和实用性。使用MIT-BIH心律失常数据库对该网络的分类性能进行评估,实验结果表明该RNN分类模型能获得89.6%的心跳类别准确率和89.5%的心跳序列准确率。3.高能效的心跳分类架构的研究。分别实现基于人工提取特征和特征自学习的心跳分类模型的高能效架构并对其分类能耗进行了分析。通过研究心电信号中心跳的分布特点,使用一种具有预分类功能的串联结构来优化基于人工提取特征的心跳分类模型以减少不必要的计算和访存,节省了 55.1%的单次分类的平均能耗。通过网络深度压缩方法使基于特征自学习的心跳分类模型实现从密集网络到稀疏网络的转换,减少了 74.6%的参数,减轻了存储负担,并利用量化后的权重具有共享性的特点改进编码方案增强参数的重用性,减少了 50.3%的乘法运算和37.0%的访存,进一步节省了 33.9%的分类能耗。本文提出的关键技术对于提升面向心脏健康监护的可穿戴设备的分类性能和架构能效具有积极的理论研究意义和实际应用价值。
【学位单位】：浙江大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：R541;TP18
【部分图文】：

以采用不同的导联数，一般是从单导联至１２导联，而心电图的种类亦可以根据??导联数进行区分，如３导联心电图、１２导联心电图等［８］。一个典型的正常窦性心??律的心电波形如图１－１所示，其主要包含了?Ｐ波、ＱＲＳ波群及Ｔ波，分别反映??了心脏各部位的变化情况：??１．?Ｐ波：代表左右心房的兴奋过程，是心电信号的起始波。Ｐ波的持续时间不??多于１２０毫秒，其幅值不高于０．２５毫伏［９］，虽然Ｐ波对于心律失常的诊断具??有重要的意义，但在具有低信噪比的心电信号中分析Ｐ波是非常困难的。??２．?ＱＲＳ波群：反映心室去极化的全过程（心室收缩），自Ｑ波的起始至Ｓ波的??结束。ＱＲＳ波群的持续范围通常介于８０毫秒－１２０毫秒，其最大的电压偏移??约１０－２０毫伏，但这个值大小可能会随年龄和性别而变化。??３．?Ｔ波：代表心室再极化的过程（心室舒张）。Ｔ波的持续时间比较长，波形较??平缓

１．３．１．１分类算法??正如上文提到的，基于人工提取特征的分类算法包含三个主要步骤，其流程??图如图１－２所示。本小节将对三个步骤的研究现状进行详细介绍。??；特征提取！??ｄ?：数据预处理?｜??由?＿＾?（消除各种：??原＆电?｜噪声及人为：??：?乐?－Ｉ；：?特征筛选：丨?分类阶段?；??特征提取?ｉ?：ｉ?１：?：｜?１：??：（提取人工：：特征降维?｜＿＾学习算法?！??：分析后的特?＾一￣ｆ?（ＰＣＡ、ＩＣＡ?：￣ｆ?（ＳＶＭ．??：征）?：：等）?：?：ｋＮＮ?等）??？???Ｉ?？?＜?＇??图１－２?＊于人工提取特征的心跳算法流程图??（１）特征提取??特征提取在心律失常的检测和分类中起着重要的作用，为提取显著特征需要??对心电信号进行预处理，主要是消除其基线漂移、电源线干扰、肌肉收缩和电极??运动引起的噪声等，以防其干扰基准点的检测和心跳的分类｜２１１。现今，主要手??段是通过采用滤波技术达到心电信号预处理的效果，最为常用的是ＦＩＫ?（Ｆｉｎｉｔｅ??５??

是心跳间隔（ＲＲ?ｉｎｔｅｒｖａｌ），即两个相邻的Ｒ峰之间的时间间隔，而规格化的心??跳间隔可以进一步提高该特征对不同心跳的区分度［３＞３４］，甚至有一些识别方法中??只使用心跳间隔作为特征［￥３７］。其他时间信息相关的特征如图１－１所示，其中??ＱＲＳ波群的持续时间是最多使用的。当ＱＲＳ波群的形态发生变化，预示着很可??能出现了心律失常，因而ＱＲＳ波群的形态也是常用特征，该特征可以直接采样??自ＱＲＳ波群，但为了消除噪声的影响一般是先通过Ｈｅｒｒａｉｔｅ多项式或是小波变??换等对ＱＲＳ波群进行处理后，再提取形态特征［３８４１］。由于高阶统计量（Ｈｉｇｈ?Ｏｒｄｅｒ??Ｓｔａｔｉｓｔｉｃｓ）特别适用于估计形状参数，如偏度和峰度，因此采用提取的形态特征??的高阶统计量（ＨＯＳ）作为新的特征［４２４４］来使形态特征更具辨识度。此外，还有??其他统计特征比如平均值、标准差、能量、变异系数（ＣｏｅｆｆｉｃｉｅｎｔＶａｒｉａｎｃｅ）等。??对于心电信号记录来说，可用于分析的数据不止一个通道，为了提取包含更全面??信息的特征
【相似文献】

相关期刊论文 前10条

1 杨曦;逄彦华;邱桂凤;;ECG在胸痛患者鉴别诊断中的价值[J];当代医学;2013年33期

2 黄进文;王威廉;;平滑滤波对ECG的R波幅值影响研究[J];云南大学学报(自然科学版);2008年06期

3 邢国泉;自适应滤波器在ECG信号除噪中的应用[J];北京生物医学工程;2005年03期

4 林加锋;坏死性病毒性心肌炎的ECG与临床(附3例报告)[J];实用心电学杂志;2003年01期

5 丁福祥,刘同库,吴宗玉,孙培明,贾广麒;正常人ECG双极胸导联检测结果分析[J];北华大学学报(自然科学版);2000年02期

6 史永兰,王蓉;ECG—6511型心电图机走纸速度控制电路的分析[J];医疗装备;2000年01期

7 蔡毓英,林谷秀,周明秀,王建安,陈德才,何祚光,张淑英;常规ECG法阿托品试验假阴性的初步探讨[J];江苏医药;1994年01期

8 杨淑梅，刘瑛;急性前间壁心肌梗塞的ECG诊断[J];白求恩医科大学学报;1995年03期

9 申雪峰;庞天赐;黄诒焯;;1—10 起搏病人的ECG监护初步研究[J];医学物理;1987年Z1期

10 OLLE PAHLM;郭晶;;运动ECG的数据处理[J];国外医学.生物医学工程分册;1988年01期

相关博士学位论文 前6条

1 徐银;ECG心跳分类算法及高能效架构研究[D];浙江大学;2018年

2 唐孝;基于粗糙集的知识发现方法及其在ECG信号识别中的应用[D];电子科技大学;2015年

3 黄博强;基于Context模型和矢量—标量量化器的ECG信号压缩[D];复旦大学;2010年

4 杨晓利;基于体表ECG的ShR信号检测研究[D];中南大学;2011年

5 寿国法;生物医学电磁正反问题数值计算方法研究[D];浙江大学;2009年

6 李江冰;基于健康体检大数据的人群异常ECG与冠脉斑块分布谱及其影响因素研究[D];山东大学;2016年

相关硕士学位论文 前10条

1 王永祥;基于ECG的心脏骤停预测方法研究[D];吉林大学;2017年

2 高力鑫;ECG信号的自适应无损压缩[D];西安电子科技大学;2010年

3 吴豆豆;基于小波变换的ECG特征提取与分类识别研究[D];云南大学;2012年

4 龙正吉;小波变换提取ECG信号情感特征的研究[D];西南大学;2010年

5 马登峰;基于粗糙集决策树的专家系统在ECG自动识别中的应用研究[D];国防科学技术大学;2004年

6 丁玉洁;基于本体论的ECG诊断系统的开发与研究[D];华东理工大学;2011年

7 刘文娜;基于ECG信号进行心律失常及睡眠呼吸暂停综合症诊断分析[D];南京邮电大学;2015年

8 母远慧;心律失常ECG信号的多尺度时频特征提取与分析研究[D];北京理工大学;2015年

9 沈君;ECG身份识别算法的研究与实现[D];山东大学;2012年

10 于亮;优秀男子马拉松运动员ECG监控的研究[D];辽宁师范大学;2007年

本文编号：2843861