基于神经网络的ECG分类算法及高能效架构研究

发布时间：2021-02-07 19:34

　　心脏病是一类常见的突发性疾病,发作时不进行及时诊治很容易对病人生命健康造成威胁。可穿戴式心电监护设备能够长期记录和实时分析心电信号,对心脏类疾病的发作做出及时预警,显著提升了患者发病时的存活率。实现高准确率的异常心跳识别算法及其高能效架构设计是目前可穿戴式心电监护设备所面临的主要挑战。本文以心跳自动分类为应用场景,从算法和电路两个方面进行探索,旨在提高便携式心电监护设备的诊断准确率和系统能效。本研究的主要贡献包括:1.基于BLSTM和CNN结合的心跳分类模型研究。本文提出一种双向长短时记忆网络（BLSTM,Bi-directional Long Short-term Memory）和卷积神经网络（CNN,Convolutional Neural Networks）有机结合的算法模型,有助于提取心电信号中多层次特征,实现了高准确率的心跳自动分类。进一步地,本文通过自适应心跳截取技术保证了不同患者输入到分类网络中的心电数据形式上的一致性,并采用聚类的方法筛选出最具代表性的样本用于构建训练集。上述策略有助于通过轻量级的网络规模获得更高的心跳分类准确率,契合便携式心电监护设备的应用场景。2.基... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：124 页

【学位级别】：博士

【部分图文】：

心电图中典型心跳形态

MIT-BIH心律失常数据库包含来自不同性别、不同年龄的47位病人共计48条双通道心电信号记录,每条记录的时间长度约为半小时。其中,第一通道数据采用的是标准12导联中的MLII导联,QRS波群特征显著,通常用于心跳检测;第二通道数据通常采用标准12导联中的V1导联,在偶尔几个记录中采用的是V2、V4或V5导联,通常用于异常心跳的识别分类。MIT-BIH心律失常数据库中的心电信号采用360赫兹频率采样,使用0.1-100赫兹带通滤波器滤波,保持11比特数据精度。数据库中所有记录的R波位置和心跳分类标签由两个以上的心脏专家独立标记,一个典型的具有标签标记的记录如图1-2所示。在本文的研究中,我们选取MIT-BIH心律失常数据库全部48条记录中的44条使用,原因是记录102,104,107和217含有人工起搏心跳,会对心电信号正常分类产生影响,不被纳入研究范畴。MIT-BIH心律失常数据库中单个心拍分类标签及对应解释如表1-1所示。

基于人工提取特征的心跳分类算法流程如图1-3所示,主要分为特征获取和心跳分类两个步骤。其中,特征获取步骤主要包含噪声去除、特征提取和特征筛选三个过程,目的是生成用于分类的有效特征集合。筛选过的人工特征通过心跳分类步骤借助相关分类器获得最终的异常心跳识别结果。1.3.1.1特征获取


本文编号：3022720