基于卷积神经网络的心律失常自动分类关键技术研究

发布时间：2021-02-27 20:57

　　心律失常自动分类作为计算机在临床的重要应用,可以有效预防心血管疾病的发生并有利于合理分配医疗资源。随着人们越来越重视健康管理,为了及时、准确地掌握心脏的健康状况,受试者和医生都不同程度对心律失常自动分类的诊断质量提出了更高要求:如何提高对心律失常的检测能力;如何提供智能化、更有意义的计算机诊断结果?这些都是目前远程医疗、数字医疗和家庭自助诊断模式发展亟需解决的问题。然而,现有心律失常自动分类算法还不完全具备上述属性。心律失常自动分类涉及的研究内容广泛、研究手段多样,是一个集多学科理论和关键技术于一体的综合性研究课题。得益于深度学习技术在图像分类等领域的不断突破,为设计迎合现阶段医疗市场需求的心律失常自动分类方法开辟了新的思路。本文针对现有心律失常自动分类算法中存在的不足,基于深层神经网络中具有代表性的卷积神经网络（Convolutional Neural Network,CNN）和深度学习技术,根据MIT-BIH心律失常数据库的数据规模及心电图（Electrocardiogram,ECG）信号特点,提出了有效的心律失常自动分类方法和分类性能优化策略。主要围绕自动分类过程中涉及到的心电信... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：117 页

【学位级别】：博士

【部分图文】：

心拍波形示意图

11图 1.3 论文整体组织结构图第 4 章，基于独热编码技术和 2D-CNN 的自动分类方法研究。首先，在 4.1节分析设计基于二维卷积神经网络的心律失常自动分类方法的必要性。其次，为了获得匹配二维卷积神经网络的输入数据，在 4.2 节介绍独热编码技术，并结合 4.2 节内容，在 4.3 节介绍采用的心电信号预处理技术。然后，在 4.4 节对二维卷积神经网络模型（2D-CNN）的搭建方法进行研究。另外，为了评价基于 2D-CNN 的自动分类方法的分类性能，在 4.5 节开展对比实验。最后，在 4.6

第 2 章 心律失常自动分类相关技术2.1 引言心律失常自动分类是指利用计算机实现人体 ECG 信号中各心拍的自动身份识别，而准确的识别结果有助于诊断和防治心脑血管疾病。心律失常自动分类的一般流程如图 2.1 所示，包括心电信号预处理、心拍特征提取和分类多个环节。首先利用心电信号预处理技术对 ECG 信号进行处理，得到心拍信号，再通过特征提取获得心拍特征，最后利用分类器实现心拍识别，判断心拍所属类型。吉林大学博士学位论文

【参考文献】：
期刊论文
[1]Recent advances in efficient computation of deep convolutional neural networks[J]. Jian CHENG,Pei-song WANG,Gang LI,Qing-hao HU,Han-qing LU.  Frontiers of Information Technology & Electronic Engineering. 2018(01)
[2]基于卷积神经网络的T波形态分类[J]. 刘明,李国军,郝华青,侯增广,刘秀玲.  自动化学报. 2016(09)
[3]面向临床心电图分析的深层学习算法[J]. 金林鹏,董军.  中国科学:信息科学. 2015(03)
[4]结合小波变换和中值滤波心电信号去噪算法研究[J]. 徐寒,王冬冬,蒋同斌.  自动化与仪表. 2012(12)
[5]心电图模式分类方法研究进展与分析[J]. 王丽苹,董军.  中国生物医学工程学报. 2010(06)
[6]一种非线性非平稳自适应信号处理方法—希尔伯特-黄变换综述:发展与应用[J]. 沈毅,沈志远.  自动化技术与应用. 2010(05)
[7]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强.  系统仿真学报. 2010(03)
[8]便携式远程心电监测仪和心电监测仪的对照研究[J]. 黄伟,袁洪,黄志军.  临床和实验医学杂志. 2008(05)
[9]心电图识别与分类:方法、问题和新途径[J]. 董军,徐淼,詹聪明,鲁魏峰.  生物医学工程学杂志. 2007(06)
[10]MIT-BIH心率失常数据库的识读及应用[J]. 宋喜国,邓亲恺.  中国医学物理学杂志. 2004(04)

博士论文
[1]心电信号智能分析关键技术研究[D]. 姚成.吉林大学 2012



本文编号：3054790