一种基于CNN和LSTM的新型双导联心律失常分类系统

发布时间：2021-04-11 15:44

　　心律失常分类是帮助诊断心脏病的关键且有意义的任务。目前心律异常在intra-patient的数据划分标准下已经取得了巨大成就。然而,当我们从interpatient的角度考虑时,心律失常分类仍然是一个棘手的问题。以前的大部分研究仅关注intra-patient这种情况,且没有遵循美国医疗器械促进协会（AAMI）的标准。已有的大多数心律异常分类的研究方法也都是针对intra-patient,且已取得比较好的研究成果,但在intra-patient的这种研究中,同一个病人的数据在大多数时候是既出现在训练集又出现在测试集上,相比inter-patient训练集中的病人数据不能出现在测试集的这种数据划分方式,inter-patient更具有现实意义,目前inter-patient的研究大多采用传统提特征的方法且还有很大的提升空间。由于一般的医院的心电信号采集设备可以同时采集到多个导联的心电信号,且常用的MIT-BIH数据库由两导联的ECG信号构成,本文主要基于二导联ECG信号进行研究。由于二导联的ECG信号既具有空间上的相关性又是时间序列,本文主要针对二导联ECG信号的特点设计了心律异常分类系... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题研究的背景和意义
    1.2 ECG信号及其特点
    1.3 Intra-patient和inter-patient的问题
    1.4 自动心律异常分类系统概述
    1.5 AAMI标准和常见的ECG公开数据集
    1.6 多分类问题的评价指标
    1.7 论文内容和结构安排
第2章 多多导联心律异常分类系统中ECG信信号的预处理和传统特征的提取
    2.1 ECG信号的预处理
    2.2 提取ECG信号的传统特征
        2.2.1 基本的形态特征
        2.2.2 小波变换特征
    2.3 实验及结果分析
    2.4 本章小结
第3章 多导联心律异常分类系统中深度学习网络特征提取器的设计
    3.1 深度学习关键技术
        3.1.1 激活函数的选择
        3.1.2 前向传播和反向传播算法
        3.1.3 正则化方法
        3.1.4 卷积神经网络
        3.1.5 长短时记忆网络
    3.2 二导联的卷积神经网络模型构建
    3.3 二导联的长短时记忆网络模型构建
    3.4 实验中的网络模型参数设置
    3.5 本章小结
第4章 多导联心律异常分类系统中的不平衡处理和损失函数的选择
    4.1 不平衡处理
        4.1.1 在预处理中加入不平衡处理
        4.1.2 代价敏感学习中的不平衡处理
        4.1.3 集成学习中的不平衡处理
    4.2 损失函数的选择
    4.3 实验及结果分析
    4.4 本章小结
第5章 多导联心律异常分类系统中的特征选择和分类
    5.1 特征选择
        5.1.1 Filter方法
        5.1.2 Wrapper方法
    5.2 支持向量机（SVM）
    5.3 实验结果及分析
    5.4 本章小结
第6章 多导联心律异常分类系统性能对比和模型泛化性验证
    6.1 整个系统的搭建过程
    6.2 系统性能对比
    6.3 验证系统的泛化性
    6.4 本章小结
第7章 总结与展望
    7.1 总结
    7.2 未来展望
参考文献
发表论文和参加科研情况说明
致谢


【参考文献】：
期刊论文
[1]循环谱分析在心律失常分类中的应用研究[J]. 褚晶辉,卢莉莉,吕卫,李喆.  计算机科学与探索. 2017(11)



本文编号：3131530