基于深度学习的心电信号分类识别方法研究
发布时间：2021-10-24 22:45
心血管疾病被世界卫生组织列为人口死亡的首要死因,为了在临床医疗中更好地检测心血管疾病,心电图作为一种无创性的诊断工具被广泛使用。心电信号分类识别是医学与计算机技术融合过程中的一个重要研究课题,其关键在于更准确地提取心电信号的有效特征。传统的心电分类方法是先进行特征提取和选择,再进行分类,然而此方法严重依赖人工,无法充分挖掘隐藏在大量心电信号内部的深层特征。如今深度学习蓬勃发展,深度学习因其具有自动学习特征而无需显式特征提取过程的特色优势,引领着心电信号的自动分类识别进入了一条崭新的发展之路。因此本文将深度学习技术应用于心电信号的分类识别研究以期提升心电信号分类识别的准确率。全文主要研究内容如下:（1）基于小波自适应阈值去噪的心电信号预处理。为了滤除心电信号中的噪声,本文提出了一种基于自适应阈值的小波去噪法,可以对不同分解尺度的阈值进行动态调整。其基本步骤为:首先采用sym8小波函数对心电信号进行八尺度分解,然后将第八尺度上的近似系数和第一尺度上的细节系数直接置零,在其余尺度上利用本文所提出的自适应阈值和软阈值函数对小波系数进行处理并重构信号,最终获得去噪后的信号。（2）基于深度学习的心...
【文章来源】：西华大学四川省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
正常心电图波形
西华大学硕士学位论文11收缩，称为过早搏动，简称早搏。若心肌的不应期状态出现了异常延长状况，则会导致病理性传导阻滞或干扰的发生。(3)心脏传导功能的失常：根据心脏的内部组织结构可知，心房、心室各部位的肌肉都可以传导电激动，而心脏传导系统具有最强的传导能力。其中又以末梢传导纤维的传导能力最强，速率约为4000mm/s，房室束及束支的速率约为3000mm/s，心房肌的速率约为800mm/s~1000mm/s，心室肌的速率约为400mm/s，房室结的速率最慢，约为200mm/s。正常情况下，心房和心室肌肉之间存在一个纤维组织环，激动只能从心房肌通过房室结传导至房室束及束支而后到达心室肌，这对于生理性房室传导阻滞的产生有着重要的临床意义。例如，当心脏传导系统由于病理变化而引起功能障碍时，即可产生各种传导功能的异常。心律失常在临床上主要是根据激动的起源（自律及兴奋）与传导的失常，或一般即按兴奋并传导的失常进行分类（如图2.2所示）。图2.2心律失常的分类Fig.2.2Classificationofarrhythmias
体导联MLII和修正心前区导联（V1、V2、V4、V5中的一种），这些心电记录的采样率为360Hz，在10毫伏范围内具有11位分辨率，并在0.1~100Hz范围内进行带通滤波，由独立的心脏病专家对时间和节拍信息进行注释（总计约有110000个注释）。这些心电记录的编号均为三位数，前24组记录编号为100~124，后24组记录编号为200~234。每一组心电记录都包含3个文件，分别为“.hea”、“.data”和“.atr”。(1)“.hea”表示头文件，其一行或多行按照ASCII码字符的方式存储，用于存储辅助信息。以“100.hea”为例，其文件内容如下图2.3所示：图2.3100.hea的内容Fig.2.3Contentsof100.hea第一行从左至右分别表示文件名、导联数、采样率和数据采样点数。第二行从左至右分别表示文件名、存储格式、增益、AD分辨率、ADC零值、导联1第一个值、校验数、数据块大小（0表示可以从任意数据块输出，即可以从中间读取任意一段）、导联
【参考文献】：
期刊论文
[1]一种新的小波阈值去噪算法在工程中的应用[J]. 李名莉,焦欣欣. 计算机与数字工程. 2019(07)
[2]用于图像分类的卷积神经网络中激活函数的设计[J]. 王红霞,周家奇,辜承昊,林泓. 浙江大学学报(工学版). 2019(07)
[3]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟. 中国循环杂志. 2019(03)
[4]动态心电图与常规心电图诊断冠心病患者心律失常的比较[J]. 王艳丽. 中国医疗器械信息. 2019(05)
[5]深度学习的研究进展与发展[J]. 史加荣,马媛媛. 计算机工程与应用. 2018(10)
[6]基于稀疏降噪自动编码机的心律失常自动分类[J]. 熊鹏,李鑫,时亚松,杨国杰,刘明,刘秀玲. 激光杂志. 2018(04)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[9]心电图的计算机辅助分析[J]. 胡广书,朱泽煌. 上海生物医学工程. 1995(04)
[10]MIT—BIH心电数据库的开发及用作检测标准[J]. 朱泽煌,胡广书,郭恒,崔子经. 中国生物医学工程学报. 1993(04)
博士论文
[1]基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学 2018
硕士论文
[1]基于自适应消噪的心电特征检测与预警装置[D]. 彭良广.重庆邮电大学 2019
[2]心电信号去噪及特征波检测算法研究[D]. 刘乐乐.重庆邮电大学 2018
本文编号：3456130
【文章来源】：西华大学四川省
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
正常心电图波形
西华大学硕士学位论文11收缩，称为过早搏动，简称早搏。若心肌的不应期状态出现了异常延长状况，则会导致病理性传导阻滞或干扰的发生。(3)心脏传导功能的失常：根据心脏的内部组织结构可知，心房、心室各部位的肌肉都可以传导电激动，而心脏传导系统具有最强的传导能力。其中又以末梢传导纤维的传导能力最强，速率约为4000mm/s，房室束及束支的速率约为3000mm/s，心房肌的速率约为800mm/s~1000mm/s，心室肌的速率约为400mm/s，房室结的速率最慢，约为200mm/s。正常情况下，心房和心室肌肉之间存在一个纤维组织环，激动只能从心房肌通过房室结传导至房室束及束支而后到达心室肌，这对于生理性房室传导阻滞的产生有着重要的临床意义。例如，当心脏传导系统由于病理变化而引起功能障碍时，即可产生各种传导功能的异常。心律失常在临床上主要是根据激动的起源（自律及兴奋）与传导的失常，或一般即按兴奋并传导的失常进行分类（如图2.2所示）。图2.2心律失常的分类Fig.2.2Classificationofarrhythmias
体导联MLII和修正心前区导联（V1、V2、V4、V5中的一种），这些心电记录的采样率为360Hz，在10毫伏范围内具有11位分辨率，并在0.1~100Hz范围内进行带通滤波，由独立的心脏病专家对时间和节拍信息进行注释（总计约有110000个注释）。这些心电记录的编号均为三位数，前24组记录编号为100~124，后24组记录编号为200~234。每一组心电记录都包含3个文件，分别为“.hea”、“.data”和“.atr”。(1)“.hea”表示头文件，其一行或多行按照ASCII码字符的方式存储，用于存储辅助信息。以“100.hea”为例，其文件内容如下图2.3所示：图2.3100.hea的内容Fig.2.3Contentsof100.hea第一行从左至右分别表示文件名、导联数、采样率和数据采样点数。第二行从左至右分别表示文件名、存储格式、增益、AD分辨率、ADC零值、导联1第一个值、校验数、数据块大小（0表示可以从任意数据块输出，即可以从中间读取任意一段）、导联
【参考文献】：
期刊论文
[1]一种新的小波阈值去噪算法在工程中的应用[J]. 李名莉,焦欣欣. 计算机与数字工程. 2019(07)
[2]用于图像分类的卷积神经网络中激活函数的设计[J]. 王红霞,周家奇,辜承昊,林泓. 浙江大学学报(工学版). 2019(07)
[3]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟. 中国循环杂志. 2019(03)
[4]动态心电图与常规心电图诊断冠心病患者心律失常的比较[J]. 王艳丽. 中国医疗器械信息. 2019(05)
[5]深度学习的研究进展与发展[J]. 史加荣,马媛媛. 计算机工程与应用. 2018(10)
[6]基于稀疏降噪自动编码机的心律失常自动分类[J]. 熊鹏,李鑫,时亚松,杨国杰,刘明,刘秀玲. 激光杂志. 2018(04)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[9]心电图的计算机辅助分析[J]. 胡广书,朱泽煌. 上海生物医学工程. 1995(04)
[10]MIT—BIH心电数据库的开发及用作检测标准[J]. 朱泽煌,胡广书,郭恒,崔子经. 中国生物医学工程学报. 1993(04)
博士论文
[1]基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学 2018
硕士论文
[1]基于自适应消噪的心电特征检测与预警装置[D]. 彭良广.重庆邮电大学 2019
[2]心电信号去噪及特征波检测算法研究[D]. 刘乐乐.重庆邮电大学 2018
本文编号：3456130
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3456130.html
