基于深度学习技术的ECG自动分类算法研究

发布时间：2020-10-16 03:00

　　 心血管疾病是导致死亡率较高的疾病之一,而心电图(Electrocardiogram,ECG)作为一种有效的非侵入式诊断工具,通常被用于筛查和诊断心血管疾病。然而,由于动态心电图数据量大,以及医学专家人员有限,因此造成医生诊断任务非常繁重。使用计算机辅助心电图分析工具可以大大减轻医生的工作量,并提高心血管疾病的筛查和诊断效率。本文旨在结合心电数据的时间序列特征,建立基于深度学习技术的心电数据自动分类模型,本文主要研究内容如下:(1)针对ECG中存在噪声,导致特征提取困难等问题,本文采用小波变换算法对ECG信号进行降噪处理。论文根据ECG数据的特性,采用Daubechies6(db6)小波函数将ECG信号分解为8层,在此基础上,根据噪声系数,设定合理的阈值进行降噪处理,最后重构阈值处理后的各层小波,得到降噪后的ECG信号。实验结果表明,小波变换有很好的降噪效果。(2)针对传统机器学习算法严重依赖手动提取特征的问题,本文对深度学习技术中的卷积神经网络模型进行优化改进,设计了一个高效的卷积神经网络E-CNN(Efficient convolutional neural network)用于单导联ECG自动分类。E-CNN能够从同一输入中提取ECG数据的多级特征,可以高效的获得ECG数据的内部结构特征表示。实验结果表明,E-CNN在ECG分类中获得了良好的分类性能。(3)针对二维结构的多导联心电图,本文提出了一个多通道卷积神经网络MC-CNN(Multi-channel convolutional neural network)。MC-CNN模型将多导联ECG数据中的每个导联输入到不同通道中自动提取特征,MC-CNN模型多通道的设计不仅保证了导联之间数据的独立性,还能够使每个导联找到适合自己的滤波器,进而提取高质量的ECG特征。实验结果表明,MC-CNN模型在多导联心电图自动分类方面具有很大的优势。本文结合心电数据的特点,设计了两种基于深度学习技术的心电自动分类模型E-CNN和MC-CNN,分别在MIT-BIH心律不齐数据集和PTB心肌梗塞数据集上进行了验证。实验表明,本文提出的模型不仅解决了手动提取特征的问题,还能够提取高质量的ECG特征,都获得了不错的ECG自动分类结果。
【学位单位】：郑州大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP181;R540.41
【部分图文】：

图 1.1 心电自动分类检测流程图本小节将主要介绍以下三个部分的研究现状，即：ECG 信号的预处理，ECG信号的特征提取，ECG 信号分类的研究现状。1.2.1 心电信号预处理的研究现状ECG 信号是用身体表面上的电极测量并收集的，在收集 ECG 时，会收集到各种噪声，例如电力线干扰，基线漂移，肌电噪声，电极运动伪影等[4]，这些无用的信号给 ECG 自动诊断带来了负面影响。为了正确分析 ECG 数据，需要对 ECG 信号进行预处理，而 ECG 信号的预处理旨在通过滤波或信号去除伪像信号，以减少这些无用信号造成的负面影响。张东辉[5]提出了一种基于离散小波变换的基线漂移校正和去噪方法，利用Symlet 小波函数将心电信号分解为 6 层，用经验贝叶斯后验中值的小波收缩方法来减少高频噪声，实验结果发现使用离散小波变换可以获得良好的去噪结果。MAMneimneh 等人[6]提出了一种自适应卡尔曼滤波器用于实时去除基线漂移，

2 心电自动分类的相关技术理论心电自动分类的相关技术理论对心电图进行自动分类，首先要了解心电图，心电图的理论知识为 E类提供了理论依据。传统的机器学习方法采用手动提取 ECG 特征，时又费力，严重影响算法的实际应用。因此，为了克服传统机器学习点，本文使用深度学习技术。深度学习技术可以自动提取 ECG 特征并省去了手工提取特征的环节。心电图的基础知识 心电信号产生的机理

2 心电自动分类的相关技术理论脏电活动之间的对应关系，对 ECG 图进行详细的解读P 波房去极化波，它与心房活动的情况有关。P 波形圆钝，状不同，在 II 导联和 VF 导联上表现明显。P 波的时间1s 之间，电压（高度）通常在 0.22mV 和 0.25mV 之间PR 间期是从 P 波的开始到 QRS 复合波群的开始，反映了从窦ricular，AV）所经过的时间。短于 120 毫秒的 PR 间期表，如 Wolf-Parkinson-White 综合征。在 PR 间期期间诊断，持续时间超过 200ms。PR 段通常是完全平坦的，但在如果从心房到心室的传导受到阻碍，则会相应地延长
【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

8 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

9 张庭略;;基于硬件的神经网络加速[J];通讯世界;2018年08期

10 苏秀婷;;耦合神经网络的同步[J];绍兴文理学院学报(自然科学);2016年03期

相关博士学位论文 前10条

1 赵黎;面向服装流行色预测的层次协同演化模型与算法研究[D];天津工业大学;2019年

2 刘梅;网络系统的稳定和同步行为研究[D];新疆大学;2017年

3 靳然;基于神经网络和支持向量机的麦蚜发生动态预测研究[D];山西农业大学;2017年

4 李骁;基于深度卷积神经网络MSCT对小肾肿瘤病理分型的预测研究[D];中国人民解放军海军军医大学;2018年

5 李若霞;基于忆阻的神经网络的动力学分析及应用[D];东南大学;2017年

6 项延德;基于卷积神经网络的心电信号检测和分类研究[D];浙江大学;2018年

7 李一鸣;结合知识和神经网络的文本表示方法的研究[D];浙江大学;2018年

8 李扬;面向图像目标识别和检测的深度神经网络关键技术研究[D];北京邮电大学;2018年

9 LYDIA LAZIB;文本否定范围识别技术研究及其应用[D];哈尔滨工业大学;2018年

10 周小强;基于深度学习的交互式问答技术研究[D];哈尔滨工业大学;2017年

相关硕士学位论文 前10条

1 胡涛;基于深度学习的鱼类识别研究[D];浙江工业大学;2019年

2 邱一豪;时态神经网络在股票分类预测的应用[D];浙江工业大学;2019年

3 唐瑜;基于矩阵束和神经网络两种方法的多径干扰抑制研究[D];厦门大学;2017年

4 郑江龙;基于卷积神经网络的隐式篇章关系识别模型[D];厦门大学;2017年

5 陈霄凌;基于卷积神经网络的图像识别及在Spark平台的实现技术研究[D];云南大学;2017年

6 丘琴秀;基于卷积神经网络与迁移学习的组织病理学图像中上皮组织—基质分类[D];厦门大学;2017年

7 张晔;基于小波分解和神经网络的非线性信号预测[D];河北师范大学;2019年

8 陈阳;用户行为分析算法及其在Spark上的应用研究[D];浙江工业大学;2018年

9 薛腾腾;深度学习在股指预测中的应用[D];浙江工业大学;2018年

10 肖遥;基于全卷积神经网络的群体异常事件检测方法研究[D];武汉理工大学;2018年

本文编号：2842657