基于卷积神经网络的心电信号分类方法研究
发布时间：2021-10-17 06:52
随着社会生产力的发展和人们生活水平的提高,心血管疾病逐渐成为人类生活中所面临的最主要的健康杀手之一。在种类众多的心血管疾病之中,心律不齐是最主要的、最常见的临床表现,及时发现其症状对于改善患者的健康状况和延续其生命具有重要意义,因此对于心律不齐的精确诊断在心血管医学领域极受重视。然而,心血管疾病专家们在临床的医学诊断中面临着诸多问题,这使得临床上对心律不齐的精确诊断对于医生们而言成为了一项费时费力的工作而且极容易产生误诊、漏诊等问题。在这种情况下,设计自动进行心律不齐诊断的方法便显得愈发重要。在研究心电疾病诊断分类模型时,基于传统机器学习方法的模型存在着许多的缺陷。第一,其分类模型需要对心电信号数据进行繁琐的噪声消除步骤;第二,传统的分类模型需要进行复杂的特征工程,特征工程又基于大量的心脏疾病专家知识。而卷积神经网络拥有着自动化的特征提取能力,并且近年来在计算机视觉、强化学习以及自然语言处理等领域也已经表现出了卓越的性能,因此本文旨在基于卷积神经网络研究心电信号自动分类方法。本文的主要工作有以下两个方面。一是提出了一种基于多尺度卷积和注意力机制的残差网络分类模型,该模型主要是通过多个网...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图１－１心脏泵血活动电位变化周期［５２］??然而，在临床的医学诊断中，心电图诊断分析面临着诸多问题
，心拍信号被分为五类：正常类（Ｎ），室??上性异位搏动（Ｓ），室性异位搏动（Ｖ），融合心拍（Ｆ）和未知心拍类型（Ｑ）。??在患者间模式（ｉｎｔｅｒ－ｐａｔｉｅｎｔ）中，心拍信号被分为三类：正常类（Ｎ），室上性??异位搏动（Ｓ），室性异位搏动（Ｖ）。??本小节的最后主要描述本章所设计的网络模型在注意力机制方面的创新工??作。本章网络模型的注意力机制的创新主要是基于卷积块注意力模块??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｂｌｏｃｋ?Ａｔｔｅｎｔｉｏｎ?Ｍｏｄｕｌｅ，?ＣＢＡＭ）?［３６］的基矗图２－３展示了ＣＢＡＭ??的主要计算流程：由于卷积运算是通过将跨通道（Ｃｈａｎｎｅｌ）和空间（Ｓｐａｔｉａｌ）信??息融合在一起来提取信息特征，因此ＣＢＡＭ强调沿着通道和空间两个主要维度进??行注意力机制的设计，即分别设计通道注意力（Ｃｈａｎｎｅｌ?Ａｔｔｅｎｔｉｏｎ）模块和空间??注意力（Ｓｐａｔｉａｌ?Ａｔｔｅｎｔｉｏｎ）模块。??Ｃｈａｎｎｅｌ?Ｓｐａｔｉａｌ??／?Ａｔｔｅｎｔｉｏｎ?＼?／?Ａｔｔｅｎｔｉｏｎ?＼??Ｉｎｐｕｔ?Ｌ?＾?Ｏｕｔｐｕｔ??图２－３?ＣＢＡＭ计算流程图??图２－４（ａ）展示了在给定中间特征图（Ｆｅａｔｕｒｅ?ｍａｐ，?Ｆ）的情况下，ＣＢＡＭ的通??道注意力模块设计细节。在卷积神经网络中，不同的通道可以视为网络模型的一??个个特征提取器ｔ３＇而通道注意力模块正是关注于哪一个通道的特征对于模型是??比较有意义的。首先对每一个通道的特征图基于宽度和高度两个参数进行压缩，??压缩方式分别采用全局平均池化（Ｇｌｏｂａｌ?Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）和全局最大池化??（Ｇｌｏｂａｌ?Ｍａｘ?Ｐｏｏｌｉ
，心拍信号被分为五类：正常类（Ｎ），室??上性异位搏动（Ｓ），室性异位搏动（Ｖ），融合心拍（Ｆ）和未知心拍类型（Ｑ）。??在患者间模式（ｉｎｔｅｒ－ｐａｔｉｅｎｔ）中，心拍信号被分为三类：正常类（Ｎ），室上性??异位搏动（Ｓ），室性异位搏动（Ｖ）。??本小节的最后主要描述本章所设计的网络模型在注意力机制方面的创新工??作。本章网络模型的注意力机制的创新主要是基于卷积块注意力模块??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｂｌｏｃｋ?Ａｔｔｅｎｔｉｏｎ?Ｍｏｄｕｌｅ，?ＣＢＡＭ）?［３６］的基矗图２－３展示了ＣＢＡＭ??的主要计算流程：由于卷积运算是通过将跨通道（Ｃｈａｎｎｅｌ）和空间（Ｓｐａｔｉａｌ）信??息融合在一起来提取信息特征，因此ＣＢＡＭ强调沿着通道和空间两个主要维度进??行注意力机制的设计，即分别设计通道注意力（Ｃｈａｎｎｅｌ?Ａｔｔｅｎｔｉｏｎ）模块和空间??注意力（Ｓｐａｔｉａｌ?Ａｔｔｅｎｔｉｏｎ）模块。??Ｃｈａｎｎｅｌ?Ｓｐａｔｉａｌ??／?Ａｔｔｅｎｔｉｏｎ?＼?／?Ａｔｔｅｎｔｉｏｎ?＼??Ｉｎｐｕｔ?Ｌ?＾?Ｏｕｔｐｕｔ??图２－３?ＣＢＡＭ计算流程图??图２－４（ａ）展示了在给定中间特征图（Ｆｅａｔｕｒｅ?ｍａｐ，?Ｆ）的情况下，ＣＢＡＭ的通??道注意力模块设计细节。在卷积神经网络中，不同的通道可以视为网络模型的一??个个特征提取器ｔ３＇而通道注意力模块正是关注于哪一个通道的特征对于模型是??比较有意义的。首先对每一个通道的特征图基于宽度和高度两个参数进行压缩，??压缩方式分别采用全局平均池化（Ｇｌｏｂａｌ?Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）和全局最大池化??（Ｇｌｏｂａｌ?Ｍａｘ?Ｐｏｏｌｉ
本文编号：3441322
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图１－１心脏泵血活动电位变化周期［５２］??然而，在临床的医学诊断中，心电图诊断分析面临着诸多问题
，心拍信号被分为五类：正常类（Ｎ），室??上性异位搏动（Ｓ），室性异位搏动（Ｖ），融合心拍（Ｆ）和未知心拍类型（Ｑ）。??在患者间模式（ｉｎｔｅｒ－ｐａｔｉｅｎｔ）中，心拍信号被分为三类：正常类（Ｎ），室上性??异位搏动（Ｓ），室性异位搏动（Ｖ）。??本小节的最后主要描述本章所设计的网络模型在注意力机制方面的创新工??作。本章网络模型的注意力机制的创新主要是基于卷积块注意力模块??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｂｌｏｃｋ?Ａｔｔｅｎｔｉｏｎ?Ｍｏｄｕｌｅ，?ＣＢＡＭ）?［３６］的基矗图２－３展示了ＣＢＡＭ??的主要计算流程：由于卷积运算是通过将跨通道（Ｃｈａｎｎｅｌ）和空间（Ｓｐａｔｉａｌ）信??息融合在一起来提取信息特征，因此ＣＢＡＭ强调沿着通道和空间两个主要维度进??行注意力机制的设计，即分别设计通道注意力（Ｃｈａｎｎｅｌ?Ａｔｔｅｎｔｉｏｎ）模块和空间??注意力（Ｓｐａｔｉａｌ?Ａｔｔｅｎｔｉｏｎ）模块。??Ｃｈａｎｎｅｌ?Ｓｐａｔｉａｌ??／?Ａｔｔｅｎｔｉｏｎ?＼?／?Ａｔｔｅｎｔｉｏｎ?＼??Ｉｎｐｕｔ?Ｌ?＾?Ｏｕｔｐｕｔ??图２－３?ＣＢＡＭ计算流程图??图２－４（ａ）展示了在给定中间特征图（Ｆｅａｔｕｒｅ?ｍａｐ，?Ｆ）的情况下，ＣＢＡＭ的通??道注意力模块设计细节。在卷积神经网络中，不同的通道可以视为网络模型的一??个个特征提取器ｔ３＇而通道注意力模块正是关注于哪一个通道的特征对于模型是??比较有意义的。首先对每一个通道的特征图基于宽度和高度两个参数进行压缩，??压缩方式分别采用全局平均池化（Ｇｌｏｂａｌ?Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）和全局最大池化??（Ｇｌｏｂａｌ?Ｍａｘ?Ｐｏｏｌｉ
，心拍信号被分为五类：正常类（Ｎ），室??上性异位搏动（Ｓ），室性异位搏动（Ｖ），融合心拍（Ｆ）和未知心拍类型（Ｑ）。??在患者间模式（ｉｎｔｅｒ－ｐａｔｉｅｎｔ）中，心拍信号被分为三类：正常类（Ｎ），室上性??异位搏动（Ｓ），室性异位搏动（Ｖ）。??本小节的最后主要描述本章所设计的网络模型在注意力机制方面的创新工??作。本章网络模型的注意力机制的创新主要是基于卷积块注意力模块??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｂｌｏｃｋ?Ａｔｔｅｎｔｉｏｎ?Ｍｏｄｕｌｅ，?ＣＢＡＭ）?［３６］的基矗图２－３展示了ＣＢＡＭ??的主要计算流程：由于卷积运算是通过将跨通道（Ｃｈａｎｎｅｌ）和空间（Ｓｐａｔｉａｌ）信??息融合在一起来提取信息特征，因此ＣＢＡＭ强调沿着通道和空间两个主要维度进??行注意力机制的设计，即分别设计通道注意力（Ｃｈａｎｎｅｌ?Ａｔｔｅｎｔｉｏｎ）模块和空间??注意力（Ｓｐａｔｉａｌ?Ａｔｔｅｎｔｉｏｎ）模块。??Ｃｈａｎｎｅｌ?Ｓｐａｔｉａｌ??／?Ａｔｔｅｎｔｉｏｎ?＼?／?Ａｔｔｅｎｔｉｏｎ?＼??Ｉｎｐｕｔ?Ｌ?＾?Ｏｕｔｐｕｔ??图２－３?ＣＢＡＭ计算流程图??图２－４（ａ）展示了在给定中间特征图（Ｆｅａｔｕｒｅ?ｍａｐ，?Ｆ）的情况下，ＣＢＡＭ的通??道注意力模块设计细节。在卷积神经网络中，不同的通道可以视为网络模型的一??个个特征提取器ｔ３＇而通道注意力模块正是关注于哪一个通道的特征对于模型是??比较有意义的。首先对每一个通道的特征图基于宽度和高度两个参数进行压缩，??压缩方式分别采用全局平均池化（Ｇｌｏｂａｌ?Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ）和全局最大池化??（Ｇｌｏｂａｌ?Ｍａｘ?Ｐｏｏｌｉ
本文编号：3441322
本文链接：https://www.wllwen.com/linchuangyixuelunwen/3441322.html
最近更新
教材专著
