心电信号中典型心律失常的自动识别研究

发布时间：2020-04-27 10:33

【摘要】：心律失常是一类常见的心血管疾病。患有心律失常,轻者会影响患者的生活质量,重者危及其生命。临床中,医生运用医学原理和经验分析患者心电图进行诊断。但由于医疗资源的不均衡,偏远地区专业医生缺乏,使得很多心律失常疾病不能及时检出和确诊。利用自动分析技术进行心电图分析,有助于心律失常疾病的初筛、早诊断。在心电信号的自动分析中,传统的方法多是利用从心电信号中提取的基准点特征构造分类模型来识别各种心律失常,如通过检测QRS波群及其他基准点的位置,提取心电信号的时域、频域、统计等特征来训练模型进行自动识别。这类方法简单直观,但基准点等特征的识别准确率会影响心律失常疾病的判断。而在实际应用环境中,由于心电信号存在个体差异性,以及干扰因素的影响,某些基准点特征很难准确提取出来,从而影响心律失常自动识别效果。(1)针对心电信号质量较差的情况下,部分基准点难以识别、波段特征提取困难的问题,本文用完整的单心动周期波形的采样值作为输入数据,通过建立人工神经网络模型进行心律失常识别,避免了提取基准点特征的困扰。通过模型结构调整,模型参数选择,本文构建模型对5种典型心律失常疾病的自动识别准确率达到98%。由于时域特征在心律失常识别中极其重要。在原有模型基础上,加入三个RR间期特征后,人工神经网络模型对心律失常的识别率达到了98.38%。(2)以单心动周期的采样数据值作为神经网络的输入时,网络模型的结构会因设备采样频率而不同。为了解决输入层网结构不一致问题,本文将单心动周期波形进行图像化,转化为灰度图和二值图,利用卷积神经网络构建分类模型进行心律失常识别。在MIT-BIH心律失常数据集中,做了五组不同比例数据集的实验,验证了灰度图像更适合应用在心律失常的自动识别中。最终,使用卷积神经网络模型进行自动识别的准确率达到了98.11%,相比于人工神经网络模型,该模型能够很好的区分形态差异较大的波形。(3)基于单心动周期的卷积神经网络模型中,由于单心动周期波形中无法体现心电信号周期特性,本文提出利用连续心电信号片段作为卷积神经网络的输入,在MIT-BIH心律失常数据集中经过大量实验,选取采样值在不同心动周期长度的波形建立模型作对比实验。实验表明,当波段长度为400时,卷积神经网络模型进行自动识别的总体准确率、灵敏度、特异性和正阳性率分别为99.24%、99.12%、99.81%和99.21%。通过不同实验的对比和验证,证明了所提出的,基于连续心动周期的卷积神经网络模型进行心律失常的自动识别的策略,是可行和有效的。
【图文】：

示意图,心电信号,示意图,心律失常

状行心律失常的自动识别技术，已经开展多年。爆发式增长，使得依据心电信号进行心脏病日益关注的焦点。心律失常是最常见的心血管心电信号的特征提取以及智能识别算法设计，行心律失常自动识别技术的基本现状。特征提取技术的研究现状准点的特征提取进行心律失常识别的方法，是法通过检测QRS波群及P、T等基准点的位置特征[27-30]。此种方法简单直观，，然而，每个人波形不完整，这会使各波段的标记不准确、计心电信号示意图。

电活动,不同心,对应图,心电图

三甲医院中有权威的医生进行识别和判断，经过严行模型的训练和验证。获取数据以后，将数据进行绍用于实验的数据来源和数据预处理的过程。简介的产生原理一直处于自我运作的过程，血液通过心脏瓣膜从心于胸腔内部，是人体整个循环系统中最主要的器官之间产生的电位差，通过除极、复级的过程，进而物电极等电极片附着在人体表面，以此来获取人体过一系列处理得到能够用来研究的心电信号。通过[38]。的波段对应着心脏的不同部位，如下图 2-1 所示，有效地反映出心脏对应位置的生理情况。
【学位授予单位】：天津理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.6;R541.7

【相似文献】