基于迁移学习的病人个性化心电信号分类算法研究

发布时间：2020-05-09 08:34

【摘要】：近年来,经济的快速发展导致人们生活节奏不断加快。日益增大的生活压力,生活方式不规律,导致心脏病的发病率急剧上升,向年轻化发展,心脏病成为人类健康的重大威胁。几乎所有心脏病病发都会伴随着心律失常现象,因此对心律失常的实时监测和识别可以帮助人们及早发现并治疗心脏疾病。人体心电信号(Electrocardingraph,ECG)是分析与鉴别心律失常的重要依据,通过对心电信号进行分类可以识别出是否存在心率失常及对应种类。目前有许多学者提出了基于机器学习的心电信号分类算法,但这些算法普遍忽略了不同病人间的个体差异。针对这一问题,本文分别提出一种基于S变换的心电信号分类算法和一种基于迁移学习的个性化心电信号分类算法,实现不同病人心电信号的差异化检测与识别:(1)提出使用S变换来提取ECG信号的时频特征。S变换是一种有效的时频分析的、工具。相对于短时傅里叶变换,S变换窗函数可变;相对于小波变换,S变换避免了复杂的母小波的选择过程,解决了小波变换的相位局部化问题。而且S变换的时频表示中各频率分量的相位谱与原始信号保持直接的联系,使其具有良好的时频特性。实验部分基于MIT-BIH心律失常数据库展开,参考AAMI的建议,将全部心电信号分为五大类。结果显示基于S变换和SVM分类器的心电信号分类模型优于其他两个对比模型,敏感度和阳性率显著提升。实验结果表明基于S变换的特征能更好地反映心电信号的特点,尤其是可以更好地区分正常和异常心拍,从而使分类准确率得到明显提高。(2)目前大部分ECG信号分类算法都没有考虑不同病人间的个体差异,而事实上这一差异十分显著,不能一概而论。使用统一的标准去判断不同个体的心律失常是不合理的。针对上述问题,本文提出基于迁移学习的病人个性化ECG分类算法,迁移学习算法采用基于特征层面的联合分布适配算法,该算法应用最大均值差异衡量源域分布和目标域分布之间的距离,并基于主成分分析获得最小距离对应的特征子空间。通过两部分对比实验,分别验证了本文提出的分类模型相对于其他病人个性化ECG信号分类模型的有效性以及迁移学习对异常心拍识别的有效性。
【图文】：

心电图,单周期,心电图,电图

本文用到的ＭＩＴ－ＢＩＨ数据库，以及心电信号的预法部分，将介绍集中常见的用于心电信号分类的算法，，其中将重使用的支持向量机。逡逑电图概述及处理逡逑心电图的组成及特征逡逑电图是指，在心脏的每个心动周期中，起搏点、心房和心室相继心电图生物电的变化，通过心电描记器从体表引出多种形式的电心电图是心脏兴奋的发生、传播及恢复过程的客观指标。逡逑电图可以反映出心脏兴奋的电活动过程，它对心脏基本功能及其具有重要的参考价值。心电图可以分析与鉴别各种心律失常，也受损的程度和发展过程和心房、心室的功能结构情况。在指导心脏必要的药物处理上有参考价值。逡逑

波形,心电信号,高频噪声,预处理

样本点逡逑（Ｃ）去除基线漂移后的心电信号逡逑图２－３心电信号预处理－去除基线漂移逡逑接着要去除电源线干扰及其他氋频噪声的干扰，去除这类噪声的方法有很多，逡逑既可以使用低通数字滤波器，还可以使用小波变换来去除高频噪声。通过实验，逡逑分别使用低通滤波器和小波变换进行去噪，发现低通滤波器的去噪效果不比小波逡逑变换差，而且更加简单高效，因此本文使用３５Ｈｚ低通滤波器去除心电信号的高逡逑频噪声。图２－４对比了去除高频噪前后的心电信号波形，可以看出，去除高频噪逡逑声之后，信号变得更加平滑。逡逑５００逦ｉ逦ｉ逦ｉ逦ｉ逡逑－５００逦１逦１逦＾逦１逦逡逑０逦５００逦１０００逦１５００逦２０００逦２５００逦３０００逡逑样本点逡逑（ａ）去除高频噪声前的心电信号逡逑１１逡逑
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN911.2;R540.4

【相似文献】