基于机器学习的房颤识别算法研究

发布时间：2020-08-15 09:20

【摘要】：心脑血管疾病的发病率逐年升高,成为致死率最高的疾病,而心房颤动是发病率仅次于早搏的常见心脑血管疾病。临床上心房颤动的预防和诊断主要依靠临床医生对辅助影像的主观经验判断,缺乏更加科学客观的评估依据。因此,开发自动检测房颤的系统能够帮助人类尽早的发现房颤,从而达到实现早期监测的效果。现有的算法虽然在一定的约束条件下达到了较高的精确度,但是大部分研究仅提取了房颤信号时域或频域上的特征,而没有将两个空间联合起来进行分析。另外,多数模型仅使用了少量的数据,而对于人类大量的心电信号的泛化能力差,稳定性不足。本文针对房颤心电信号的特征,结合二维时频特征,提出一种泛化能力强的自动检测房颤的模型。论文的主要研究工作如下:(1)心电信号的预处理并获取其二维时频特征。使用MIT-BIH房颤数据库中的心电数据,并以检测到的R波所对应的采样点为中心,选取一定时间长度的信号片段。通过对三种经典时频分析技术的对比,使用改进频率切片小波变换处理房颤和非房颤心电信号,获取心电信号片段在0到90Hz之间的频率分布,并以数值矩阵或者能量热图的形式表示出来。(2)采用K-最近邻法、支持向量机和随机森林三种传统机器学习算法进行房颤的检测。进行参数寻优之后,在三种算法的基础上提出可以扬长避短的混合分类器算法,并分别使用四种算法对提取出的二维时频特征矩阵进行模型的训练和测试。另外,针对效果较好的支持向量机和随机森林两种分类模型,使用十倍交叉验证算法检测模型的精确度、特异性和灵敏度,进而使用随机森林对心电信号片段的时间尺度特性进行了研究。(3)构建卷积神经网络模型实现房颤自动检测功能。利用网格搜索法确定卷积神经网络的结构,一共包含12层(1个输入层、3个卷积层、3个ReLU层、1个采样层、3个全连接层以及1个输出层)。将数据按照房颤和非房颤的总数量均衡的分成5组,使用数据库中的平衡数据训练模型,即选取的两类的样本数量是一样的,而使用测试组的全部样本来测试模型,并采用评估非平衡数据指标对模型的性能进行评估。(4)使用相同分组方式的数据对两类算法进行比较。分析总结了两类分类模型在数据选择上的异同点,并利用准确度、敏感度和特异性三个指标对二者进行评估。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R541.75;TP181
【图文】：

章节,逻辑关系,论文

论文的研宄重点是将一维的心电信号序列以Ｒ波位置为基准，变换到逡逑二维空间，用具有时频特性的图像代替数据作为ＣＮＮ的输入，基于网格搜索参逡逑数构建出特定框架进行ＡＦ信号的自动检测。各章节逻辑关系如图１－２所示。逡逑本论文具体各章节的安排如下：逡逑第一章：绪论。阐述课题的研究背景及意义，并概述ＡＦ自动检测的研宄现逡逑状，针对目前两种利用不同心电表现的特征提取的问题，引出本论文的研宄内容，逡逑研究ＥＣＧ信号在能够同时表征时域和频域上的时频特性的分类，并使用不同的逡逑分类器进行分析和处理，得到评估各个分类器性能的指标，并概述本论文的章节逡逑安排。逡逑第二章：时频分析技术及自适应频率切片小波变换。首先，介绍了当下比较逡逑流行的时频分析技术，包括短时傅里叶变换、Ｗｉｇｎｅｒ－Ｖｉｌｌｅ分布和小波变换，简逡逑单介绍各个方法的工作原理，并分别使用上述方法将本文的房颤ＥＣＧ数据变换逡逑至时频空间中；然后介绍改进频率切片小波变换的数学表示和原理

信号,小波变换,时频分析,聚焦性

（ＳＰＷＤ）等是通过加上实的偶函数作为窗函数来抑制。除此之外，预滤波法、逡逑多分量分离法和辅助函数法也都取得了较好的消除效果１４４］。同样的，采用了邋ＭＩＴ逡逑数据库中０４０１５记录的ＡＦ信号数据进行ＰＷＤ变换，时频分布如图２－２所示。逡逑崔．．．逡逑０逦０．０８逦０．１６逦０．２４逦０．３２逦０．４逡逑时间／Ｓ逡逑图２－２基于ＰＷＤ的ＡＦ信号时频图逡逑从图中可以明显看出，使用ＷＶＤ方法的图像有很好的时频聚焦性，可以准逡逑确的反映出局部频率的变化情况，频率分辨率较强，广泛的应用于多种非平稳信逡逑号的分析和处理中，例如齿轮震动［４５］、生理信号［４６］和谐波电流［４７］等。逡逑２．１．３小波变换逡逑继短时傅里叶变换之后，２０世纪８０年代发展了一种新型的线性时频分析技逡逑术，是由法国物理学家Ｍｏｒｌｅｔ提出的小波变换（ＷＴ），而后由Ｍｅｙｅｒ引入到信逡逑号处理领域。在时频分析中，最常见是连续小波变换（Ｃｏｎｔｉｎｕｏｕｓ邋Ｗａｖｅｌｅｔ逡逑Ｔｒａｎｓｆｏｒｍ，邋ＣＷＴ）0逡逑小波变换的基本思想是把一个母波的函数作位移之后

信号,窗函数,积分变换,小波基函数

但二者均为积分变换。尺度因子的值直接决定了小波基函数的持续时间长逡逑短，并成反比的关系。同样的，采用了邋ＭＩＴ数据库中０４０１５记录的ＡＦ信号数据逡逑进行ＣＷＴ，时频分布如图２－３所示。逡逑0邋……二：：—１．．．．．邋．．．．邋；■二二＾逡逑０．４逡逑幽…二：：yU娜逡逑°６逡逑１４逡逑０逦０．０８逦０．１６逦０．２４逦０．３２逦０．４逡逑时间／Ｓ逡逑图２－３基于ＣＷＴ的ＡＦ信号时频图逡逑ＣＷＴ和ＳＴＦＴ的原理相近，都是通过一个窗函数实现时域和频域的联合，逡逑可以将ＣＷＴ看成是ＳＴＦＴ的一个发展，但是ＣＷＴ选择窗函数的长度在计算频逡逑１５逡逑

【参考文献】