基于LSTM的心血管疾病辅助诊断研究

发布时间：2020-08-22 00:17

【摘要】：心血管疾病(Cardiovascular Disease,CVD)在农村和城市的死因占比分别为45.01%和42.61%。心电图(Electrocardiogram,ECG)检测是诊断心血管疾病的主要途径。短时心电图难以检测到突发异常,长时监测设备存在耗时长、效率低等问题。基于远程医疗,自动分析ECG对解决上述问题具有理论意义和应用价值。利用先验知识和深度学习辅助诊断是目前ECG自动分析的两条主要技术路线。基于先验知识的辅助诊断依赖ECG特征提取,ECG的个体差异导致特征提取存在不确定性,使算法分类精度降低。基于深度学习的辅助诊断以数据为导向,不依赖特征提取过程,为ECG大数据分析提供了可行技术途径。以远程心血管疾病辅助诊断为目标,大规模心电数据集为基础,利用改进的长短期记忆网络,建立单任务、正异常辅助诊断模型,解决前馈神经网络较难学习ECG时序特征的缺点。进一步挖掘疾病关联性,构建多任务、多分类辅助诊断模型,增加疾病识别种类。最后,设计基于云平台的远程心电监护系统,实现远程辅助诊断功能。主要研究工作包括:(1)构建CNN-LSTM混合模型,利用长短期记忆网络(Long Short-Term Memory,LSTM)的记忆功能和卷积神经网络(Convolutional Neural Networks,CNN)的感受野特性,自主学习ECG的空间及时序特征。首先,利用陷波滤波器和基于小波变换的自适应阈值算法,对ECG进行预处理。然后利用CNN捕获ECG每个导联间的空间特征,以及LSTM挖掘ECG信号点间的时间相关性。基于实验和临床两种数据库进行测试,模型分类准确率分别为99.6%和93.39%。(2)构建CNN-BiLSTM混合模型,利用CNN和双向长短期记忆网络(Bidirectional Long Short-Term Memory,Bi-LSTM)混合网络的空间及时序双重特性,结合注意力机制,对输入数据进行选择性学习,并利用多任务学习(Multi-Task Learning,MTL)对不同层次下的多种疾病进行分类识别,构建多任务、多分类模型,解决单任务易忽略疾病间关联信息,且单一分类只能识别一种疾病的缺点。首先采用留出法划分数据集,每条ECG标记两种标签,作为二维矩阵输入,然后利用CNN-BiLSTM网络挖掘ECG的空间及时间特征,根据联合权重输出结果,实现多种疾病分类。基于17万条临床数据分析,模型分类准确率达到88.01%。(3)设计“采集端-云平台-客户端”三层结构的远程心电监护系统,实现数据采集、数据分析与数据展示功能。利用上述辅助诊断模型实现远程心血管疾病辅助诊断,验证算法可行性。测试结果表明,系统能够实现远程心血管疾病辅助诊断功能。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP274;R54
【图文】：

心电图,导联,心脏活动,生物电信号

图 2.4 胸导联方式联具有相关性，又相对独立。其中，导联 I、导联 II 以及联 III 和加压肢体导联称为辅导联，主导联能够合成辅导有线性相关性，能够相互合成[3]。数据特征分析是心脏活动过程中生物电信号在体表的综合反映，描述了，如图 2.5 所示，心电图主要由 P 波、QRS 波群（由 Q T 波以及 U 波（部分人会产生）组成。

小波分解,去噪,工频噪声

制了工频噪声对 ECG 的干扰后，采用小波分解的方法将 ECG 函数为 bior2.6），得到各个尺度上对应的细节系数与近似系数。E通常在几百赫兹以下，越高的近似系数中含有的低频信号越多同频带的信号出现在小波分解各个尺度上，其中，低层的细节高频的信号。图 3.1 消除工频干扰

模型实验,混合模型

3 基于 CNN-LSTM 的单任务正异常模型让某些神经元以一定的概率停止被激活，即通，减少隐藏节点之间的相互作用，使网络避免 CNN-LSTM 混合模型泛化能力更强。与分析 CCDD 数据库中的 ECG 维度不同，在评估 CN合模型结构进行微调，其中包括卷积核大小，所示为 LSTM-CNN 混合模型在两个数据集上的

【相似文献】