基于多示例学习的心电图的异常波段标记及概率预测

发布时间：2021-06-16 07:11

　　目的:心律失常、心肌缺血、房室肥大等心脏疾病的发病率逐年增加,致死率也呈上升趋势。心电图在临床上作为可观察心脏整体状况的渠道之一,通过它可及时高效的获取心脏活动的信息并对患者病情做出判断。而在临床实践中利用计算机辅助诊断技术对心电图进行识别分析是重要的也是必要的。本研究的目的即是在弱监督学习的框架下结合卷积网络自动检测并标记心电图异常点同时给出阳性概率值。研究方法:本研究从中国医科大学附属第一医院心电数据库中选取16488例患者的心电图,其中正常心电图4001例,异常12487例。异常心电图中包括传导阻滞、肥大、快速型心律失常、缓慢型心律失常以及T波改变五大类。研究中使用多示例学习的方法,将心拍作为‘包’,其中的采样点作为‘示例’,异常心拍的标签置1,正常心拍标签置0。通过卷积网络搭建的分类标记器以‘包’的粗标签预测出‘示例’级的细标签,即利用弱监督学习的思想,从而标记出心拍中的点为异常的概率值。结果:对于五大类中的七小类异常心电图,热力图结果显示,与专业人员手工标记的心电图异常区域相比,本研究所设计标记器可标记并预测出心电图中各部分为异常的概率值,区域F分数均在0.54以上,最高可达... 

【文章来源】：中国医科大学辽宁省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

多示例示意图

心电图样例

中国医科大学硕士学位论文9分解重构前后的心电信号对比图。通过图2.2可看出该方法可以将原始心电信号中的基线漂移滤除。图2.2心电信号利用DWT去除噪声前后对比图2.2.2基于小波变换的心拍分割预处理过后，依旧以小波变换为基础对心电信号进行分割处理以提取心拍。心拍分割的目的是去除冗余信息。同时一条原始信号可被分割为多个心拍，对于某些心脏疾病来说，电冲动流经心脏的每个循环周期的过程一致，这使得每个心拍的形态也是一致的，这样分割心拍的操作便可增大数据量。此外，每个心拍持续时长较短，可提高数据分析效率。本实验选择使用二进样条小波分解心电信号，其具有较强的分频能力。首先设置高、低通滤波器的系数，高通滤波器系数为-1/4、-3/4、3/4、1/4，低通滤波器系数为1/4、3/4、3/4、1/4。接着利用设置完成的二进样条小波对心电信号进行3层分解。由实验分析获知，尺度3上留有R波的大部分能量，因此选择分解的层数为3。根据信号奇异点与小波变换间的关系，实验中存储第3层小波系数中的正、负极大值点及其对应的数值，并根据求得的正、负极大值设定正、负阈值，保留所有大于正阈值及小于负阈值的点，其他点置零。下一步为搜索正、负极大值对，并求出极值对过零点的位置，该位置即为R波波峰的对应点。第一次R波定位完成后，还需对测得的点进行增删操作以呈现最优的定位效果。首先算出所有相邻检测点之间的间隔，并求出其均值rrm，根据rrm设定两个阈值0.4rrm和1.6rrm。当两个R峰间隔小于0.4rrm时，R波高度较低的被除去，当

【参考文献】：
期刊论文
[1]数据挖掘技术在医学影像领域中的应用进展[J]. 强邦红,刘冬,朱向明.  临床超声医学杂志. 2013(04)
[2]分类器组合在心电图分类中的应用[J]. 童佳斐,董军.  计算机应用. 2010(04)
[3]基于决策树分类技术的心电自动分析软件检测系统[J]. 王秉,陈颖,魏爱敏,谭培昭,崔振,林欣.  桂林工学院学报. 2006(03)
[4]分类技术在心电图自动诊断模型中的应用比较[J]. 吴萍,黄勇.  计算机应用. 2003(11)

硕士论文
[1]应用于心电图分类的KNN和SVM分类器研究[D]. 谢秋玲.华东师范大学 2004



本文编号：3232621