基于深度学习的房颤检测

发布时间：2021-07-04 02:21

　　心房颤动是临床上最常见的心律失常之一,对人类健康构成严重威胁。从心电信号记录中有效且准确地诊断心房颤动具有非常重要的临床意义。由于心电信号属于弱生理信号,易受环境影响,房颤检测算法在临床环境应用中仍是具有挑战性的工作。传统的基于特征检测的房颤检测算法的性能取决于关键特征波形检测的鲁棒性。如果关键的特征波形出现漏检或错检,其性能可能会明显下降。再者,人为提取的特征可能并不适合用于庞大的用户人群,导致基于传统特征检测算法在临床环境下的性能不能完全满足临床需求。本文提出了基于深度学习的房颤检测算法,从大量数据中学习并提取敏感特征用于检测房颤,从而提高房颤检测算法的性能。论文的主要研究内容如下:（1）提出一种基于特征点的心电信号数据增强方法,生成额外的、可能非冗余的训练数据,有效提升模型的训练效果。（2）基于循环神经网络模型建立了房颤检测模型,并对网络训练的数据增强、超参数调整、防止过拟合等问题开展了研究。（3）根据心电信号的特点,提出适应于单导联心电和多导联心电的房颤检测算法对提出的检测模型进行改进,提高了算法的泛化能力。使用来自计算心脏学会议2017挑战赛和中国生理信号2018挑战赛的公开... 

【文章来源】：浙江工业大学浙江省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

典型心电波形特征/间期定义标准的心电图是一个十二导联的系统，是利用十二个位于正面与水平面上的导联，记

一定的药物或者其他措施使患者，而当心律无法恢复为正常窦性节律或者恢内复发时则转化为永久性房颤。期房颤具有阵发性，表现为阵发性房颤，部分患者无明显临床症状。而随着转化为持续性房颤，长期性房颤甚至永久性房颤，危害患者健康甚至威胁生发现、早治疗，可以大大提高患者的转复几率。心电图则是医生诊断房颤的，通过观察房颤发生时心电图上异常心电节律来进行诊断。常情况下，窦性节律保持在 60 次/分左右，心脏呈现规律性的兴奋。但是在心房失去了规律性兴奋，心房壁的各部分出现频率繁、无序的兴奋，形成快节律[16]。相应地，房颤在心电图上的表现为[17,18]：（1）RR 间期绝对不规则，代之以小而不规则的房颤波（Fibrillation Wave，f 波）。f 波频率为 350~60、高度、间隔完全没有规律，在 P 波较大的导联上（II、III 、AVF、 V1）显示了房颤电信号的形状。

图 4-2 心电信号示意图（10 秒）。该数据库使用 8528 条单导联心电信号记录作为训练集，3658 条相似记录作为测试集，测试集对外不公开，只能提交测试黑盒才能获取，以保证了竞赛的公正性。所有数据使用AliveCor 设备采集并由公司提供。心电信号采样频率 300Hz，表 1-1 为可获得的训练集的分布信息。表 4-1 CinC2017 挑战赛训练集心电信号记录的分布信息节律类别 样本数记录时长(秒)平均值 标准差 最大值 平均值 最小值窦性节律 5154 31.9 10.0 61.0 30 9.0房颤节律 771 31.6 12.5 60 30 10.0其他节律 2557 34.1 11.8 60.9 30 9.1噪声 46 27.1 9.0 60 30 10.2

【参考文献】：
期刊论文
[1]心电图机在计量检定过程中的干扰分析及对策[J]. 刘辉.  中国计量. 2015(01)



本文编号：3263831