不均衡心律失常智能检测关键问题研究

发布时间：2021-07-24 15:37

　　心电图（Electrocardiogram,ECG）是最常用的记录心脏一段时间内生理活动的无创诊断工具。心电图有助于诊断许多心血管疾病,如心房过早收缩、心室过早收缩、心房颤动和心肌梗死等。近年来,随着便携式心电监护仪（例如,Holter）以及可穿戴设备（例如,Apple Watch）在医疗领域的飞速发展,心电数据的数量迅速增长,导致心血管疾病自动诊断系统在分析这些数据时出现了不足。因此,如何自动准确地分析心电数据成为多年来的研究热点。针对目前心电数据库中数据分布和其心电数据自身的特点,基于不均衡数据处理技术以及深度学习网络（Deep learning）技术,依据MIT-BIH Arrhythmia Database中心电图数据分布的特点和The China Physiological Signal Challenge2018数据集中ECG信号的特点,围绕心律失常分类优化策略和心律失常自动分类环节中的关键问题,提出了有效的心律失常自动检测算法。论文的主要研究内容总结如下。（1）提出了一种基于长短记忆神经网络（Long-short term memory,LSTM）的类不均衡心律失常自动分... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

基于ECG数据的心律失常检测系统流程图

1绪论经网络（CNN）和递归神经网络（Recurrentneuralnetwork,RNN）结合的端到端模型，该模型从RR间期中提取高水平特征，自动检测ECG记录中的房颤节律[16]。Kamaleswaran等人提出了一种13层DCNN模型，用于检测单导联不等时长心电信号中的房颤节律[17]。虽然使用深度学习方法检测节律型心律失常取得良好的成效，但是准确检测心律失常的关键问题依然未解决。基于类别不均衡数据有效且快速地检测出心律失常类型是一个值得研究的问题，而目前在这个问题上的研究较少。尤其是在短时可变长度心电信号节律信息有限的情况下，可靠且准确地检测出心律失常仍然是一个巨大的挑战。1.2.2类别不均衡分类问题的研究现状在类别不平衡分布的数据集上有效地进行分类器学习是数据挖掘领域中的一个具有挑战性的问题。在20世纪90年代，Anand等人探讨了类不平衡对浅层神经网络中反向传播算法的影响[18]。随着人工智能技术的快速发展，这个问题在许多实际应用中的存在，引起了越来越多研究人员的关注。图1.2是在Webofscience中输入关键词“imbalanceddataset”搜索到的2007-2019年学术论文的发表情况。从图中可以看出，研究人员对类别不均衡问题的研究热情不断的上升。图1.22007-2019年不均衡问题相关论文发表情况当数据集中的一个类别的样本数量与其他类别的样本数量差值较大时，说明该数据集是不平衡的。此外，从学习任务[19]的角度来看，样本数量最少的类别通常是感兴趣的类别。这个问题出现在诸多实际分类问题中，如遥感[20]、污染检测[21]、风险管理[22]、欺诈检测[23]，特别是医学诊断[24–28]。不均衡问题在这些领域中是非常重要的，例如，癌症患者实例个数比非癌症患者实例个数小4

2研究基础和相关理论背景图2.1一个典型正常心电图波形样例表2.1常见心律失常类型心律失常类型心电图特征房颤（AF）P波消失；心室率大于100-160次/分；RR间期不等；QRS复合波正常，见图2.2.(b)。右束支传导阻滞（RBBB）形态上V1和V2导联呈现rsR’型；V5和V6导联呈现qRS型或RS型，同时T波方向与QRS复合波主波的方向相反，见图2.2.(c)。左束支传导阻滞（LBBB）节律规整；QRS复合波的时间大于0.12s；V5导联和V6导联中R波出现顿挫，见图2.2.(d)。房性早搏（PAC）异常房性P波提前；PR间期延长，见图2.2.(e)。室性早搏（PVC）QRS复合波提前；形态宽大畸形；时间通常超过0.12s，见图2.2.(f)。2.2深度学习概述近年来，深度学习（Deeplearning,DL）成为了人工智能领域中一个很有潜力的研究方向。DL是基于表征学习的一种特殊形式，网络从神经元的每个连续隐含层中学习和构建固有的特征[11]。它的核心是并行处理和网络实体的思想。对比支持向量机和人工神经网络等浅层机器学习模型而言，DL的网络结构含有多层感知器，并且能够无监督的提取原始数据特征，避免了使用专业领域知识获取输入数据的特征。9

【参考文献】：
期刊论文
[1]动态心电图与常规心电图诊断冠心病患者心律失常的比较[J]. 庞志茹.  中外医疗. 2009(13)



本文编号：3300933