基于迁移学习的心电信号分类研究

发布时间：2021-11-26 19:49

　　心电信号（Electrocardiogram,ECG）是心脏生物电活动的记录,是一种非平稳、非线性、随机性强的弱生理信号。以深度学习技术为代表的ECG分类算法对心血管疾病（Cardiovascular disease,CVD）的临床诊断具有重要意义。已有针对特定CVD分类任务而设计的深度学习模型,直接应用于新的CVD分类任务中效果不佳,重新训练适用于新CVD分类任务的深度学习模型,不仅需要大量有标注的ECG样本,而且需要大量的计算资源和时间。利用数据之间的共同特征、重用已有的分类模型是应对ECG标签样本不足,提高分类准确率的技术途径。本课题以深度学习为技术基础,以迁移学习为切入点,探索对提高ECG分类识别率的方法。ECG分类领域内数据量有限,首先以图片域为源域,重用图片分类领域的大型预训练网络,通过微调预训练模型,实现ECG分类;进而结合ECG的时序特性,构建心电预训练分类模型,并使用标注数据对其进行重用,实现目标分类任务;最后在无法使用标注数据进行ECG模型重用时,通过基于最大均值差异的域适应方法,减少源域和目标域特征分布的差异,实现ECG分类的域适应。主要研究工作包括:（1）针对E... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

正常ECG波形

3以图片域为源域的迁移学习心电分类算法21,1abtbtaa（3.1）其中，a、b均为常数，a为尺度因子，对应频率信息，其大小决定小波的宽度，a越大，小波时窗越宽，频率分辨率越高。b是位移因子，表示时间信息，决定小波在坐标轴的位置。,()abt是目标波经平移和伸缩产生的一组函数，称为小波基函数，简称小波基。对于给定的小波函数a,bt的CWT定义为：*,1,,xabtbWTabxxtdtaa（3.2）其中，符号*表示共轭，即*a,b为a,b的共轭。函数xt经过CWT后，由原本的时域信号转换到二维的时间-尺度相平面上。实验中使用的小波函数a,bt为Morse小波[58]。它是一个单频率复正弦函数，具有灵活的时频局部特性及严格解析性，其数学定义如式3.3：22cos5ttCex（3.3）其中C是重构时的归一化常数。3.2.2心电特征图使用morse小波作为母小波，选用尺度为12，将截取的一维心电数据序列连续小波变换映射在二维平面中。为适配预训练网络输入特征向量的维度要求，将特征图像resize为224×224×3和227×227×3，并送入相应的网络中进行训练。图3.4显示了三种不同的ECG特征图示例。图3.4三种ECG的小波尺度图

3以图片域为源域的迁移学习心电分类算法223.3实验3.3.1数据集辅助域数据集为ImageNet中用于图像分类的子数据集。该数据集共有1000个子类，120万张训练图片，5万张验证图片，10万张测试图片。目标域数据集为来自于PhysionNet[59]上的96条心律失常（CardiacArrhythmia，ARR）数据，采样率为360Hz；30条充血性心力衰竭（CongestiveHeartFailure，CHF）数据，采样率为250Hz；36条正常窦性心律（NormalSinusRhythms，NSR）数据，采样率为128Hz。将所有数据统一采样率为128Hz，每条数据时长为512秒。实验截取每条数据的前1000个采样点，共获得162幅图像。原始数据示例如图3.5所示。图3.5原始数据波形图实验中采用留出法将数据划分为训练集与测试集两个互斥的ECG数据集，并使用分层抽样的方法保留类别比例，避免因数据划分过程中引入额外的偏差。以8:2的比例对三分类数据划分为例，其示意图如图3.5所示。数据集包含三个A、B、C类别，在划分时，每个类别随机划分为5等份，取其中4份作为训练

【参考文献】：
期刊论文
[1]基于堆叠式双向LSTM的心电图自动识别算法[J]. 王文刀,王润泽,魏鑫磊,漆云亮,马义德.  计算机科学. 2020(07)
[2]领域知识指导的模型重用[J]. 吴西竹,周志华.  中国科学:信息科学. 2017(11)
[3]基于小波神经网络的心电信号滤波研究[J]. 万相奎,张军.  生物医学工程学杂志. 2010(06)
[4]黄宛临床心电图学[J].   中国医刊. 2009(11)

博士论文
[1]递归神经网络模型的若干关键问题研究[D]. 张孝慈.中国科学技术大学 2019
[2]基于卷积神经网络的心电信号检测和分类研究[D]. 项延德.浙江大学 2018



本文编号：3520812