基于CNN和LSTM结合的心律失常分类研究

发布时间：2022-12-08 01:06

　　心律失常是指激动起源或频率、传导的速度或径路任何一环节发生异常而引起的心率过快、过慢或不规整。心律失常不总是一种不规则的心脏活动,可以发生在健康的心脏中,如呼吸窦性心律失常,是心率的一种自然周期性变化,与呼吸活动相对应,但也可能导致中风或心脏猝死等严重问题。心律不齐的自动检测和分类在临床心脏病学中至关重要,尤其是对于实时检测任务。传统的机器学习方法依赖于先验知识,并且需要对心电信号进行特征设计和提取,难以挖掘出海量心电信号背后的深层特征。深度学习在近几年发展迅速,在许多领域中表现出非常好的性能。在此背景下,本文提出基于长短时记忆网络（LSTM）和卷积神经网络（CNN）结合的模型,对心律失常分类进行了深入研究,主要研究内容包括三个方面:1.提出了一种基于卷积神经网络（CNN）和长短时记忆网络（LSTM）结合来进行心律失常分类的办法,实现了美国医疗仪器械促进协会（AAMI）建议的N、S、V、F和Q五种心律失常的自动分类,设计了两种不同方案来对模型进行优化,并且验证了优化方案的可行性。2.通过比对不同数据段长度下该网络模型分类结果的S、V类心拍的灵敏度和正阳性率,可以得出输入心电数据段的长度... 

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 引言
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究内容及章节安排
        1.3.1 本文主要研究内容
        1.3.2 章节安排
    1.4 本章小结
第二章 心电信号的基础知识
    2.1 心电的产生机理和心电图
    2.2 心律失常概述
    2.3 MIT-BIH数据库
    2.4 QRS波定位算法简介
        2.4.1 预处理
        2.4.2 自适应阈值设计
        2.4.3 算法评估
    2.5 本章小结
第三章 卷积神经网络和长短期记忆网络
    3.1 卷积神经网络
    3.2 长短时记忆网络
    3.3 本章小结
第四章 基于CNN和 LSTM结合的心律失常分类研究
    4.1 预处理
    4.2 CNN-LSTM模型
        4.2.1 训练方案
        4.2.2 分类性能评估
    4.3 实验结果
    4.4 本章小结
第五章 结果分析和讨论
    5.1 结果分析
    5.2 数据段划分对结果的影响
    5.3 采用信号切片对实验结果的影响
        5.3.1 信号切片方式
        5.3.2 实验结果
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士期间发表的学术论文
攻读硕士期间参与的研究项目


【参考文献】：
期刊论文
[1]《中国心血管病报告2017》概要[J]. 陈伟伟,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,蒋立新,胡盛寿.  中国循环杂志. 2018(01)



本文编号：3713232