基于RR间期和深度置信网络的房颤检测

摘要

房颤是临床最常见的一种心律失常疾病，其患者每年增加。其特点是紊乱的心房活动和随之而来的脑卒、心肌梗死等并发症，导致较高的致残率和死亡率，严重危害着人类的健康。因此，开发房颤检测系统，从而能及早发现房颤，对改善病人的治疗和提高治疗质量，减少病人危重病症发生率和死亡率等有重要的临床和社会意义。但是目前，已有的房颤检测研究均在检测准确率上存在不足，分析可知现有房颤检测难以提取稳定、能有效判别房颤的特征。
　　本研究主要内容包括：⑴采用两种方法对数据进行处理，一是基于直方图的分析研究，处理心电信号的RR间期的序列求得RR间期差序列，然后计算RR间期差直方图和香农熵；二是基于符号动力学的分析研究，将RR间期差序列转换成符号序列，求子串长度概率分布的香农熵。直接以RR间期数据为输入则存在数据偏移问题，间期处理后的数据克服了这一问题。⑵采用深度置信网络(Deep Belief Networks，DBNs)进行房颤的检测。它是近年兴起的机器学习模型，结合了无监督学习过程和有监督学习过程。由于心电信号复杂多变，且受到多种噪声干扰，现有房颤检测难以提取稳定、能有效判别房颤的特征，甚至有时医生进行诊断时也无法判断，因此本论文选取深度置信网络，特征提取和分类融合的方法，通过对大量数据进行学习，实现房颤的检测。⑶通过MIT-BIH数据库上的实验结果表明，本文提出的方法有较高的性能，说明本论文方法具有心电信号检测房颤的能力。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究的背景及意义

1.2 心电图及房颤信号的特征

1.3 房颤检测技术的研究进展

1.4 本文内容研究及章节安排

第2章 RR间期数据的研究

2.1 直方图分析研究

2.2 符号动力学的分析

2.3 数据的融合

2.4 本章小结

第3章 基于深度置信网络的房颤检测

3.1 深度学习

3.2 深度置信网络

3.3 受限玻尔兹曼机

3.4 基于反向传播网络的参数调节

3.5 基于深度置信网络的房颤检测

3.6 本章小结

第4章 实验结果与分析

4.1 实验数据说明和相关知识介绍

4.2 实验有效性的验证

4.3 本文方法和其它方法的比较

4.4 本章小结

第5章 总结与展望

5.1 总结

5.2 工作展望

参考文献

致谢

攻读硕士学位期间取得的科研成果