基于卷积神经网络的临床心电数据自动分析研究

摘要

心血管疾病是我国发病率及死亡率最高的疾病。现阶段，常采用临床心电数据进行检查，取得了较好的效果。随着大规模人群条件下实时检测心血管疾病需求的提高，这种诊断方法出现依赖医生个人经验和诊断水平、耗时长、工作效率低等问题。采用人工智能的方法自动分析临床心电数据对解决上述问题具有重要的理论意义和应用价值。 已有的心电数据自动分析技术是以提取心电数据P-QRS-T波的特征为基础，然后利用先验知识或者机器学习的方法进行分类诊断。基于先验知识的自动分析方法利用医生的临床经验设定分类标准进行诊断。该方法针对特定种类的心血管疾病取得了较好的效果。基于机器学习的自动分析方法常利用浅层神经网络对心电数据P-QRS-T波的特征进行分类识别，提高了方法的一般性。这两类方法针对单导联或者双导联的实验用心电数据库取得了较好的结果。 随着大型心电采集设备和动态心电图的普及，心电数据的规模的进一步增大，研究者逐步建立了12导联的临床心电数据库。临床心电数据库不仅数据量远大于实验用心电数据库，临床采集时的不确定也大幅度增加了数据的复杂性。这些因素导致临床心电数据在特征选取时的困难，严重影响现有心电自动分析方法在临床上的使用。 针对临床心电数据体量大、不确定性高的特点，改进数据预处理方法，并利用卷积神经网络建立模型，进行分析。无需进行特征提取，直接对心电数据进行分类识别，可以有效的保留心电数据中的隐含信息，提高临床心电数据的识别率。具体研究内容如下。 （1）临床心电数据预处理。根据12导联心电数据之间的相关性，利用多导联滤波的方法，消除单一导联出现的异常，提高信噪比；利用高通滤波器和带阻滤波器去除基线漂移和工频干扰；利用二阶盲源分离的方法去除肌电干扰，解决原有小波变换方法面向临床心电数据时小波基选择困难的问题。 （2）单导联心电数据的自动分析。当输入数据量较大时，浅层神经网络需要大量增加隐含层单元数，以提高分类准确率，这带来了计算量大求解困难的问题。选用深度卷积神经网络，通过增加层深，可以在较小计算量的情况下达到更优的效果。利用卷积神经网络建立模型，对单导联的MIT-BIH数据库进行自动分析，五分类准确率为98.67%。 （3）临床多导联心电数据的自动分析。多导联临床心电数据各导联间相互独立，在利用卷积神经网络建模时，增加独立的卷积单元，改进卷积融合计算方法；随着卷积神经网络层数的增加，引发误差传递梯度减小的问题，引入残差网络，提高反馈效果。利用改进后的卷积神经网络，对15万组临床心电数据进行自动分析，二分类准确率为90.46%。

目录

第一个书签之前

OLE_LINK27

OLE_LINK29

OLE_LINK1

OLE_LINK3

OLE_LINK4

OLE_LINK56

OLE_LINK48