基于深度学习的心律失常自动诊断方法研究与应用

摘要

随着健康产业和移动互联网技术的发展，越来越多的医疗设备趋向于小型化和便携性，越来越多的健康数据可以被更容易地获得。大数据技术在诸多实战中硕果累累，机器学习等领域也不断取得突破。这些领域的发展促进了医疗信息化、智能化的研究。心律失常等心血管疾病一直都是人类面临的重大健康威胁，这类慢性疾病具有一定的隐秘性，早期症状不易察觉但危害严重，通过心电图监测可以及时发现心律失常，对诊断治疗至关重要。虽然已经提出了多种心律失常智能诊断方法，并且取得了一定的效果，但这些方法过于依赖手工特征提取，不利于心律失常的自动诊断。
　　本文以心律失常和心电图之间的关系为基础，系统介绍了心律失常自动诊断的各个环节，对本文欲解决的问题做了基础性说明。把深度学习理论引入到心律失常自动诊断问题当中，以MIT-BIH数据库记录为数据来源，对不同导联和不同网络模型实现自动诊断的问题展开研究，主要内容包括：
　　1.基于心电图信号噪音特点，提出利用高斯白噪音模拟心电图肌电干扰噪音，扩展MIT-BIH心律失常样本的方法，对所有可利用心电图记录进行了逐心跳切割，得到了单导联数据集ECGI和双导联数据集ECGII。该部分工作大大增加了可利用数据，对提高深度神经网络的泛化能力有很好的帮助，避免了因数据样本较少且不均衡而出现训练过拟合现象。
　　2.根据心电图多导联特点和神经网络的不同网络模型，提出了利用单导联心电图训练全连接前馈神经网络和利用双导联训练卷积神经网络的方法。对方法进行了实验，分析了训练过程以及在验证集、测试集上的结果，对比了已有的研究成果，验证方法的有效性和可行性。
　　3.基于本文提出的方法搭建了真实的心律失常自动诊断系统和健康云平台。组建了便携式硬件终端设备，在Android系统中开发了心律失常自动诊断系统，实现了全部自动诊断过程。以终端设备采集的健康数据为来源，向上构建健康云平台，提供心血管疾病的数据管理和医生专家在线诊治服务。

目录

声明

1 绪论

1.1课题研究的背景和意义

1.2心律失常自动诊断的现状与发展

1.3深度学习对心律失常自动诊断的意义

1.4论文主要研究问题和内容

1.5论文结构

2 心律失常自动诊断和深度学习介绍

2.1心律失常自动诊断的基本原理

2.2心电信号预处理技术

2.3常规心律失常自动诊断方法

2.4深度学习理论介绍

2.5深度学习网络模型

2.6深度学习关键技术

2.7本章小结

3 基于全连接前馈神经网络的自动诊断方法

3.1心电图数据扩展

3.2基于FCFNN和单导联的心律失常自动诊断实验

3.3 FCFNN和单导联实验结果

3.4本章小结

4 基于卷积神经网络的自动诊断方法

4.1双导联数据扩展

4.2基于CNN和双导联的心律失常自动诊断实验

4.3 CNN和双导联实验结果

4.4性能分析与评价

4.5本章小结

5 心律失常自动诊断系统和健康云平台

5.1应用背景

5.2心律失常自动诊断系统

5.3健康云平台

5.4本章小结

6 总结与展望

6.1课题总结

6.2展望

致谢

参考文献

攻读硕士期间主要成果