基于特征融合的不平衡ECG信号分析

摘要

世界卫生组织(WHO)的数据表明，当今心血管疾病仍是威胁人类健康的一大杀手。其中由心律失常导致的心血管疾病占主导地位。心电图(ECG)作为心血管疾病诊疗的得力助手，在心律失常的诊断上作用显著。随着计算机应用的扩展，计算机辅助医师诊断心脏疾病已经成为研究热点，效率高且人工影响低。 本文主要研究计算机辅助诊断心律失常疾病的技术，在现有国内外研究的基础之上，对心电疾病的特征提取技术以及心电不平衡问题进行深入研究，首次将一维心电信号转化为二维心电图片进行特征的提取，并将特征融合技术和不平衡处理算法应用到心电分类系统中。该系统主要包括三大方面： 1、特征获取。主要应用前期融合技术(early fusion)将两种特征融合一起。提出了两种框架：第一，提取心电图片的二维卷积(2D-CNN)特征与传统的关键点位置(PQRST)特征，将两者融合得到融合特征；第二，提取心电图片2D-CNN特征与该信号的一维卷积(1D-CNN)特征，将两者融合获得融合特征。该部分为后续不平衡处理提供了输入变量。 2、不平衡处理。针对样本类别数量不均衡的情况，在训练集和测试集上通过改变样本数量减缓或改变这一现象。本文对比八种不平衡处理技术的实验结果，选择随机升采样(ROS)算法来达到改变样本分布的目的。实验结果表明该方法在心电方向效果显著。 3、分类器应用。在不平衡处理之后，加入两种典型的分类器:支持向量机(SVM)和随机森林(RF) ，作为心跳类型的判断工具。对比两个实验结果发现， RF无论在哪种框架下分类准确度均高于SVM。因此，本系统最终采取RF分类器。 为了说明本文提出的两种特征框架下的分类系统泛化能力较强，分别做了intra-patient和inter-patient两种实验，为了进一步表明系统的鲁棒性与稳定性强，系统被迁移到另一数据库(STCD)进行实验。实验数据表明，无论哪种实验，本文提出的系统分类精度均在99%以上，高于现有先进技术水平。

目录

基于特征融合的不平衡ECG信号分析

摘 要

ABSTRACT

目 录

1 绪论

1.1 课题研究背景与意义

1.2 心律失常自动分类系统概述

1.3 论文结构与内容

2 数据集与相关准则

2.1 数据集概述

2.2 AAMI 国际标准 (1988)

2.3 性能评价标准概述

3 图片数据获取与基本系统搭建

3.1 二维图片获取

3.2 2D-CNN 模型构建

3.3 分类器选择

4 特征融合技术

4.1 融合技术的研究背景

4.2 PQRST 特征与 2D-CNN 特征融合

4.3 1D-CNN 与 2D-CNN 特征融合

4.4 两种融合方法分析

5 不平衡处理

5.1 不平衡算法研究背景

5.2 常见的多类不平衡算法

5.3 实验结果与讨论

6 系统生成及其泛化

6.1 本文提出的系统构成

6.2 系统优越性能对比

6.3 系统泛化能力体现

7 总结与展望

7.1 总结

7.2 展望

参考文献

发表论文和参加科研情况说明

致 谢