基于深度学习的心律失常自动诊断方法研究

摘要

生活水平的进步与生活方式的剧烈变化使得人类健康受到严重威胁，心律失常等心血管疾病困扰着越来越多的人，及时发现、预防心脏病发生能有效降低死亡率。心电信号能有效反映人体心脏健康状况，其自动检测与分类识别的应用对预防和诊治心脏疾病有着重大意义。　　本文简要概括了课题的研究意义及国内外研究现状，并对心电图、心电干扰与心律失常做了基础性说明；心电信号具有抗干扰能力弱特性，利用小波变换良好的时频域和局部分析能力实现降噪；论文针对一般心律失常自动诊断方法过于依赖特征工程等弊端，将深度学习技术应用于心律失常诊断，实现了特征自动提取与分类识别于一体的深层网络模型。　　本文的创新及研究内容主要包括以下四个方面：　　1.心电信号易受噪声干扰，针对不同类型的高低频噪声频域分布差异，利用小波变换实现信号中噪声过滤。低频噪声的过滤，将对应低频频域的分解系数置零，然后重构处理后的各尺度小波系数；高频噪声采用小波阈值去噪方法，根据信号特点选取合适的小波基、分解尺度，并利用改进的软硬阈值折中的方法实现噪声干扰有效去除。　　2.通过数据增强的方式扩展MIT-BIH心电信号数据集，对数据集中所有修正单导联II进行R波定位及逐心跳切割，并实现数据归一化；针对心拍类别数据不平衡问题，给出了两种有效的解决方法。　　3.ECG为时序信号，循环神经网络有显著的序列数据建模能力。本文通过各性能参数的优化选择，提出并构建适用于心电信号识别的LSTM_ECG网络模型；对不同网络结构对比分析，综合平均耗时与精度等指标验证LSTM_ECG的有效性，并分析模型结构及参数设置，从多指标验证模型的识别效果。　　4.ECG时序点构成心电波形，蕴含空间信息，卷积神经网络侧重空间映射，适用于心电数据的处理。本文分析信号特性及模型性能参数，构建CNN_ECG网络模型实现心拍识别，通过对比分析不同网络结构验证CNN_ECG模型的可行性，并给出模型结构参数及识别效果；最后从方法与心拍识别效果上对比了本课题构建的LSTM_ECG和CNN_ECG模型及他人已有的研究成果。

目录

第一个书签之前

摘要

Abstract

Contents

1绪论

1.1研究背景与意义

1.2 心律失常自动识别研究现状

1.2.1 心电信号预处理的研究现状

1.2.2 心信号特征提取研究现状

1.2.3 心电信号自动识别研究现状

1.3基于深度学习的心律失常自动识别

1.4深度学习研究现状

1.4.1 深度学习在语音识别领域研究现状

1.4.2 深度学习在图像识别领域研究现状

1.4.3 深度学习在自然语言处理领域研究现状

1.5本文内容组织结构ue5cf

2心电信号与深度学习相关理论

2.1心电信号与心律失常理论

2.1.1 心电信号产生机理

2.1.2 心电信号中的噪声干扰

2.1.3 心律失常诱因及分类

2.2人工神经网络与深度学习

2.2.1 人工神经网络

2.2.2 深度学习

2.3本章总结

3心电信号预处理

3.1MIT-BIH 数据集

3.2ECG信号小波变换

3.2.1 连续小波变换

3.2.2 离散小波变换

3.2.3 Mallat算法

3.3基于小波变换的心电信号滤波

3.3.1 小波阈值去噪

3.3.2 基于改进小波阈值函数的ECG去噪

3.4 ECG数据预处理

3.4.1 心拍划分

3.4.2 数据增强

3.4.3 数据不平衡

3.4.4 归一化处理

3.5本章小结

4基于循环神经网络的心拍自动分类识别

4.1 循环神经网络

4.1.1 RNN 网络模型

4.1.2 长短时记忆循环神经网络LSTM

4.2 LSTM_ECG 网络模型

4.3 基于LSTM_ECG网络模型的心拍识别

4.3.1 实验环境与评价指标

4.3.2 LSTM网络模型对比分析

4.3.3 实验结果及分析讨论

4.4 本章小结

5基于卷积神经网络的心拍自动分类识别

5.1 卷积神经网络

5.2 CNN_ECG网络模型

5.2.1 网络模型参数选取

5.2.2 CNN_ECG网络模型结构

5.3 基于CNN_ECG网络模型的心拍识别

5.3.1 CNN网络模型对比分析

5.3.2 实验结果及分析讨论

5.4 本文与其他方法对比分析

5.5 本章小结

6总结与展望

6.2 研究展望

参考文献

致谢