面向心电数据处理和分析的深度学习方法研究

摘要

心电图是临床上心脏疾病辅助诊断的重要工具之一，由于其快速、无创和信息表达丰富等特点，被广泛应用。近年来，随着心电检测设备的更新换代，心电图数据由最初的单导数逐步扩展到6导联、8导联和12导联。导联数量的成倍增加，一方面，可以获得更加丰富的病理表达，从而得到更加准确的结果，另一方面也将大大增加医生诊断的工作量。因此，如何合理的利用心电数据，构建快速、准确的诊断模型，帮助减轻医务工作者负担，是一件非常有价值的研究工作。　　本文基于E?cientNet模型的高效结构，提出一种心电数据分类模型，能够适应心电数据多导联、高频率、长序列的特点。文中首先对心电数据的特点进行研究，根据特点进行了有针对性的数据预处理，为模型构建和实验评估打下基础。在以往的研究中，由于传统的机器学习模型，强赖于人工特征的提取，模型效果受限于特征，虽能取得一定成效，但是总体精度不高，即使耗费大量时间精力进行特征分析、筛选，效果也很难进一步提升。而深度学习可以进行端到端的训练，自动进行特征提取，非常适用于心电数据的诊断任务。前人研究中有探索长短期记忆网络(LSTM)在心电数据上应用，但是由于心电数据高频时序的特点，LSTM只能处理很短的心电序列。而卷积神经网络(CNN)和残差网络(ResNet)，虽然可以通过卷积获取到局部特征，堆叠层数来获取较大受视野，但是这样需要很深的结构，参数量大，难以满足心电数据的实时性要求。基于上述问题，本文提出ECG-E?cientNet模型结构。实验结果表明，模型具有准确率高、轻量化等特点，非常适合高频长序列心电数据处理，并且适用于各种不同导联类型的心电数据。　　接着为了进一步提升模型效果，本文基于ECG-E?cientNet结构，引入性别、年龄等外部特征进行融合，研究多特征融合给模型带来的效果增益。实验之前，通过数据分析，进一步验证了年龄、性别特征在不同心电类别上的分布差异。提出使用嵌入层(Embedding)对性别、年龄特征关系进行挖掘。通过这些外部特征与心电特征进行融合，构建出端到端的多特征融合模型，用于进行心电数据的分类和诊断。通过使用最新的2019合肥心电竞赛数据集和2017PhysioNet挑战赛数据集，构建实验对比数据集，复现前人研究中提出的ResNet、Transformer等主流模型与本模型进行细致的对比。在参数总量、心电导联数量、批训练大小和外部特征等多组不同参数设定下，进行多维度比较。最后绘制各心电类别的ROC曲线，并计算了AUC面积。试验结果表明，经过多特征融合后的ECG-E?cientNet模型具有轻量化、高精度、多特征融合等优势，非常适合对高频多导联心电时序数据进行分类诊断。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 传统机器学习方法

1.2.2 传统深度学习方法

1.3 本文主要研究工作及结构安排

1.3.1 本文主要工作

1.3.2 本文组织结构

第2章 本文相关理论与技术概述

2.1 引言

2.2 心电图介绍

2.2.1 心电基本原理的介绍

2.2.2 心率失常事件的概述

2.3 心电数据的预处理

2.3.1 缺失值处理

2.3.2 噪声值处理

2.3.3 数据归一化

2.3.4 数据集构建

2.4 本文相关分类算法简介

2.4.1 卷积神经网络

2.4.2 残差网络

2.4.3 Transformer网络

2.5 本章小结

第3章 基于深度学习的心电数据研究

3.1 引言

3.2 EfficientNet模型

3.2.1 EfficientNet模型概述

3.2.2 EfficientNet模型结构

3.3 基于ECG的EfficientNet网络构建

3.3.1 基于ECG的分类网络架构

3.3.2 基于ECG的分类网络训练

3.4 心电数据分类模型的实验评估

3.4.1 实验环境

3.4.2 实验设置

3.4.3 数据描述

3.4.4 评估指标

3.4.5 实验结果与分析

3.5 本章小结

第4章 基于多特征融合心电分类模型的研究

4.1 引言

4.2 多特征心电模型的总体架构

4.3 多特征心电数据概述与分析

4.3.1 年龄特征

4.3.2 性别特征

4.4 多特征模块的设计

4.4.1 基于嵌入层的特征获取

4.4.2 基于多特征组合的联合训练

4.5 基于心电数据的多特征融合模型

4.6 心电分类模型实验和评估

4.6.1 实验环境

4.6.2 实验设置

4.6.3 数据描述

4.6.4 评估指标

4.6.5 实验结果与分析

4.7 本章小结

结论

参考文献

致谢

附录A 发表论文和参加科研情况说明