心臟病嚴(yán)重威脅著人類健康,心電圖(Electrocardiogram,ECG)作為最常用的心臟檢測(cè)方式對(duì)于心臟病的檢測(cè)至關(guān)重要。心電圖記錄的心電信號(hào)是一個(gè)非線性的時(shí)間序列數(shù)據(jù),它記錄著心臟起搏過(guò)程中的電壓變化,其信號(hào)不僅微弱、繁復(fù)且易受到噪音干擾,而且不同類別間還存在著數(shù)據(jù)量嚴(yán)重不均衡及異常信號(hào)線性可分性極低等問(wèn)題。這些問(wèn)題導(dǎo)致構(gòu)建心電信號(hào)特征提取模型時(shí)難以獲得有效的模型系數(shù),嚴(yán)重制約著心律識(shí)別性能的進(jìn)一步提升。本文在心律識(shí)別研究中針對(duì)其心電圖數(shù)據(jù)嚴(yán)重不均衡和具有較高魯棒性和辨別性的特性信息難以提取的問(wèn)題,分別提出了基于生成對(duì)抗網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)的心律識(shí)別方法和基于差分信息的集成學(xué)習(xí)方法。本文的主要研究?jī)?nèi)容如下:(1)基于生成對(duì)抗網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)的心律識(shí)別方法。研究表明心電數(shù)據(jù)類別嚴(yán)重不均衡,致使建立模型過(guò)程中,模型易偏向數(shù)據(jù)量大的類別,而數(shù)據(jù)量較小的類別的擬合度較低。模型常處于部分類別過(guò)擬合與其他類別欠擬合并存的狀態(tài),致使特征的有效提取極為困難。本文利用CNN模型同DCGAN模型協(xié)作來(lái)減少類別不均的影響。首先通過(guò)CNN模型建立心律識(shí)別模型,在類別不均衡的情況下訓(xùn)練模型,進(jìn)而借助該模型篩選出表...

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 引言
    1.1 背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容和創(chuàng)新
    1.4 本文組成結(jié)構(gòu)
2 相關(guān)數(shù)據(jù)和技術(shù)
    2.1 心電圖數(shù)據(jù)簡(jiǎn)介
    2.2 MIT-BIH數(shù)據(jù)庫(kù)
    2.3 降噪技術(shù)
    2.4 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
        2.4.1 人工神經(jīng)網(wǎng)絡(luò)
        2.4.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.3 生成對(duì)抗神經(jīng)網(wǎng)絡(luò)
3 基于生成對(duì)抗網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)的心律識(shí)別方法
    3.1 心律數(shù)據(jù)預(yù)處理
        3.1.1 小波變換去噪
        3.1.2 中值濾波器去除基線偏移
    3.2 CNN-DCGAN心律識(shí)別方法
        3.2.1 一維CNN心律識(shí)別模型
        3.2.2 DCGAN生成稀有類
        3.2.3 CNN-DCGAN心律識(shí)別算法
        3.2.4 DCGAN數(shù)據(jù)篩選
    3.3 實(shí)驗(yàn)與分析
        3.3.1 實(shí)驗(yàn)評(píng)估標(biāo)準(zhǔn)
        3.3.2 實(shí)驗(yàn)結(jié)果與分析
4 基于ECG差分信息的集成學(xué)習(xí)方法
    4.1 差分?jǐn)?shù)據(jù)生成方法
    4.2 集成差分?jǐn)?shù)據(jù)心律識(shí)別方法
    4.3 實(shí)驗(yàn)與分析
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的科研成果



本文編號(hào)：4046086