心血管疾病是導(dǎo)致死亡率較高的疾病之一,而心電圖(Electrocardiogram,ECG)作為一種有效的非侵入式診斷工具,通常被用于篩查和診斷心血管疾病。然而,由于動(dòng)態(tài)心電圖數(shù)據(jù)量大,以及醫(yī)學(xué)專家人員有限,因此造成醫(yī)生診斷任務(wù)非常繁重。使用計(jì)算機(jī)輔助心電圖分析工具可以大大減輕醫(yī)生的工作量,并提高心血管疾病的篩查和診斷效率。本文旨在結(jié)合心電數(shù)據(jù)的時(shí)間序列特征,建立基于深度學(xué)習(xí)技術(shù)的心電數(shù)據(jù)自動(dòng)分類模型,本文主要研究內(nèi)容如下:(1)針對ECG中存在噪聲,導(dǎo)致特征提取困難等問題,本文采用小波變換算法對ECG信號進(jìn)行降噪處理。論文根據(jù)ECG數(shù)據(jù)的特性,采用Daubechies6(db6)小波函數(shù)將ECG信號分解為8層,在此基礎(chǔ)上,根據(jù)噪聲系數(shù),設(shè)定合理的閾值進(jìn)行降噪處理,最后重構(gòu)閾值處理后的各層小波,得到降噪后的ECG信號。實(shí)驗(yàn)結(jié)果表明,小波變換有很好的降噪效果。(2)針對傳統(tǒng)機(jī)器學(xué)習(xí)算法嚴(yán)重依賴手動(dòng)提取特征的問題,本文對深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化改進(jìn),設(shè)計(jì)了一個(gè)高效的卷積神經(jīng)網(wǎng)絡(luò)E-CNN(Efficient convolutional neural network)用于單導(dǎo)聯(lián)ECG自動(dòng)分類。E-CNN能夠從同一輸入中提取ECG數(shù)據(jù)的多級特征,可以高效的獲得ECG數(shù)據(jù)的內(nèi)部結(jié)構(gòu)特征表示。實(shí)驗(yàn)結(jié)果表明,E-CNN在ECG分類中獲得了良好的分類性能。(3)針對二維結(jié)構(gòu)的多導(dǎo)聯(lián)心電圖,本文提出了一個(gè)多通道卷積神經(jīng)網(wǎng)絡(luò)MC-CNN(Multi-channel convolutional neural network)。MC-CNN模型將多導(dǎo)聯(lián)ECG數(shù)據(jù)中的每個(gè)導(dǎo)聯(lián)輸入到不同通道中自動(dòng)提取特征,MC-CNN模型多通道的設(shè)計(jì)不僅保證了導(dǎo)聯(lián)之間數(shù)據(jù)的獨(dú)立性,還能夠使每個(gè)導(dǎo)聯(lián)找到適合自己的濾波器,進(jìn)而提取高質(zhì)量的ECG特征。實(shí)驗(yàn)結(jié)果表明,MC-CNN模型在多導(dǎo)聯(lián)心電圖自動(dòng)分類方面具有很大的優(yōu)勢。本文結(jié)合心電數(shù)據(jù)的特點(diǎn),設(shè)計(jì)了兩種基于深度學(xué)習(xí)技術(shù)的心電自動(dòng)分類模型E-CNN和MC-CNN,分別在MIT-BIH心律不齊數(shù)據(jù)集和PTB心肌梗塞數(shù)據(jù)集上進(jìn)行了驗(yàn)證。實(shí)驗(yàn)表明,本文提出的模型不僅解決了手動(dòng)提取特征的問題,還能夠提取高質(zhì)量的ECG特征,都獲得了不錯(cuò)的ECG自動(dòng)分類結(jié)果。
【學(xué)位單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP181;R540.41
【部分圖文】：

圖 1.1 心電自動(dòng)分類檢測流程圖本小節(jié)將主要介紹以下三個(gè)部分的研究現(xiàn)狀，即：ECG 信號的預(yù)處理，ECG信號的特征提取，ECG 信號分類的研究現(xiàn)狀。1.2.1 心電信號預(yù)處理的研究現(xiàn)狀ECG 信號是用身體表面上的電極測量并收集的，在收集 ECG 時(shí)，會(huì)收集到各種噪聲，例如電力線干擾，基線漂移，肌電噪聲，電極運(yùn)動(dòng)偽影等[4]，這些無用的信號給 ECG 自動(dòng)診斷帶來了負(fù)面影響。為了正確分析 ECG 數(shù)據(jù)，需要對 ECG 信號進(jìn)行預(yù)處理，而 ECG 信號的預(yù)處理旨在通過濾波或信號去除偽像信號，以減少這些無用信號造成的負(fù)面影響。張東輝[5]提出了一種基于離散小波變換的基線漂移校正和去噪方法，利用Symlet 小波函數(shù)將心電信號分解為 6 層，用經(jīng)驗(yàn)貝葉斯后驗(yàn)中值的小波收縮方法來減少高頻噪聲，實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)使用離散小波變換可以獲得良好的去噪結(jié)果。MAMneimneh 等人[6]提出了一種自適應(yīng)卡爾曼濾波器用于實(shí)時(shí)去除基線漂移，

2 心電自動(dòng)分類的相關(guān)技術(shù)理論心電自動(dòng)分類的相關(guān)技術(shù)理論對心電圖進(jìn)行自動(dòng)分類，首先要了解心電圖，心電圖的理論知識為 E類提供了理論依據(jù)。傳統(tǒng)的機(jī)器學(xué)習(xí)方法采用手動(dòng)提取 ECG 特征，時(shí)又費(fèi)力，嚴(yán)重影響算法的實(shí)際應(yīng)用。因此，為了克服傳統(tǒng)機(jī)器學(xué)習(xí)點(diǎn)，本文使用深度學(xué)習(xí)技術(shù)。深度學(xué)習(xí)技術(shù)可以自動(dòng)提取 ECG 特征并省去了手工提取特征的環(huán)節(jié)。心電圖的基礎(chǔ)知識 心電信號產(chǎn)生的機(jī)理

2 心電自動(dòng)分類的相關(guān)技術(shù)理論臟電活動(dòng)之間的對應(yīng)關(guān)系，對 ECG 圖進(jìn)行詳細(xì)的解讀P 波房去極化波，它與心房活動(dòng)的情況有關(guān)。P 波形圓鈍，狀不同，在 II 導(dǎo)聯(lián)和 VF 導(dǎo)聯(lián)上表現(xiàn)明顯。P 波的時(shí)間1s 之間，電壓（高度）通常在 0.22mV 和 0.25mV 之間PR 間期是從 P 波的開始到 QRS 復(fù)合波群的開始，反映了從竇ricular，AV）所經(jīng)過的時(shí)間。短于 120 毫秒的 PR 間期表，如 Wolf-Parkinson-White 綜合征。在 PR 間期期間診斷，持續(xù)時(shí)間超過 200ms。PR 段通常是完全平坦的，但在如果從心房到心室的傳導(dǎo)受到阻礙，則會(huì)相應(yīng)地延長
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

9 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

10 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(bào)(自然科學(xué));2016年03期

相關(guān)博士學(xué)位論文 前10條

1 趙黎;面向服裝流行色預(yù)測的層次協(xié)同演化模型與算法研究[D];天津工業(yè)大學(xué);2019年

2 劉梅;網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定和同步行為研究[D];新疆大學(xué);2017年

3 靳然;基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的麥蚜發(fā)生動(dòng)態(tài)預(yù)測研究[D];山西農(nóng)業(yè)大學(xué);2017年

4 李驍;基于深度卷積神經(jīng)網(wǎng)絡(luò)MSCT對小腎腫瘤病理分型的預(yù)測研究[D];中國人民解放軍海軍軍醫(yī)大學(xué);2018年

5 李若霞;基于憶阻的神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)分析及應(yīng)用[D];東南大學(xué);2017年

6 項(xiàng)延德;基于卷積神經(jīng)網(wǎng)絡(luò)的心電信號檢測和分類研究[D];浙江大學(xué);2018年

7 李一鳴;結(jié)合知識和神經(jīng)網(wǎng)絡(luò)的文本表示方法的研究[D];浙江大學(xué);2018年

8 李揚(yáng);面向圖像目標(biāo)識別和檢測的深度神經(jīng)網(wǎng)絡(luò)關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2018年

9 LYDIA LAZIB;文本否定范圍識別技術(shù)研究及其應(yīng)用[D];哈爾濱工業(yè)大學(xué);2018年

10 周小強(qiáng);基于深度學(xué)習(xí)的交互式問答技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 胡濤;基于深度學(xué)習(xí)的魚類識別研究[D];浙江工業(yè)大學(xué);2019年

2 邱一豪;時(shí)態(tài)神經(jīng)網(wǎng)絡(luò)在股票分類預(yù)測的應(yīng)用[D];浙江工業(yè)大學(xué);2019年

3 唐瑜;基于矩陣束和神經(jīng)網(wǎng)絡(luò)兩種方法的多徑干擾抑制研究[D];廈門大學(xué);2017年

4 鄭江龍;基于卷積神經(jīng)網(wǎng)絡(luò)的隱式篇章關(guān)系識別模型[D];廈門大學(xué);2017年

5 陳霄凌;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別及在Spark平臺的實(shí)現(xiàn)技術(shù)研究[D];云南大學(xué);2017年

6 丘琴秀;基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的組織病理學(xué)圖像中上皮組織—基質(zhì)分類[D];廈門大學(xué);2017年

7 張曄;基于小波分解和神經(jīng)網(wǎng)絡(luò)的非線性信號預(yù)測[D];河北師范大學(xué);2019年

8 陳陽;用戶行為分析算法及其在Spark上的應(yīng)用研究[D];浙江工業(yè)大學(xué);2018年

9 薛騰騰;深度學(xué)習(xí)在股指預(yù)測中的應(yīng)用[D];浙江工業(yè)大學(xué);2018年

10 肖遙;基于全卷積神經(jīng)網(wǎng)絡(luò)的群體異常事件檢測方法研究[D];武漢理工大學(xué);2018年

本文編號：2842657