论文部分内容阅读
心血管疾病是威胁人类生命的重要疾病之一,其患病率和致死率逐年上升。大部分的心血管疾病的发生都伴随着心律失常,心律失常是诱发心脏病和心脏猝死的一个重要原因。心电图(Electrocardiogram,ECG)可以客观反映心脏各部位的生理状况和工作状态,是诊断心律失常疾病的重要手段和主要依据。深度学习网络与心电信号自动分类相结合,可以大幅度提高心电信号分类算法的精度,这对心血管疾病的诊断具有重要的研究意义。本文的主要研究工作分为下几个部分:(1)心电信号预处理本文采用MIT-BIH心电数据库进行研究。数据预处理阶段,取ECG心电信号标注点的左70个点及右70个点作为一个样本,针对MIT-BIH数据库中个别心律失常种类过少的问题,对ECG信号进行重采样扩充处理,加大样本量。(2)基于特征多级联的卷积神经网络。对传统ECG心律失常检测分类方法在人工提取特征上的局限,选择更有优势的基于自动特征提取与分类的卷积神经网络作为手段。实现了基于LeNet-5的6类ECG心律失常分类。在此基础上改进,提出了基于特征多级联的卷积神经网络(Feature-Multiple Convergence Convolutional Neural Network,FMC-CNN)。比较了不同特征提取块、不同卷积核大小对分类性能的影响。采用特征提取块作为神经网络的结构单元,从而构建特征多级联的卷积神经网络,可以有效的代替传统的人工提取特征的方法,达到自动的提取特征进而高效的进行分类的目的。实现了卷积层的可视化,了解到特征提取过程中内部隐含的信息。实验结果表明,本文搭建的FMC-CNN在测试集上的整体分类达到98.55%。(3)基于特征多级联的全连接神经网络。考虑到在实际应用中,原始心电图存在丢失,或者无法获得心电图的情况。直接从原始心电数据出发,将ECG心电数据直接输入到多层全连接层进行网络搭建,为避免过拟合问题,改进多层全连接网络,引入随机丢失层,构建了特征提取块,搭建了基于特征多级联的全连接神经网络(Feature Multiple Cascaded-Fully Connected Neural Network,FMC-FCNN)。分析不同特征提取块、随机失活层、随机丢失概率对分类性能的影响。实现了对原始心电信号的自动特征提取与自动分类。并且实现了中间层的可视化,在MIT-BIH心律失常测试数据集上达到99.21%的整体准确率。