论文部分内容阅读
心血管疾病包括心肌梗塞,心律不齐等多种疾病,由于发病率极高,现已成为人们健康问题的最大杀手。心脏搏动是反映心血管疾病的一大途径。心电图(ECG)和心音图(PCG)作为衡量心搏是否正常的简单有效工具,能够为心血管这一类疾病诊断带来更多辅助,甚至对于某些疾病能够直接诊断。本文主要研究基于心搏的心血管疾病自动诊断,诊断框架基于ECG和PCG构建,包括信号预处理、特征提取和模型分类三个大模块以及噪声去除、信号分割等子模块。并针对诊断流程中的多个点进行了算法改进和创新。本文所用的ECG和PCG数据库为CinC Challenge 2017和CinC Challenge 2016,都是来自PhysioNet网站的公开数据库。本文分析了RR间隔分割和固定分割这两种信号分割方法,指出RR间隔分割对于深度学习模型适应性不足,而固定分割会损失原有信号,并提出了滑窗分割方法,从而提高了模型的泛化能力。本文针对现有的CNN模型在ECG和PCG上的应用做了适应性改进,通过分析一维信号与二维图像之间的不同,分析出图像领域普遍采纳的小卷积核思想应用在ECG和PCG上的劣势,并提出一种大尺度卷积核一维残差网络(LKNet)。在ECG诊断阶段,本文分析了ECG数据库中4类标签分类的难易程度,并结合最优化问题中外罚函数的思想,有针对性的修改了Loss函数。在PCG诊断阶段,本文提出基于多特征集和CNN的Boosting模型(MFS-CNN Boosting)。最终,本文所提出的诊断架构在ECG数据库上的F1值为84.06%,在PCG数据库上的MAcc值为91.48%,在两个数据库上都达到了state-of-art的效果。