论文部分内容阅读
心血管疾病一直是死亡率最高的疾病之一,并且每年死于心血管疾病的人数也在逐渐增加,心房颤动通常被称作房颤,是常见的心律不齐之一。诊断房颤除了医生直接用听诊器听患者的心律外,就是用心电信号来来诊断。房颤早发现,早治疗,对病人负担轻。所以,随时监测心脏,记录心电数据是最直接有效的办法,但随着数据量的增加,医生没有足够的时间来诊断。因此,用机器自动识别房颤显得尤为重要。目前的房颤识别算法虽然能达到非常好的识别率,但没有结合多种数据库来进行对模型泛化能力的评估。本文对房颤识分别以心拍和心电段为单位,心拍提取系数特征再用一种新构造的混合分类器分类,心电段直接搭建三种深度学习模型分别是:一维卷积神经网络,卷积与长短时记忆混合神经网络和改进后的混合神经网络模型进行房颤检测识别。本论文的主要研究工作如下:(1)心电信号的收集与预处理,本文用了四个心电数据集,预处理包括输入心电信号,用小波分析进行八层分解,自适应阈值进行去噪,最后再重构心电信号,用双斜率算法对QRS波定位,之后再截取心拍。(2)用小波分析提取系数特征并用混合分类器分类。混合分类器采用软投票法,以支持向量机为主,逻辑回归与决策树为辅。最后用混合分类器进行了五折交叉实验,平均F1值为94.54%。(3)搭建三种深度学习模型实现房颤识别,分别是:一维卷积神经网络(总共有13层神经网络),卷积与长短时记忆混合神经网络(它们串联而成,总共有13层神经网络)以及改进后混合神经网络(总共有17层神经网络)。(4)深度学习结果对比,三个深度学习模型分别在MIT-BIH房颤数据库与2017 CPSC数据库得到的结果进行具体分析,对它们的训练时间,收敛速度,ROC曲线以及十倍交叉验证结果进行了对比分析,改进后的混合神经网络模型结果最好,其在自建的临床心电数据集上进行了验证,得到准确度为97.49%,灵敏度为97.96%,特异性为97.18%。