论文部分内容阅读
本文受启发于和企业的智慧医疗合作项目，围绕心脏病的发病特性和心脏病监控中的数据处理问题展开，伴随着云计算、边缘计算等新的计算模型的出现，重新思考现有心脏病监控方式的缺陷，依赖云计算模型提出了新的心脏病监控方式，并针对这一新型心脏病监控方式中的数据处理问题，重点关注了动态心电图的降噪问题以及动态心电图的心律失常检测问题，主要内容介绍如下：
（1）远程心电监控系统；首先综述了国内外关于远程心脏病监控的发展历程，并对比了传统心脏病监控方式和远程心脏病监控方式中数据流向的区别以及数据的差异，进而详细论述了远程心电监控系统中的近年主要研究方向，将本文的关注点落在远程心电监控的系统结构上。从一种企业级的远程心电系统出发，详细论述了这种新型远程心电监控系统中的心电图采集设备、移动终端、云服务中心以及数据分析站。在这种新型远程心电监控系统中，不仅能将和心脏病患者息息相关的医院、保险、医生、病友等单位和个人均可通过云平台与心脏病患者联系起来，还可以充分利用中心医院的专家资源和医疗设备资源，整个一体化的新型医患模式构成了一个典型的物联网系统。在此基础上，详细论述了物联网结构的远程心电监控系统中的计算模式和数据处理模式。
（2）动态心电图的智能降噪；首先介绍了动态心电图中常见的三种噪声BW、EM以及MA噪声，并综述了动态心电图降噪的现有研究基础，将心电图视为一种信号数据，现有的降噪方法有滤波器、小波变换以及EMD方法，为了避免信号处理中不得不面对的阈值选取问题，通过提取心电图中的有用成分重构心电图的方法被提出，如PCA、ICA。针对物联网环境下的心电图降噪问题，心电信号可能会同时包含多种类型的噪声，而且无法预知信号中的噪声类型的特殊场景，基于深度学习模型提出了一种新的心电图降噪方法，这种方法将动态心电图看作数据间存在强依赖关系的时间序列数据，利用LSTM网络的记忆单元保留心电信号间的依赖关系，同时抛弃心电信号与噪声信号间的依赖关系，通过多个LSTM层提取信号的深层次特征，高质量的还原心电信号。突破了现有心电图降噪方法的限制，取得了较小的RMSE和较大的信噪比提升，为动态心电图的降噪提供了新思路。
（3）心电图的心律失常检测分类；首先介绍了一个完整心电周期中的特征波以及特征点，并综述了基于特征的各类动态心电图心律失常检测方法，如人工神经网络、支持向量机、决策树和随机森林、K近邻算法以及常见的深度学习模型，在这里引入了1-DCNN分类模型对动态心电图自动检测分类，模型在数据预处理部分设计了两个提取心跳Beat的算法，从连续的动态心电图中提取出不同的心跳Beat，最终提取出等长的八类心跳Beat。在模型的分类部分，将心电图作为1维信号数据考虑，并只考虑1维的卷积核和池化层，同时多次使用了Dropout层。最终取得了99.45%的Accuracy，99.45%的Precision，99.45%的Recall，99.45%的F1-score，以及0.99的AUC，这一实验数据均要优于现有的心律失常检测方法。除此之外，对带噪的心跳Beat也进行了实验，经过约4000个step的训练后，分类模型取得了93.96%的Accuracy，94.01%的Precision，93.93%的Recall，93.97%的F1-score，以及0.98的AUC。
综合以上研究和实验，本文涵盖了远程心电监控的系统结构、以及特定系统结构下的动态心电图降噪和疾病自动检测分类。
（1）远程心电监控系统；首先综述了国内外关于远程心脏病监控的发展历程，并对比了传统心脏病监控方式和远程心脏病监控方式中数据流向的区别以及数据的差异，进而详细论述了远程心电监控系统中的近年主要研究方向，将本文的关注点落在远程心电监控的系统结构上。从一种企业级的远程心电系统出发，详细论述了这种新型远程心电监控系统中的心电图采集设备、移动终端、云服务中心以及数据分析站。在这种新型远程心电监控系统中，不仅能将和心脏病患者息息相关的医院、保险、医生、病友等单位和个人均可通过云平台与心脏病患者联系起来，还可以充分利用中心医院的专家资源和医疗设备资源，整个一体化的新型医患模式构成了一个典型的物联网系统。在此基础上，详细论述了物联网结构的远程心电监控系统中的计算模式和数据处理模式。
（2）动态心电图的智能降噪；首先介绍了动态心电图中常见的三种噪声BW、EM以及MA噪声，并综述了动态心电图降噪的现有研究基础，将心电图视为一种信号数据，现有的降噪方法有滤波器、小波变换以及EMD方法，为了避免信号处理中不得不面对的阈值选取问题，通过提取心电图中的有用成分重构心电图的方法被提出，如PCA、ICA。针对物联网环境下的心电图降噪问题，心电信号可能会同时包含多种类型的噪声，而且无法预知信号中的噪声类型的特殊场景，基于深度学习模型提出了一种新的心电图降噪方法，这种方法将动态心电图看作数据间存在强依赖关系的时间序列数据，利用LSTM网络的记忆单元保留心电信号间的依赖关系，同时抛弃心电信号与噪声信号间的依赖关系，通过多个LSTM层提取信号的深层次特征，高质量的还原心电信号。突破了现有心电图降噪方法的限制，取得了较小的RMSE和较大的信噪比提升，为动态心电图的降噪提供了新思路。
（3）心电图的心律失常检测分类；首先介绍了一个完整心电周期中的特征波以及特征点，并综述了基于特征的各类动态心电图心律失常检测方法，如人工神经网络、支持向量机、决策树和随机森林、K近邻算法以及常见的深度学习模型，在这里引入了1-DCNN分类模型对动态心电图自动检测分类，模型在数据预处理部分设计了两个提取心跳Beat的算法，从连续的动态心电图中提取出不同的心跳Beat，最终提取出等长的八类心跳Beat。在模型的分类部分，将心电图作为1维信号数据考虑，并只考虑1维的卷积核和池化层，同时多次使用了Dropout层。最终取得了99.45%的Accuracy，99.45%的Precision，99.45%的Recall，99.45%的F1-score，以及0.99的AUC，这一实验数据均要优于现有的心律失常检测方法。除此之外，对带噪的心跳Beat也进行了实验，经过约4000个step的训练后，分类模型取得了93.96%的Accuracy，94.01%的Precision，93.93%的Recall，93.97%的F1-score，以及0.98的AUC。
综合以上研究和实验，本文涵盖了远程心电监控的系统结构、以及特定系统结构下的动态心电图降噪和疾病自动检测分类。