论文部分内容阅读
心血管疾病是威胁人类健康的第一大杀手。由于心血管疾病具有突发性和高危险性,因此对患者的心电信号进行实时动态监测显得尤为重要。计算机辅助心电信号自动分类是解决该问题的有效方案,但现有的分类算法在特征提取能力、处理数据不平衡问题以及分类识别准确性三方面所面临的问题仍是制约其广泛应用的主要瓶颈。针对上述问题,本文结合深度学习模型的优势,对心电信号分类方法展开研究,主要研究内容如下:1)利用小波变换对心电信号进行去噪和重构,在检测到R峰位置后对其进行心拍分割,并采用一种基于插值的过采样方法进行心拍数据增强,以减少数据不平衡带来的影响。2)设计了基于一维卷积神经网络的心电信号分类模型,利用卷积神经网络的局部感受野特性实现心拍特征的提取。该模型最终的分类准确率为98.43%,综合指标Macro-F1为91.95%。3)设计了基于卷积神经网络与长短期记忆网络相结合的组合分类模型,该模型利用长短期记忆网络的在时间上的记忆能力,克服卷积神经网络在时序特征获取能力上的不足,有效提取心电信号的时序特征和空间特征。该模型最终的分类准确率为98.69%,Macro-F1为93.07%。4)借鉴自然语言处理领域的算法,设计了基于双向长短期记忆网络为编解码器的序列到序列分类模型,并在模型中引入注意力机制。该模型能对心拍特征进行更深层次的学习,并根据其重要性为其赋予相应的权重,提高对心拍的特征提取能力和筛选能力。该模型最终的分类准确率为99.28%,Macro-F1为95.70%。MIT-BIH心率不齐数据库的测试表明,本文所设计的三种基于深度学习的心电信号分类算法在心电信号特征提取能力、处理数据不平衡问题和分类识别准确性等方面获得了较好的结果,这些方法有助于提高计算机辅助心电信号自动分类诊断的有效性和临床参考价值。