论文部分内容阅读
随着生物科学技术的发展,心电图成为诊断心血管疾病的主要手段之一。据世界卫生组织报道,心血管疾病相较于其他的疾病,是致死率最高的疾病,因此对心电图进行准确而快速的分析对诊断心血管疾病有重要的意义。近年来,对心电信号的分析研究已经成为生物医学研究的一大热点。机器学习方法因具有在已有知识体系的基础上对自身性能不断提高等特性,已经被应用到各个研究领域并取得较好的实验结果。因此,使用机器学习方法对心电信号进行分类研究也激起了很多相关专家的兴趣。虽然基于机器学习方法的心电信号识别和研究已经取得了一定的发展,但是心电信号的识别仍然存在一些难题。因为心电信号的形态和时间特征在不同的物理环境下对于不同的患者是不一样的,每个病人的心电信号可能不同,不同的患者对同一种疾病也可能出现不同的心电图形态。此外,在采集心电信号时会出现不可避免的各种噪声,这些问题对心电信号的分类研究造成了无法避免的困扰,也给实际研究带来了很多困难。实际临床工作需要对长期心电信号记录进行分析和研究,比如床边监测或可穿戴式在线医疗护,然而这对于一个人来说可能是非常麻烦的,并且非常耗时。而由于医疗资源的紧缺,整个心电图分析会发生一些个人错误。针对心电信号中不同的心电异常类别较难区分的问题,为了提高心电信号识别和分类的性能,本文从特征表示的角度出发对心电信号进行分类。使用机器学习中的深度学习方法对心电信号处理,将残差网络改善为残差连接网络,以便更好地学到心电信号的特征,是一种有效的计算机辅助方法。相较于传统的机器学习方法,深度学习中的网络对心电信号数据的处理可以将数据的预处理,特征提取,分类等步骤结合起来,直接将输入的数据映射为某一类心电异常。而且,深度学习方法处理数据的效率一般较高,可以更好地服务于对即时性要求较高的心电分析设备。使用深度学习方法并从心电特征表达出发可以全面提高分类的各项指标。对于心电信号的识别和心律失常的研究,使用最多的数据库是公共数据库MIT-BIH Arrhythmia Database。这个数据库存在样本不平衡的问题,深度学习的算法虽然可以实现与传统算法效果相当或者更好的效果,但是同时实现各类准确率或对实验评价指标的平衡和对总体准确率提高却较难做到,也成为了对心电信号研究的一个挑战。对此,本文采取时长5秒的心电信号作为整个网络的输入以更接近实际临床的诊断情况,并从加强对输入数据的特征表达出发,改变残差网络的结构以更好地识别心电信号从而取得较好的算法性能。同时,本文也使用了度量学习作为后处理方法,对ECG的特征表示进行分类,进一步提高总体的分类精度。实验结果表明,相较于其他的方法,本文所提方法提高了异常心律分类的精度,并且针于各实验评价指标,本文所提方法在这些标准之间取得了平衡。