论文部分内容阅读
随着生活节奏的不断加快和工作压力的持续增加,心脏病发病人数呈逐年上升趋势,严重威胁着人们的生命健康。如果能够通过心电图展现的心电活动波形的形态及出现位置等特征及时诊断出病人的心房颤动、室性早搏等心律失常,就能很大程度上预防其诱发的心脏病变和心脏性猝死。当前心电图医生数量不足以应对海量的心电图,医生们需要计算机辅助诊断分类来提高诊断速度,但因心电信号的微弱性和复杂性,其中存在多种干扰以及个体差异,要实现高效的心电信号分类算法存在较大难度。本文针对上述存在的问题,运用了基于残差网络和双向长短时记忆网络融合的心电信号分类算法ResNet-Bi-LSTM,充分利用残差网络提取心电信号波形特征,并叠加双向长短时记忆循环神经网络增强信号序列上下文特征的提取能力,克服了传统方法中手工设计和提取特征的缺点。本文主要研究工作分为以下几个部分:1.针对原始心电信号中存在的基线漂移、工频干扰和肌电干扰等噪声,本文分别使用中值滤波结合高通滤波、巴特沃斯带阻滤波器和小波阈值法进行滤除,最终获得有利于后续的特征提取和神经网络分类的高质量心电信号。2.本文采用小波变换对心电信号进行R峰识别,然后提取心拍模板并计算与标准模板之间的相关系数,设置阈值排除受到严重干扰的心拍并重构心电信号。分别在心拍模板和重构后完整信号上进行心拍模板特征、传统波形特征提取,最后基于所有已提取的特征构建XGBoost模型在2017 PhysioNet/CinC Challenge数据集和临床数据集上进行分类试验。3.本文运用了 ResNet-Bi-LSTM算法,设计残差网络逐层进行心电信号特征自动提取,并叠加长短时记忆网络加强对心电信号时序特征提取的能力。首先通过平移和随机交换片段的方式增加样本数据量,再利用交叉检验确定全局池化层连接多层全连接的末端结构和15残差块的残差网络结构,然后叠加双向长短时记忆网络对深层次心电信号特征序列进行序列分析、时间信息提取。最终在2017 PhysioNet/CinC Challenge数据集和临床数据集上此模型获得了优于传统分类方法的分类表现。本文ResNet-Bi-LSTM模型在92245条临床心电信号数据上分类平均F1达到0.8852,漏诊率0.368%,相对传统心电信号分类算法有很大提升。另外采用Stacking集成的方式组合随机森林模型、XGBoost模型、残差网络、ResNet-Bi-LSTM模型,最终模型分类平均F1达到0.8914,漏诊率降低至0.071%,进一步提升临床应用性能。