论文部分内容阅读
心律失常是最常见的心血管疾病之一。其在心电图上的表现具有突发性、一过性和隐蔽性,若不能及时发现,将导致患者病情加重,严重时甚至付出生命的代价。心电信号QRS波能够反映出心脏一些的病理特征,特别是在部分心律失常发生时,其形态和宽度的变化同正常时差异较大。当前对QRS波群起止点的检测方法大都达到了毫秒级的精度,然而对QRS波形态特别是异常形态识别目前仍是一项具备挑战性的问题。随着便携式心电获取终端的普及和远程心电监护的兴起,基于计算机自动诊断心律失常的算法将面临挑战,如何从包含多种心律失常的海量心电数据中发展出一种准确率高、泛化能力强的算法,将具有很强的实际意义。对于心律失常的识别来说,基于特征提取的机器学习方法具备较好的特征可解释性,基于深度学习的方法通常具有更强的泛化能力,将这二者结合实现对多种心律失常的检测将是这类识别算法研究的很好尝试。因此,本文首先利用改进的Douglas-Peucker算法为主发展了一种能够同时识别心电信号QRS波群波峰和起止点的方法。并在此基础上,再结合残差块网络和双向长短时记忆网络构建多种心律失常分类模型。研究内容如下:(1)QRS波群波峰和起止点识别算法研究。首先基于改进的Douglas-Peucker算法获取各个心拍的边角特征点,然后以特征点间的角度、斜率以及幅度的差值和特征点的凹凸性等多参数为主要条件,筛选出QRS波起止点和波峰的潜在候选点;然后按照QRS波群的标准命名规则将潜在候选点标记为各特征波峰;最后,采用QT数据库中大量真实临床数据验证本文方法。结果表明,识别的QRS波群起止点与专家标记相比,误差分别为2.76±7.6ms和1.3±8.8ms,对QRS波群波峰识别的整体敏感度能达到91%,阳性预测率能达到95%,具备了较高精度。同类似的相关研究相比,本方法在QRS波起止点的识别上能达到绝大多数方法的精度,对各波峰的识别略优于现有方法。(2)基于单导联心电图的多种心律失常智能分类算法研究。本研究首先针对房颤、房性早搏、室性早搏、一度房室传导阻滞、左束支传导阻滞和右束支传导阻滞等6种心律失常和正常节律提取了频域、时域和形态上的总计120个特征,然后搭建了用于提取深度特征的残差块深度卷积神经网络和双向长短时记忆网络,最后在网络中将这些特征进行融合后进行不同心律失常的分类识别。本研究首先采用2018年中国生理信号挑战赛提供的心电数据进行验证,在只采用一个导联数据的情况下,结果显示对7种节律的心律失常分类F1分数达到了0.855,优于现有算法。进一步,我们又在PhysioNet Challenge 2017比赛提供的便携式设备采集的心电数据上进行了测试,实验结果证明了算法优异的泛化能力。