论文部分内容阅读
心房颤动（Atrial Fibrillation,AF）是一种严重且多见的心律失常疾病,患者发病时可能会导致脑卒中并损害其心脏功能。心电图（Electrocardiogram,ECG）是检测AF的金标准。然而ECG有着监测周期短和采集麻烦的短板,而且通过ECG很难检测出阵发性AF。相比之下,光电容积脉搏波描记法（Photoplethysmography,PPG）易于获取并且适合于长期监测。因此,基于PPG信号并使用深度学习技术进行心房颤动自动检测相关方法的研究有着重要的意义。本文在对收集的PPG信号进行不同预处理的基础上,搭建出两种不同输入的深度学习网络模型,这两种模型均由卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆网络（Long Short-Term Memory,LSTM）混合搭建。本文主要的研究及工作内容如下:（1）通过三个公共数据库收集研究所需使用的PPG,将其切片成10秒固定长度的信号段,并根据同步的ECG对PPG信号段进行标注。（2）通过使用一种数据增强方法扩充PPG信号段,进而解决不同标注数据不平衡的问题。针对一维PPG,使用离散小波变换（Discrete Wavelet Transform,DWT）,将信号段做分解、重构和滤波去噪处理。针对二维PPG数据,通过连续小波变换（Continuous Wavelet Transform,CWT）将一维PPG信号段转换成二维时频色谱图并将其作为输入数据,这种转换在省去噪声滤波步骤的同时能够更大程度地保留原始信号中的信息。（3）提出输入为一维数据的1D-CNN-LSTM模型,在三个公共数据库基础上使用预处理后的一维PPG作为模型输入进行AF/non AF分类,实验结果显示该模型的分类精确度（Accuracy,ACC）、灵敏性（Sensitivity,Sen）、特异度（Specificity,Spe）、F1得分,分别为96.91%、96.95%、96.85%、96.81%,受试者工作特性曲线下的面积（Area Under Curve,AUC）为0.9928。（4）提出输入为二维数据的2D-CNN-LSTM模型,模型将时频色谱图作为输入进行AF/non AF分类,同样在三个公共数据库的基础上进行实验验证,结果显示该模型具有较高的分类精确度、灵敏性、特异度、F1得分,分别为98.21%、98.00%、98.07%、98.13%,AUC为0.9959。（5）针对提出的网络模型,使用VGGNet、Google Net和Res Net-50三种著名的深度学习模型进行对比实验,比较提出模型在性能表现上的优点,并验证网络架构超参数对训练过程和性能的影响。综上所述,本文提出的两种模型以及对PPG的预处理工作,能够较好地实现对AF的自动检测,不仅可以帮助医生诊断AF,还为通过便携式可穿戴设备检测AF这一途径提供了思路。