论文部分内容阅读
心电信号诊断算法对辅助医疗诊断具有重大意义。研究院人员往往需要在前期获取大量有效的,真实的,多样的生物医学数据更好的训练算法,提高算法性能,从而使算法在临床应用中表现得更加完美。但是,目前心电信号诊断算法的性能极大地受到了数据量匮乏的限制,这也就造成了很多算法在某一数据集上进行测试时能够表现得很好,但是当被应用到临床环境时却不尽人意。本文使用了近年发展迅速的深度学习技术,对心电信号生成问题进行了深入研究,目的是对当前心电数据集中的数据在数据量和数据多样性这两个方面进行扩充,从而提高心电信号相关的诊断及处理算法的性能。本文针对心电信号生成提出了三种算法,分别是基于波网络(WaveNet)的方法,基于生成对抗网络(GAN)结合短时傅里叶变换的方法和基于GAN结合静态小波变换的方法。首先,本文介绍了基于WaveNet的心电信号生成方法。该方法先对现有的心电数据库中的数据进行u-law压缩和one-hot编码;之后将编码形式的数据传入到一个带有扩张因子的卷积神经网络WaveNet中进行训练,数据在网络最后一层通过门函数后利用softmax函数计算概率值,从而确定每个采样点的所属类别;训练完成后,用训练好的网络生成数据,然后进行解码操作得到最终的心电信号。其次,本文介绍了基于GAN结合短时傅里叶变换的心电信号生成方法。本方法先对心电数据库中的数据进行短时傅里叶变换,得到每个数据对应的时频谱图;之后将该时频谱图输入到一个由卷积操作和转置卷积操作构成的GAN网络进行训练;训练结束后,利用Griffin Lim相位重构算法将GAN学习到的时频谱图重构成心电数据。再次,本文介绍了基于GAN结合静态小波变换的心电信号生成方法。本方法先对心电数据库中的数据进行静态小波变换,得到每个数据对应的8个小波系数向量,其中包括4个近似系数向量和4个细节系数向量;之后将这8个向量分别输入到8个由全连接层构成的GAN网络同时进行训练;训练结束后,将这8个GAN生成的对应的小波系数向量利用逆静态小波变换进行重构,最终得到心电信号。最后,本文还提出了一种针对以上三种心电信号生成算法进行性能评价的算法。利用离散小波变换提取信号特征,然后将特征向量输入到一个支持向量机中进行分类,计算GAN-train分数和GAN-test分数来对比算法性能。本文提出的这三种基于深度学习技术的算法相较传统方法在心电信号生成的质量,多样性,操作简易型和可拓展性上都有很大提升。从现有实验结果来看,我们提出的这三种算法生成的数据能够被用于心电信号处理算法和基于心电信号的疾病诊断算法中,从而提升这些算法在临床环境下的性能。