论文部分内容阅读
心电信号识别是心律失常智能诊断的关键。随着24小时动态心电图监测的发展,使得同一病患需要诊断的心拍数量过于庞大,仅靠医生已经无法处理,针对上述问题,本文利用动态监测的心电信号的大数据特征,结合深度学习网络对心电信号的特征提取和识别进行了深入研究和分析。主要内容包括:论文详细分析了心电信号的产生机理和波形特征,研究了心电信号特征提取方法,系统地阐述了心电信号识别中特征提取和分类在国内外的研究现状,并对深度学习和识别的相关算法进行了详细分析,包括单隐含层前馈神经网络、反向传播算法、自编码器、稀疏自编码器和极限学习机。根据心电信号中基线漂移、肌电干扰和工频干扰三种噪声的特点,及心电信号的主要频段和干扰频段的差异,分别设计相应的数字滤波方式去除心电信号中的噪声;构造自适应双阈值函数对去噪后的心电信号进行峰值定位,实现R峰的精准定位;最后以检测到的R波为基准,分别向前向后取点,截取心拍。构建深度堆栈网络(Deep stacked network,DSN),其核心是利用堆叠多个稀疏自编码器的逐层学习,有效地完成从低维到高维的心电信号特征提取,与Softmax分类器结合构建深度堆栈网络,完成心电信号的自动识别。分析了深度堆栈网络结构和重要参数,实验结果表明与多层感知器模型,栈式自编码器模型和主成分分析算法相比,文中所提方法能更有效地提取心电信号中的深层特征,其总准确率高达99.69%,具有更高的的准确度,验证了特征提取的可靠性。构建深度融合网络(Deep converged network,DCN),栈式稀疏自编码器融合极限学习机完成深度融合网络搭建,在栈式稀疏自编码器完成特征提取后,将得到的特征矩阵送入极限学习机,由于网络的隐含层参数随机初始化,不需要反向优化策略,节省了运行时间,并对极限学习机隐含层节点数进行实验分析,得到最佳比例参数。最后与多层感知器,栈式自编码器,BP神经网络以及深度堆栈网络进行实验对比,结果证明,本文搭建的深度融合网络模型识别准确率高,收敛速度快,对心电信号识别算法的实际应用具有较高的参考价值。