论文部分内容阅读
心律失常是一种常见的心血管疾病,心血管疾病是全球死亡率最高的疾病,每年死于心血管疾病的人呈递增趋势。心律失常不总是一种不规则的心脏活动,可以发生在健康的心脏中,可能导致中风或心脏猝死等严重问题。心律失常容易引发其他病症,如心力衰竭、心绞痛、全身血管栓塞性疾病等。因此,心律失常的自动检测和分类在临床心脏病学中至关重要。传统的机器学习方法依赖于心电信号特征的人工设计和选择,限制了模型的分类精度。深度学习集传统的特征提取和分类于一体,能够自动的抽取特征值以及学习特征表示,深度学习解决心电信号自动识别已经成为研究热点。为了实现对不同类型心律失常信号的自动识别,本文提出基于深度学习的心律失常分类方法。本文利用残差网络(ResNet)、密集连接网络(DenseNet)对心电信号进行分类识别,嵌入压缩-激励(Squeeze-Excitation,SE)模块,以提高模型的分类准确率,将标准卷积替换为深度可分离卷积,以减少模型的参数量和计算量。本文的研究内容主要包括以下几个部分:1.针对原始心电信号中存在的工频干扰、基线漂移和肌电干扰等噪声,本文利用50Hz的FIR陷波滤波器、中值滤波器和巴特沃斯低通滤波器相结合的方法进行滤除,得到有利于神经网络分类的高质量心电信号。2.将压缩-激励(SE)模块和深度可分离卷积应用于残差网络(ResNet)和密集连接网络(DenseNet),提出了SE-ResNet-16模型和SE-DenseNet模型,略微提高了模型的正确率,并降低了模型的计算量和参数量。3.利用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律失常数据库对SE-ResNet-16模型和SE-DenseNet模型进行验证,实验结果证明了本文所提方法的有效性,为心律失常分类诊断提供了新的方法,并验证了SE模块和深度可分离卷积在ResNet和DenseNet中的有效性。同时表明相比于ResNet,DenseNet中的密集连接能够有效利用特征并减少参数量。SE-ResNet-16模型和SE-DenseNet模型能够自动学习到输入心电信号的深层特征,得到较高的分类准确率,并减少了网络的运行时间,对相关的临床应用具有一定的积极意义。