论文部分内容阅读
心脑血管疾病是一种极其危险的疾病,而心律失常症状是导致心脑血管疾病发作的重要因素,著名的Framingham研究证明诸如脑卒中等疾病与房颤等心律失常症状有着密切联系。针对ECG信号的自动分析技术使心律失常症状能够及时准确地被发现,对预防心脑血管疾病的发生以及分析心脑血管疾病的成因都有着重大意义。本文针对目前国内外的心律失常识别技术进行了调研,在此基础上对ECG信号的预处理技术、特征取方法和分类识别模型进行了系统性的研究,结合小波分析、支持向量机、深度残差网络和Stacking模型融合策略等技术,出了改进的ECG信号处理和识别方法,并在多种不同类型的样本集上进行了验证,最后对心律失常与心脑血管疾病在病理相关性上作了探索。全文主要工作如下:1.针对ECG信号信噪比低、噪声成分复杂的特点,利用小波变换技术将信号进行多层小波分解,在小波域对有效信号和噪声信号进行分离。实验证明该方法能够有效升原始信号的信噪比,并使最终的分类模型性能得到升。2.出一种小波变换结合动态阈值分析法对QRS波群进行识别,并对传导阻滞和早搏等样本进行取。该方法相对传统的Pan&Tompkins算法具有更低的误检率和漏检率。针对房颤类型的ECG信号出一种“滑动窗口”的采样方法,该方法相对传统的信号分割方法,能够更加完整地保留信号特征,同时大幅高样本集的丰富程度。3.构建了SVM和深度残差网络两种分类模型,对多种类型的ECG样本进行分类识别研究。针对SVM模型,出了4种特征取方法并进行了对比,并使用粒子群优化算法进行SVM模型的参数优化。针对残差网络模型,对通用模型结构加以修改,构建了适用于ECG信号样本的50层残差网络Res Net50-ECG。最后采用Stacking模型融合策略对两种模型进行融合。实验证明融合后的模型能够显著升分类效果,对心律失常样本有较高精度的识别能力。4.基于融合模型对房颤样本的识别结果,对房颤病例在房颤发作时长和频率等方面取了若干特征指数,利用聚类分析方法对不同病例的房颤发作特征作了研究,旨在对脑卒中等心脑血管疾病与房颤症状的病理相关性方面作出初步探索,为本课题的下一步工作奠定基础。本文最后选取了国内外数篇相关文献,将本文实验结果与其进行了对比,证明本文出的ECG信号处理和识别方法有效弥补了现有方法的不足,总体上具有更好的心律失常识别能力。