论文部分内容阅读
心律失常是由心脏电活动异常所引起的心脏异常搏动,可能会危机患者的生命。心电图(electrocardioagram,ECG)心拍分类对心律失常的临床诊断有重要价值和意义,而心拍识别模型对ECG心拍的识别分类的性能仍不理想。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征,但是因ECG中各类间存在着严重的数据不平衡问题,致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对各类间数据分布不均衡的问题,本文假设心律失常中的每类ECG均由一个统一的背景变换空间,它由投影函数将心拍的特征变换为心拍的共性特征投影空间和个性特征投影空间组成。提出了一个基于通用背景卷积神经网络(Convolutional Neural Network,CNN)的特征生成模型。本文建立高维空间CNN模型提取心拍特征。提取心拍的高维空间特征分为两步,首先在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的通用CNN模型;然后以通用CNN模型为基础分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型;最后综合各类别CNN模型对心拍进行识别与分类。在MIT-BIH数据库上的实验结果显示,该方法的平均灵敏度为99.68%、平均阳性检测率是98.58%、综合指标是99.12%,各项指标均显著优于现有方法。本文类别CNN模型方法的性能虽然明显优于现有方法,但因各个类别CNN模型独立训练,所以类别CNN模型间存在着共性信息不一致且类间个性信息间距较小的问题,导致类别CNN模型仍不完美,识别性能有待进一步提升。针对上述问题,本文在上述类别CNN模型的基础上,提出了一种基于最小化类内距离和最大化类间距离提取具有更高辨别性和鲁棒性的心拍特征。具体方法如下,首先在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的通用CNN模型;接着以最小化类内距离和最大化类间距为目标函数,以各类等量的组合数据集为训练集,在通用CNN模型基础上构建一个能有效分离各类心拍类别倾向性信息的联合类别CNN模型;最后基于输出的交叉熵值进行识别与分类。在MIT-BIH数据库上的实验结果显示,各个类别的心拍识别指标均是100%,完美的解决了ECG心拍自动识别和分类的问题。该方法的性能不但显著优于现有方法,而且优于本文的类别CNN模型。实验结果表明,本文提出的类别CNN模型和联合类别CNN模型有效的消除了由各类间数据严重不均衡带来的不利影响,不但大幅提升了ECG心拍识别和分类的性能,而且也验证了本文提出的高维投影空间模型理论的有效性。