论文部分内容阅读
心电图是医生用于进行心脏疾病诊断和治疗的重要依据,而判读心电图通常依赖于医生的主观意见和经验。随着患者的增多,医生们每天要诊断的心电图的数量是巨大的,这非常容易造成疾病的误诊,同时依靠人工识别心电图往往缺乏实时性,有可能会耽误患者治疗的最佳时机。因此,将基于深度学习的心电信号自动分析识别技术应用到心脏疾病科学研究中,在减轻医生的工作量的同时能够提升诊断的准确程度,这在临床应用中将会对心脏病的诊断和治疗产生巨大的价值。本文采用麻省理工学院的心律失常数据库(MIT-BIH数据库)进行信号预处理和自动分类研究。先用小波变换对心电信号进行尺度分解,并选取合适的阈值和阈值函数对心电信号中三种主要噪声(基线漂移、肌电干扰和工频干扰)进行去噪。再将去噪之后的心电信号以R波为轴,分别向前向后共取256个点,获取一个心拍样本,对获取的心拍样本进行Wigner时频变换,将一维信号转变为二维图像。最后采用LeNet-5和VGGNet-16两种卷积神经网络模型对图像进行识别分类,并且对模型分别进行改进,在经典的LeNet-5的基础上增加一层卷积层和池化层,并分别增加三个卷积层上的卷积核个数为32、64和128,并选取合适尺寸的卷积核;为了模型能够从数据中提取更加抽象、有辨识度的特征,在VGGNet-16基础上,在卷积层模块5上增加一层卷积层,并增加卷积层模块5上卷积核个数为700,进行实验对比。本文选取七类共16246幅心拍时频图作为数据集,最终得到原始的LeNet-5模型的分类准确率为63.75%,改进后的LeNet-5模型的分类准确率为92.48%,VGGNet-16网络模型对数据的分类准确率为97.43%,比改进的LeNet-5模型识别率高出5个左右的百分点,VGGNet-16改进1模型的分类准确率为97.9%,VGG-16改进2模型的分类准确率为98.9%。最后给测试集数据加不同强度的高斯白噪声,结果表明信号的信噪比越低,识别准确率越低,当信噪比为25-17dB时,改进后的LeNet-5模型准确率变化不大,当信噪比小于17dB后,准确率开始快速下降,最终为62.79%;VGGNet-16模型和改进后的VGGNet-16模型在25-13dB时,准确率下降很缓慢,而当信号信噪比小于13dB后准确率快速下降,最终分别为70.95%和75.26%。