论文部分内容阅读
心脏疾病多属于慢性病。慢性心血管疾病具有发病率高、致残率高和死亡率高等特点。其中,心律失常是一种较为常见的心血管疾病类型。大部分心血管疾病往往伴随着心律失常出现。在临床上,心电图(Electrocardiogram,ECG)可作为心脏活动的主要诊断工具,常用于检测心律失常。ECG信号具有隐蔽性和突发性,且信号幅度较小,传统视觉检查会遗漏ECG重要信息,影响疾病诊断准确性。为了提高医疗诊断效率、缩短诊断时间,提高疾病识别率,计算机辅助诊断被引入到心电图分析中。心电数据分类识别技术的基础是有效提取特征。心电波形存在个体差异,存在特征不准确和有用特征遗漏问题,不能有效提取隐含在海量心电信号背后的特征。深度学习方法将特征提取和分类融合为一体,避免了特征提取过程中的部分偏差,为心血管疾病的自动诊断提供了新的思路。如何对心电时序数据进行有效分类识别,是心血管疾病辅助诊断的共性问题。本文针对心电数据时序特性以及特征重要程度差异性特点,以辅助诊断心血管疾病为应用目标,对ECG数据进行空间和时序特征学习,利用数据驱动的深度学习方法建立自动分类模型。本文的主要研究工作如下:(1)针对ECG数据的时序相关性特点,为学习目标数据深层次本质特征,结合卷积网络网络(Convolutional Neural Networks,CNN)平移不变性和双向门控神经网络(Bi-directional Gated Recurrent Unit,Bi GRU)上下文信息处理机制特点,自动提取ECG数据的空间特征和时序特性,构建一种DRCNN-Bi GRU(Deep Residual CNN-Bi GRU)混合模型。首先,采用中值滤波器和带阻滤波器相结合方法,对ECG数据进行预处理;然后利用DRCNN-Bi GRU混合模型自主学习ECG的空间及时序特征,对不同采样点的心律失常类型进行分类;最后,基于MIT-BIH心律失常数据库进行验证,当数据段长度为400个采样点时,DRCNN-Bi GRU对6种心律失常疾病类型的分类效果最佳,模型分类准确率为99.59%。(2)针对ECG时序数据存在特征重要程度差异性问题,通过在深度神经网络中引入SE Block(Sequeze and Excitation Block),构建一种SE-DRCNN-Bi GRU混合模型。利用深层CNN捕捉局部特征及Bi GRU捕捉时序信息特点,结合带有注意力思想的SE Block学习网络中各特征通道重要程度,构建SE-DRCNNBi GRU混合模型用于ECG分类识别,解决卷积池化过程中不同通道所占的重要性不同带来的特征损失问题。以MIT-BIH-AF(MIT-BIH Atrial Fibrillation,MITBIH-AF)房颤心电数据库和CCDD(Chinese Cardiovascular Disease Database,CCDD)临床实验数据库对模型进行实验验证,结果表明模型的分类识别准确率为98.78%和90.97%。(3)设计并实现远程心电监护系统。面向远程心电监护的目标用户,根据系统的需求分析进行总体框架和功能模块设计,并实现相应的功能模块,基于以上的心电辅助诊断模型,可对远程心电实现辅助诊断,进一步验证算法可行性。