论文部分内容阅读
随着人们生活的节奏日益加快以及人们精神压力的陡增,诱发了心脏类疾病已成为对人体健康构成重大威胁的常见疾病。心电图是现代医院对心脏类疾病基本常规诊疗技术之一,可以为临床医生诊疗提供重要参考。然而,传统心电图自动分类的研究,多聚焦于心拍类型的分类,虽然在测试集上精度很高,但实际临床效果很差,最终诊断仍需医生手工完成,说明心拍分类并不十分可行,误诊或误判时有发生,影响了对心脏类疾病的治疗。近年来,以卷积神经网络为代表的深度学习方法在图像分类处理领域成果显著,为此,本文借鉴其在自动特征提取和分类准确率方面的优势,围绕基于卷积神经网络的多导联心电图自动分类方法展开了研究工作,研究内容主要包括:(1)开展了多导联心电数据预处理方法研究。采用ICBEB心电数据库,包含了6877例心电数据,每个记录都来自临床不同患者的12导联心电数据。为了提高分类识别效果,针对心电数据采集中存在的基线漂移、肌电干扰、工频干扰等几类噪声,分别设计相应的滤波器加以滤除。(2)开展了基于Resnet50网络的多导联心电图自动分类研究。与传统心电图自动分类中先设计特征提取算法再分类识别这一流程不同,研究中采用了卷积神经网络中的Resnet50网络对多导联心电图数据进行深度神经网络学习,自动提取心电图特征,并将其与分类过程融合在一起,最终拟合出决策函数对心电图进行自动分类,实现了对包括正常心律(Normal)在内、心房颤动(AF)、一级房室传导阻滞(I-AVB)、左束支传导阻滞(LBBB)、心室早发性收缩(PVC)、右束支传导阻滞(RBBB)、ST段压低(STD)、房性期前收缩(PAC)、ST段抬高(STE)等临床常见9种心律失常的分类,获得了所有指标平均F1=0.7,部分异常指标F1=0.85的实验结果。(3)开展了基于膨胀卷积的Resnet网络优化及心电图自动分类研究。在Resnet残差网络结构的基础上,针对12导联心电序列数据高维度的特点,研究了通过改进膨胀卷积模块以增加感受野,减少网络层数,优化损失函数,改进网络训练步骤等优化措施,并在ICBEB心电数据集上进行测试。实验结果表明,优化模型分类准确率可达80%,9种心律类别评价指标F1=0.74,相比未优化网络性能有明显的提升。