论文部分内容阅读
生活水平的进步与生活方式的剧烈变化使得人类健康受到严重威胁,心律失常等心血管疾病困扰着越来越多的人,及时发现、预防心脏病发生能有效降低死亡率。心电信号能有效反映人体心脏健康状况,其自动检测与分类识别的应用对预防和诊治心脏疾病有着重大意义。本文简要概括了课题的研究意义及国内外研究现状,并对心电图、心电干扰与心律失常做了基础性说明;心电信号具有抗干扰能力弱特性,利用小波变换良好的时频域和局部分析能力实现降噪;论文针对一般心律失常自动诊断方法过于依赖特征工程等弊端,将深度学习技术应用于心律失常诊断,实现了特征自动提取与分类识别于一体的深层网络模型。本文的创新及研究内容主要包括以下四个方面:1.心电信号易受噪声干扰,针对不同类型的高低频噪声频域分布差异,利用小波变换实现信号中噪声过滤。低频噪声的过滤,将对应低频频域的分解系数置零,然后重构处理后的各尺度小波系数;高频噪声采用小波阈值去噪方法,根据信号特点选取合适的小波基、分解尺度,并利用改进的软硬阈值折中的方法实现噪声干扰有效去除。2.通过数据增强的方式扩展MIT-BIH心电信号数据集,对数据集中所有修正单导联Ⅱ进行R波定位及逐心跳切割,并实现数据归一化;针对心拍类别数据不平衡问题,给出了两种有效的解决方法。3.ECG为时序信号,循环神经网络有显著的序列数据建模能力。本文通过各性能参数的优化选择,提出并构建适用于心电信号识别的LSTM_ECG网络模型;对不同网络结构对比分析,综合平均耗时与精度等指标验证LSTM_ECG的有效性,并分析模型结构及参数设置,从多指标验证模型的识别效果。4.ECG时序点构成心电波形,蕴含空间信息,卷积神经网络侧重空间映射,适用于心电数据的处理。本文分析信号特性及模型性能参数,构建CNN_ECG网络模型实现心拍识别,通过对比分析不同网络结构验证CNN_ECG模型的可行性,并给出模型结构参数及识别效果;最后从方法与心拍识别效果上对比了本课题构建的LSTM_ECG和CNN_ECG模型及他人已有的研究成果。