论文部分内容阅读
心肌梗死是威胁人体生命健康的心血管疾病之一,具有病情急、易致死等特点,其患病率随着生活节奏加快逐年增高,因此实现心肌梗死的及时诊断具有重要的研究价值。心电图通过检测人体电位变化情况,是目前检测心肌梗死的常规手段之一。但是临床心电检测系统产生的数据量大,依赖医生主观经验进行分析存在耗时长、效率低等问题,实现心肌梗死心电的自动检测和分析可以一定程度上解决上述问题。而且随着便携式心电检测仪等系统设备的流行和普及,将自动分析算法应用于便携式设备,以个人、家庭为单位开展异常心肌梗死心电的监测,具有较高的临床意义和社会价值。本课题针对心肌梗死心电的自动检测和分析问题,从传统特征检测及提取和深度学习两种方法入手,主要研究了以下内容:首先通过分析心电信号的干扰特点,以小波变换方法完成了三种噪声的消除。在滤除噪声后,选取双正交二次B样条小波对信号进行小波变换处理,通过检测模极值对过零点实现QRS波群的定位;其次,在QRS波群定位结果基础上完成P波和T波等特征点的检测及计算,以上述工作和心肌梗死心电理论知识为基础,本文提取了16种时域和非线性特征作为诊断心肌梗死的特征参数。利用传统特征提取方法完成心梗心电自动分类,以16种心电信号指标作为特征参数向量,使用主成分分析法对特征参数进行降维和选择,通过支持向量机、BP神经网络、Adaboost集成学习等三种算法完成分类,对各算法核函数、惩罚参数,神经元个数及基础分类器等参数进行探讨。以PTB心肌梗死心电数据库作为研究对象,对三种算法进行验证和评估,结果表明Adaboost算法分类效果最优。针对传统特征提取方法步骤繁琐和依赖先验知识等不足,构建卷积神经网络和长短期记忆网络相结合的深度学习模型。该模型包括5个通道共16层网络,以固定长度心拍作为输入,通过卷积网络和长短期记忆网络学习提取信号的空间和时间等深层特性对心肌梗死进行自动分析和诊断。最后对模型的通道数、核尺寸、优化器等参数进行了研究,实验结果表明深度学习网络可以简化分析流程,避免复杂人工特征提取等步骤,分类效果良好。