论文部分内容阅读
心电和脉搏信号蕴含了丰富的人体生理病理信息，在检测心脏功能和心血管健康状态方面发挥着重要的作用。糖尿病是一种以高血糖为主要特征的慢性代谢性疾病，会引起心血管功能紊乱和多种并发症，而心电脉搏信号是评价糖尿病患者生理状态的有效指标。本文从糖尿病对人体心血管功能的影响为出发点，同步采集健康人群和糖尿病患者的心电与脉搏信号。融合两种生理信号的特征，构建对糖尿病人群的预测分类模型。通过模型的对比和分析，探索不同人群在生理信号的差异性。具体研究内容如下：
首先，对同步采集得到的生理信号进行去噪处理。先介绍集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)在信号去噪的效果，并分析该方法的不足；在此基础上，提出一种结合零空间追踪算法(Null Space Pursuit，NSP)的改进EEMD去噪算法，用EEMD算法去除信号基线漂移，用NSP去除信号的高频毛刺，得到高质量信号；经过结果分析和指标对比，改进的EEMD去噪效果更好。
其次，搭建针对两种生理信号的特征分类模型。采用卷积神经网络(Convolutional Neural Networks，CNN)进行分类模型的搭建，并结合双向长短时记忆神经网络(Bi-directional Long Short-Term Memory，BiLSTM)提取信号的前后关系，提出了模型融合的CNN-BiLSTM分类模型。设计出适合心电和脉搏信号的特征分类模型，为多模态融合的糖尿病分类模型奠定良好的基础。
最后，提出基于注意力机制的多模态融合糖尿病分类模型。在心电和脉搏单模态分类模型的基础上，融合二者的高低层特征并进行分类。再针对特征融合过程中参数过多的问题，结合注意力机制模块，提升多模态分类模型的准确性和鲁棒性。
本文通过CNN-BiLSTM的融合分类模型探究糖尿病对心电脉搏信号的影响。在分类结果中，基于心电和脉搏的分类模型准确度分别达到了94.59%和93.82%，证实心电脉搏信号可以区分不同人群的生理差异。基于上述研究结果，进一步利用多生理信号的信息融合来进行预测分类，准确率达到了96.46%，同时引入注意力机制后，准确率达到了98.07%，与单一信号的分类模型相比，取得了较高的准确率。
首先，对同步采集得到的生理信号进行去噪处理。先介绍集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)在信号去噪的效果，并分析该方法的不足；在此基础上，提出一种结合零空间追踪算法(Null Space Pursuit，NSP)的改进EEMD去噪算法，用EEMD算法去除信号基线漂移，用NSP去除信号的高频毛刺，得到高质量信号；经过结果分析和指标对比，改进的EEMD去噪效果更好。
其次，搭建针对两种生理信号的特征分类模型。采用卷积神经网络(Convolutional Neural Networks，CNN)进行分类模型的搭建，并结合双向长短时记忆神经网络(Bi-directional Long Short-Term Memory，BiLSTM)提取信号的前后关系，提出了模型融合的CNN-BiLSTM分类模型。设计出适合心电和脉搏信号的特征分类模型，为多模态融合的糖尿病分类模型奠定良好的基础。
最后，提出基于注意力机制的多模态融合糖尿病分类模型。在心电和脉搏单模态分类模型的基础上，融合二者的高低层特征并进行分类。再针对特征融合过程中参数过多的问题，结合注意力机制模块，提升多模态分类模型的准确性和鲁棒性。
本文通过CNN-BiLSTM的融合分类模型探究糖尿病对心电脉搏信号的影响。在分类结果中，基于心电和脉搏的分类模型准确度分别达到了94.59%和93.82%，证实心电脉搏信号可以区分不同人群的生理差异。基于上述研究结果，进一步利用多生理信号的信息融合来进行预测分类，准确率达到了96.46%，同时引入注意力机制后，准确率达到了98.07%，与单一信号的分类模型相比，取得了较高的准确率。