论文部分内容阅读
心电图(Electrocardio graph, ECG)是心脏电活动在人体体表的表现，反映了丰富的节律和电传导的生理和病理信息。ECG是诊断心脏疾病以及评价心脏功能的重要依据，其包含病理信息丰富、测量简单的特点使其成为一种临床的常规诊断手段，也是目前目前鉴别心律失常的最精确方法。ECG的医学价值使得对其进行计算机分析具有很大实用前景。心律失常的计算机分析中，最重要的一步是ECG心拍的自动分类。 本研究主要内容包括：⑴分析了ECG信号的几种噪声以及特性，根据基线漂移和工频干扰的频带分布，设计了两种滤波器，分别是小波滤波器和经验模态分解(Empirical Mode Decomposition)滤波器。考察了不同信号长度对EMD分解后本征模态数的影响，以及三种EMD滤波方法的性能。最后通过合成ECG信号并叠加噪声的方法对滤波方法进行测试，决定选用小波滤波器。⑵对心电的特征提取进行了深入研究，定义了心电信号的时域特征以及小波域特征，其中时域特征由QRS波形采样以及R-R间期信息构成，小波域特征包括基于小波分解系数能量分布的特征以及小波变换系数。并研究了基于主成分分析以及序列前向特征选择的心电特征降维方法，通过后续的分类器实验证明了所述特征以及降维方法的有效性，并且得出了所述两种特征选择方法中，主成分分析具有更好的降维能力，同时降维后分类器性能下降也较少的结论。⑶根据深度学习的理论，提出了三种基于深度神经网络的心电分类方法。分别是输入分层卷积神经网络(Input Layering Convolutional Neural Networks，ILCNNs)、CNN特征提取结合多层感知机(CNN+MLP)、深度信念网(Deep Belief Networks，DBN)。使用标准心电数据库，在不同特征集下对三种分类方式进行了训练与测试，得出在基于CNN的两种方法中，时域特征具有最高分类性能，并且CNN+MLP具有较高分类性能与可拓展性的结论。在基于DBN的心电分类方法中，时域特征与小波域特征结合的DBN分类具有较高性能。