论文部分内容阅读
作为模式识别研究的典型应用，计算机辅助心电图分析在可穿戴终端及面向基层的“云计算”服务平台具有重要价值。然而，目前大多数心电图分类方法的研究均基于标准数据库，由于没有考虑真实临床数据的复杂性，使得高准确率的实验室算法在实际应用中分类性能急剧下降。 不同于传统心电图分类方法的研究，本论文直接面向临床环境，以能够实际应用为目标，从特征提取、半监督学习、深度学习和集成学习四个方面开展心电图分类方法的研究工作，并把非线性分析贯穿到整个过程。首先引入二维主成份分析，并将其与传统主成份分析和导联主成份分析做了对比，此外也引入线性预测、小波变换等其他数理特征和具有临床诊断意义的医学特征，并进行相关数值实验。接着引入以直推式支持向量机和高斯混合模型为代表的半监督学习算法，并基于实验结果对其应用到心电图分析的可行性做了讨论。 随后，鉴于已有算法的实际分类性能，本论文从非线性函数拟合能力的角度讨论了现有的特征提取和分类算法的优缺点，并采用深度学习方法构造心电图分类模型。在改进已有训练方法的前提下，针对多导联心电图这种特殊的二维结构，提出导联卷积神经网络;在此基础上又提出新的融合规则推理的集成学习方法，进一步提高其临床分类性能。目前，通过测试十几万条自临床心电图记录，本文所提方法取得了准确率为86.09％的正异常分类结果和准确率为98.60％的房颤分类结果。 最后，还介绍了分类模型的应用平台，其实时分析结果满足一定程度的实际需求。