基于CNN与SVR证据理论融合的ECG信号分类

• 作 者: 程相前
• 出 处: 山东科技大学
• 发表日期: 2021年06期
• 关键词: 心电信号 卷积神经网络 支持向量回归 D-S证据理论

心血管疾病作为威胁人类健康的重要杀手,近年来呈现出逐年增加的趋势。心血管疾病患者早期常常出现心律失常的症状,因此,病人心律失常的早期检查至关重要。传统的临床诊断是医生通过心电图分析心电信号中所含的病理信息,对心律失常进行排查与诊断。自动分析技术则是利用计算机对心电图分析,它能够解放医生的精力和时间,有效地对心电图进行实时监测。因此,构建一个心律失常自动分类系统,对心血管疾病的预防和诊断具有很大的积极作用。本文利用卷积神经网络和支持向量回归进行心拍特征的学习,并用证据理论进行数据融合,具体研究内容如下:(1)心电信号(ECG)的低幅和低频等特性,导致采集过程中容易被噪声所干扰。本文根据噪声的不同频率,分别设计相应的滤波器进行信号还原。对于基线漂移低频噪声,采用中值滤波器进行基线的修正。对于高频噪声,采用小波变换的方法进行信号的还原。还原后的信号能够保留更多的有效病理特征。(2)特征提取中,为了保证心拍中蕴含的病理信息得到充分提取,需要对P波、QRS波和T波三个波段进行完整截取。本文拟采用差分阈值法对QRS波定位以及心拍样本的分割。对分割后的信号,分别提取时域特征和频域特征来表征心拍。(3)心拍分类系统搭建。分别采用卷积神经网络和支持向量回归进行ECG信号的分类。对于时域特征,采用卷积网络进行特征学习。卷积神经网络具有自学习、自适应的特点。并且其自身复杂的网络结构,对高层特征的挖掘也有着自己的优势。本文基于传统的卷积网络模型,搭建出一维CNN网络进行信号的识别分类。对于频域特征,设计多个支持向量回归机,对每种信号进行回归预测。针对两种分类器的预测结果,利用D-S证据理论进行数据融合。相比单个分类器,融合后的预测结果有着更高的准确率。