论文部分内容阅读
心电图自动分析技术被广泛应用于临床辅助诊断。目前的研究大多基于复杂的人工特征提取技术，对临床中复杂的心电信号的判别效果有待提高。深度学习技术有望在该领域得到应用。本论文基于深度学习方法，针对单个心拍或者心电复合波的自动判别展开研究。本文主要研究内容包括:
1.提出基于一维卷积神经网络的患者特异性心电分类方法。该方法将多层一维卷积神经网络自动学习的心电特征和心电的RR间期特征进行融合，送入多层感知器，再通过Softmax分类器进行分类。通过选择少量公共心拍数据加上患者特定的心拍数据用于训练分类模型，实现患者特异性心拍识别。采用麻省理工学院提供的标准心律失常数据库(MIT-BIH Arrhythmia Database)对算法性能进行了评估。与已有研究结果相比，分类性能得到提升，特别是对室上性异常搏动识别的灵敏度达到88.7％。
2.论文提出了一种心电图异常Q波识别与定位算法。该算法基于一维卷积神经网络，从临床的12导联静态心电图的原始复合波中自动学习特征，并用于异常Q波识别和定位。共收集了90927例临床心电数据用于实验验证。实验结果表明，论文提出的算法对异常Q波识别性能高于传统的特征提取方法，平均F1-scorc从71.32％提升到了94.28％，对各部位定位的准确率均高于96％。
3.针对临床上一份心电图可能存在多种异常的情况，论文提出一种基于多标签分类的心电图形态判别算法。通过对多标签分类器和损失函数进行改进，并引入子类别权重系数μi，解决了子类别正负样本不平衡问题。随后基于一维卷积神经网络，搭建用于12导联静态心电图多标签分类的深度神经网络。实验结果表明，引入μi,后模型对各子类别和整体分类性能都有所提升。论文提出的方法能够有效的实现心电图多标签分类，平均准确率为87.53％，平均灵敏度为84.80％。该方法可以对多标签进行同步训练，能够避免用多标签组合作为单独的类别训练模型带来的弊端，且比多任务分类神经网络模型计算量小、性能更优，为心电自动分析的研究提供了新的思路。
综上，论文提出的基于深度学习技术的心电图形态分析方法以及多标签分类框架，能够有效的从原始数据中自动学习高层特征，实现心电图的自动判别。该方法有望在心电图辅助诊断方面得到应用。
1.提出基于一维卷积神经网络的患者特异性心电分类方法。该方法将多层一维卷积神经网络自动学习的心电特征和心电的RR间期特征进行融合，送入多层感知器，再通过Softmax分类器进行分类。通过选择少量公共心拍数据加上患者特定的心拍数据用于训练分类模型，实现患者特异性心拍识别。采用麻省理工学院提供的标准心律失常数据库(MIT-BIH Arrhythmia Database)对算法性能进行了评估。与已有研究结果相比，分类性能得到提升，特别是对室上性异常搏动识别的灵敏度达到88.7％。
2.论文提出了一种心电图异常Q波识别与定位算法。该算法基于一维卷积神经网络，从临床的12导联静态心电图的原始复合波中自动学习特征，并用于异常Q波识别和定位。共收集了90927例临床心电数据用于实验验证。实验结果表明，论文提出的算法对异常Q波识别性能高于传统的特征提取方法，平均F1-scorc从71.32％提升到了94.28％，对各部位定位的准确率均高于96％。
3.针对临床上一份心电图可能存在多种异常的情况，论文提出一种基于多标签分类的心电图形态判别算法。通过对多标签分类器和损失函数进行改进，并引入子类别权重系数μi，解决了子类别正负样本不平衡问题。随后基于一维卷积神经网络，搭建用于12导联静态心电图多标签分类的深度神经网络。实验结果表明，引入μi,后模型对各子类别和整体分类性能都有所提升。论文提出的方法能够有效的实现心电图多标签分类，平均准确率为87.53％，平均灵敏度为84.80％。该方法可以对多标签进行同步训练，能够避免用多标签组合作为单独的类别训练模型带来的弊端，且比多任务分类神经网络模型计算量小、性能更优，为心电自动分析的研究提供了新的思路。
综上，论文提出的基于深度学习技术的心电图形态分析方法以及多标签分类框架，能够有效的从原始数据中自动学习高层特征，实现心电图的自动判别。该方法有望在心电图辅助诊断方面得到应用。