论文部分内容阅读
随着人工智能的发展,心电图辅助诊断成为了人工智能领域的重要研究课题。心电信号是诊断心脏疾病最常用的一种生理信号,利用深度学习技术实现心电图辅助诊断将极大提高医生诊断心脏疾病的效率,心肌缺血的患者越来越多,心肌缺血的早期预防对患者的健康非常重要。本文就是基于以上背景,开展利用深度神经网络进行心肌缺血心电信号识别的研究。主要研究工作和创新点如下:1、基于临床数据集,利用小波阈值去噪算法对心电信号去噪,小波阈值去噪算法对临床心电信号去噪效果一般,对MIT-BIH数据集上的心电信号去噪效果明显。为了将心电信号送入卷积神经网络训练,设计了一种将8导联心电信号转换成二维图像的方法。另外由于大数据集中心肌缺血心电信号的比例很低,通过下采样的方式进行样本均衡,获得样本均衡的数据集,数据集一由2109条心肌缺血心电信号和7891条非心肌缺血心电信号组成,数据集二由2109条心肌缺血心电信号和7891条正常心电信号组成。2、分别采用单卷积神经网络简化版VggNet、双向长短期记忆网络Bi-LSTM和二者融合网络在数据集一上进行心肌缺血心电信号二分类实验,简化版VggNet相比双向长短期记忆网络Bi-LSTM在识别准确率、敏感性和特异性分别要高3.5%、15.08%和1.46%,相比于简化版VggNet,融合网络在识别敏感性上得到3.07%的提高,说明网络融合后可以提高模型识别的敏感性。3、设计一种28层的深度残差网络模型用于识别心肌缺血心电信号,在数据集一上识别准确率、敏感性和特异性上分别为95.10%、89.15%和96.70%。将网络融合应用到深度残差网络上,深度残差网络和双向长短期记忆网络的融合网络Resnet+Bi-LSTM识别准确率、敏感性和特异性上分别为93.95%、92.22%和94.42%。虽然准确率和特异性比单一深度残差网络略低,但敏感性得到3.07%的提升,有效的较少误诊,说明网络融合的方法能进一步提高深度残差网络识别的敏感性。4、为了对比深度残差算法和基于波形特征识别算法的识别效果,利用基于波形特征算法在数据集二上识别心肌缺血心电信号,深度残差网络比基于波形特征识别算法在识别准确率、敏感性和特异性上分别高2.77%、4.95%和0.16%,且避免了复杂的特征提取过程。