基于自适应学习的心律失常心拍分类方法

心律失常是因心脏疾病引起的心电活动中的异常症状,早期心室收缩（PVC）是由异位心跳引起的常见心律失常形式。通过心电图（ECG）信号检测PVC对于预测可能的心力衰竭具有重要意义。本文提出一种面向PVC心拍分类的心电信号分类算法,重点研究基于自适应学习的PVC异常心拍分类特征提取模型,通过计算心拍关联后验概率,结合领域专家标注信息训练分类器,提高整体分类效果。实验采用MIT-BIH心律失常数据库的ECG数据,研究结果表明所提方法针对非线性流形结构数据,能够有效提升小样本心拍自适应分类器的准确性。     

融合CNN和BiLSTM的心律失常心拍分类模型

为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型。心电信号首先被分割成0.75 s和4 s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类。针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合。采用基于患者的5折交叉检验进行模型验证。MIT心律失常数据库116 000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42%,比单独使用CNN(76.45%)和BiLSTM(83.28%)的模型分别提高13.97%和7.14%。所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率。     

基于模糊推理的心拍分类

心拍分类对于临床心律失常自动化检测非常重要。临床上对心拍分类的诊断标准存在一定的不确定性,模糊推理可以较好地表达心拍分类过程中的不确定性,而隶属度函数的设计是模糊推理系统的关键问题。本研究提取较为精确的QRS复合波间期和RR间期特征组成模糊输入量;通过对MIT-BIH心律失常心电数据库的所有正常拍和室性早搏模糊输入量进行统计分析,提出了一种设计隶属度函数的具体思路,并实现了一个用于心拍分类的模糊推理系统。通过对MIT-BIH心律失常心电数据库测试,该系统心拍分类结果较好,具有临床应用价值。     

基于深度卷积神经网络的肥厚型心肌病自动检测模型

肥厚型心肌病（HCM）的早期诊断,对于心源性猝死的早期风险分级、家族遗传病的筛查具有重要意义。本文以单导联心电（ECG）信号为研究对象,提出了一种基于卷积神经网络（CNN）模型的HCM自动检测方法。首先定位单导联ECG信号的R波峰值位置,再以心拍为单位对ECG信号进行分段和重采样,然后搭建CNN模型自动提取ECG信号中的深层特征并进行自动分类和HCM检测。本文实验数据来源于PhysioNet提供的三个公开数据库中提取的108条ECG记录,所建立的HCM心电数据库由14 459个心拍构成,每个心拍包含128个采样点。实验结果显示,优化后的CNN模型能够有效地对HCM进行自动检测,其准确率、灵敏度和特异度分别为95.98%、98.03%和95.79%。本文通过将深度学习方法引入HCM单导联心电分析中,对于克服常规多导联心电检测方法的技术限制和协助临床医生进行快速、便捷的大范围HCM初筛都具有重要的应用价值。     

基于变尺度融合网络模型的心电数据识别算法EI北大核心CSCD

心律失常类型的判断是早期心血管疾病预防和诊断的关键,因此心电图(ECG)分析作为医生诊断的重要依据得到了广泛应用。由于受到不同患者间ECG信号形态差异大、类别分布不平衡等因素影响,现有的心律失常自动检测算法在识别过程中存在一定的困难。本文提出了一种变尺度融合网络模型用于心律类型的自动识别,利用改进后的ECG生成网络(EGAN)模块解决了ECG数据不平衡问题,并以灰度递归图(GRP)和频谱图形式对ECG信号进行二维重现,结合模型的分支结构,实现了变长心拍的自动分类。研究结果采用麻省理工学院与贝斯以色列医院(MIT-BIH)心律失常数据库进行验证,对其中八种心律类型进行区分,平均准确率达到了99.36%,敏感性和特异性分别为96.11%、99.84%,未来期望本方法可用于临床辅助诊断以及智能穿戴设备等。     

DNA算法优化BP网络用于心律失常的识别

背景:目前对心律失常的诊断大多是由医生人工完成,费时费力,诊断结果依赖于医生的个人业务水平和责任心。心律失常的自动识别对于心脏病患者的救护和早期治疗具有非常重要的意义。目的:实现临床心律失常的自动识别和诊断。方法:首先从心电图中动态提取完整心律失常心拍形态,并采用离散余弦变换和反变换压缩数据;然后设计用于心律失常识别的BP神经网络,并用DNA算法优化该BP网络;最后用MIT/BIH心电数据库中心电图数据对DNA-BP网络进行检验。结果与结论:对于5种心拍类型,包括正常、左束支阻滞、右束支阻滞、心室跳脱心搏及Paced心搏,利用DNA-BP网络进行分类,实验达到了很好的识别效果,平均识别正确率达到99%。     

基于判别式深度置信网络的心律失常自动分类方法

现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和RR间期特征进行心律失常分类。为了进一步提高DDBNs的分类性能,本文将DDBNs转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIH AR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达99.84%±0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达99.31%±0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取ECG信号特征及分类提供了一种新的解决方法。     

基于焦点损失函数的嵌套长短时记忆网络心电信号分类研究EI北大核心CSCD

心电图(ECG)可直观地反映人体心脏生理电活动,在心律失常检测与分类领域中具有重要意义。针对ECG数据中类别不平衡对心律失常分类带来的消极作用,本文提出一种用于不平衡ECG信号分类的嵌套长短时记忆网络(NLSTM)模型。搭建NLSTM学习并记忆复杂信号中的时序特征,利用焦点损失函数(focal loss)降低易识别样本的权重;然后采用残差注意力机制(residual attention mechanism),根据各类别特征重要性修改已分配权值,解决样本不平衡问题;再采用合成过采样技术算法(SMOTE)对麻省理工学院与贝斯以色列医院心律失常(MIT-BIH-AR)数据库进行简单的人工过采样处理,进一步增加模型的分类准确率,最终应用MIT-BIHAR数据库对上述算法进行实验验证。实验结果表明,所提方法能有效地解决ECG信号中样本不平衡、特征不突出的问题,模型的总体准确率达到98.34%,较大地提升对少数类样本的识别和分类效果,为心律失常辅助诊断提供可行的新方法。     

基于金字塔卷积结构的深度残差网络心电信号分类方法研究

近年来,深度神经网络(DNNs)已广泛应用于心电图(ECG)信号分类领域,但是以往的模型从原始ECG数据中提取特征信息受限。因此,本文提出了一种基于金字塔型卷积层的深度残差网络(PC-DRN)算法,该算法中包含的金字塔型卷积(PC)层可以从原始ECG数据中同时提取多尺度特征,并采用深度残差网络训练ECG信号分类模型,可以实现对ECG信号的分类。本文使用2017心脏病学挑战赛(CinC2017)提供的公开数据集,验证本文提出方法对4类ECG数据的分类效果。本文选取精度和召回率之间的谐波均值F_1作为主要评价指标。实验结果表明,PC-DRN的平均序列级别F_1(SeqF_1)从0.857提升到了0.920,平均集合级别F_1(SetF_1)从0.876提升到了0.925。因此,本文提出的PC-DRN算法为ECG信号的特征提取和分类提供了一种新的思路,为心律失常的分类诊断提供了有效的手段。     

主成分分析和线性判别分析应用于心电信号特征提取和诊断算法研究

针对心脏疾病发病率高且不易自主检测的问题,提出了一种心电信号特征提取和分类诊断算法。首先对心电信号进行提升小波变换和改进半软阈值相结合的预处理变换,在去除心电信号的噪声后,利用主成分分析(principal component analysis,PCA)对心电信号进行降维,并利用核独立成分提取心电信号的非线性特征;同时离散小波变换提取去噪后心电信号的频域特征,基于线性判别分析(linear discriminant analysis, LDA)对频域统计特征进行降维处理。将两种不同的特征向量组成多域特征空间,最后利用支持向量机对多域特征空间分类,遗传算法对其参数进行寻优,从而实现心电信号特征的分类。实验结果表明,所提出的算法能够对5类心电节拍进行准确分类,分类效率达99.11%。     

一种基于多特征的P波检测方法

由于P波一般为低频低幅波,容易受到基线漂移,肌电干扰等噪声影响,且不是每个心拍都包含P波,确定某一心拍有无P波也是一难题,针对小波-幅值-斜率的方法对多样形态P波适应的局限性,以及小波变换结合神经网络检测方法中选取伪P波样本的局限性,本文提出了基于小波-幅值阈值并以多特征作为神经网络的输入的P波检测方法,该方法首先利用小波变换对心电(ECG)信号进行去噪,然后利用小波变换求模极大值对的方法确定候选P波的位置,接下来利用幅值阈值初步判断有无P波,最后利用神经网络确定心拍有无P波。本文经由专家注释的QT心电数据库对该算法和传统的小波阈值法及基于小波-幅值-斜率的方法检测ECG信号P波的效果进行了对比,验证了本文提出的算法的可行性,对医院心电科记录的ECG信号进行了检测,其结果与医生的标注基本相同,并对QT数据库中的13份且每份15min的ECG信号进行了检测验证,P波正确检测率达到了99.911%。     

心电向量图诊断早期心肌梗死的实验研究

目的通过心电向量图(VCG)与心电图(ECG)两种方法描记犬发生心肌梗死时体表心电信号,通过VCG和ECG两种诊断标准的对比,确定诊断心肌梗死的诊断阳性率。方法将30只正常犬的冠状动脉结扎人为造成心肌梗死,通过VCG、ECG两种方法记录每一时段的心电信号。结果VCG对心肌梗死的诊断阳性率(93.3%)明显高于ECG(73.3%)。结论VCG对心肌梗死的诊断和定位准确于ECG。     

基于小波神经网络的心电信号滤波研究

针对心电(ECG)信号检测中存在的主要噪声,本文研究了基于小波神经网络(WNN)的ECG信号滤波理论。提出一种通过WNN非线性逼近能力构建的针对ECG信号的非线性滤波器算法和滤波策略,实现对ECG信号中基线漂移、肌电干扰、工频干扰噪声的滤除;给出了网络训练算法和滤波实验,滤波后信号与期望信号误差范围在微伏级,验证了本文提出的基于WNN的心电非线性滤波器对心电主要噪声快速滤波的良好效果,最后讨论了影响WNN用于心电滤波的几个关键问题。     

AR模型在远程心电诊断中的应用

在远程心电诊断中 ,计算机辅助ECG诊断通常是在接收到ECG信号、进而解压重建后进行的 ,这样便造成诊断工作的延误。本研究提出了一种基于AR模型的ECG直接分类方法 ,利用AR模型系数及其建模误差作为特征对ECG信号进行压缩 ,并采用非线性二次判别函数形式进行特征分类。通过对MIT BIH标准数据库中的NSR、APC、PVC、SVT、VT和VF各 2 0 0个样本信号进行测试 ,获得了 93.5 %～ 97.86 %的分类精度。该方法的特点是 :诊断迅速方便 ,能同时对多类ECG信号进行有效分类 ,特别适于远程诊断应用     

心电向量图对犬心肌梗塞诊断特异性的研究

目的:利用心电向量图(VCG)与心电图(ECG)两种方法同步描记犬出现心肌梗塞时的15路体表心电信号,通过对VCG和ECG两种诊断指标的对比,确定VCG和ECG诊断犬心肌梗塞的差异,并验证VCG对犬心肌梗塞诊断的特异性。方法:通过对30只正常犬的冠状动脉结扎,人为造成心肌梗塞,记录犬出现心肌梗塞时的15路体表心电信号,并进行对比分析。结果:VCG对犬心肌梗塞的诊断敏感,诊断指标提前出现,诊断特异性明显地高于ECG。结论:对犬心肌梗塞的早期诊断,采用VCG和ECG两种诊断方法,VCG的特异性高于ECG。     

心律失常辅助诊断系统的研制

目的:研制心律失常辅助诊断系统,以减少医生的工作量,并提高其对心电信号诊断的准确性。方法:首先利用小波变换理论建立滤波和波形识别算法,提取出有效的特征参数;然后利用粗糙集理论约简特征参数并根据相应的分类决策规则,利用分支逻辑法对波形进行识别分类;最后利用模糊神经网络理论得出异常心拍的隶属度。结果:实现了滤波、波形识别、诊断分类等主要模块,形成了一个完整的系统。结论:该系统能识别十九种心律失常并得出异常心拍的隶属度和位置信息,对医生的诊断有良好的辅助作用。     

基于小波变换和矢量量化的二维ECG数据压缩算法

本研究针对心电数据的压缩问题,提出了一种新的基于小波变换的二维心电（ECG）数据压缩算法。该算法首先将一维原始ECG信号转化为二维序列信号,从而使ECG数据的两种相关性可得到充分地利用;然后对二维ECG序列进行小波变换,并对变换后的系数应用了一种改进的矢量量化（VQ）方法。在改进的VQ方法中,根据小波变换后系数的特点,构造了一种新的树矢量（TV）。利用本算法与已有基于小波变换的压缩算法和其他二维ECG信号的压缩算法,对MIT/BIH数据库中的心律不齐数据进行了对比压缩实验。结果表明：本算法适用于各种波形特征的ECG信号,并且在保证压缩质量的前提下,可以获得较大的压缩比,具有一定的应用价值。     

基于小波变换和BP神经网络的室性早搏(PVC)识别

目的:室性早搏(PVC)是最常见的心律失常,能够实时、准确检测出它具有重要的临床意义。为了能够及早地发现室性早搏(PVC)、提高医生对室性早搏(PVC)诊断的准确性,本文研究了基于小波变换和BP神经网络的室性早搏(PVC)识别方法。方法:首先选取ECG信号的特征参数,用小波变换检测其特征点,提取特征参数,构造特征向量,然后再用训练好的BP神经网络对室性早搏(PVC)进行识别,从而实现ECG信号的正常心律和室性早搏的自动检测识别。结果:本文构造了一个7-10-1结构的三层BP神经网络,用MIT-BIH标准心电数据库中的心电信号数据对构造的神经网络进行训练、检测识别,识别率达到预期的效果。结论:分析MIT-BIH心电数据库六组试验数据的实验结果,证明了基于小波变换和BP神经网络的室性早搏(PVC)识别的方法具有较高的PVC自动检测识别率,对医生的诊断有良好的辅助作用,具有较高的应用价值。     

改进的三次样条插值心电基线漂移滤波法

基准点选择对三次样条插值法去噪的效果有重要影响。本文针对通常的三次样条插值滤波方法,提出一种改进的心电(ECG)信号滤波算法,能适应更宽范围的基线噪声频率分布。算法通过对原始ECG信号求一阶导数,得到每一个心拍周期内的最大和最小值点,其对应的位置作为基准点的位置。然后对原始ECG信号通过截止频率为1.5Hz的高通滤波器,将滤波前后基准点所对应信号幅值的差值作为基准点的幅度。对这些基准点进行三次样条插值曲线拟合,所得拟合曲线为基线漂移曲线。改进算法与原单点法相比,在模拟两种基线漂移情况下,改进样条差值的拟合基线漂移曲线对模拟基线漂移的相关系数分别提高了0.242和0.13;真实基线漂移的情况下,多个临床数据实验显示改进样条差值法平均相关系数达到0.972。     

基于复杂度的心电图形态相关性分析

对健康人的正常心电图信号及MIT-BIH心律失常数据库中的心电信号进行分析,得到反映心拍间形态相关度的心电相关序列,用近似熵值分析其复杂度。结果表明,较之正常心拍,心律失常的心电信号,其心电相关序列的复杂度高。并且根据近似熵的动态分析,可看出:随着心律失常拍的发生与消失,心电相关序列的复杂度随之变化,出现较大的波动;而正常心电信号,其心电相关序列的复杂度随时间改变波动较小。