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。     

基于近邻保持嵌入算法的心律失常心拍分类

心律失常是一种极其常见的心电活动异常症状,基于心电图(ECG)的心拍分类对心律失常的临床诊断具有十分重要的意义。本文提出一种基于流形学习的特征提取方法——近邻保持嵌入(NPE)算法,实现心律失常心拍的自动分类。分类系统利用NPE算法获取高维心电节拍信号的低维流形结构特征,然后将特征向量输入支持向量机(SVM)分类器进行心拍的分类诊断。实验基于MIT-BIH心律失常数据库提供的ECG数据,对14种类型的心律失常心拍进行分类,总体分类准确率高达98.51%。实验结果表明,所提方法是一种有效的心律失常心拍分类方法。     

ECG心搏分类的特征提取的研究

目的研究适于心搏分类的突出特征矢量。方法首先采用连续小波变换对QRS复合波进行定位,然后采用不同的特征提取技术,提取一组特征矢量,送入线性判别式分类器进行训练,并对基于MIT/BIH数据库中的4类心搏进行分类,评价其分类性能。结果用10维特征矢量对4类心搏进行分类,准确度可达97.83%。结论综合利用不同特征提取技术可以显著提高心搏分类的准确度。     

基于Gabor小波和深度置信网络的肺结节良恶性分类研究

目的从频率域角度研究孤立性肺结节纹理特征,探讨深度置信网络对其良恶性的分类效果,达到辅助医生提高早期肺癌诊断准确率的目的。方法首先,利用Gabor小波对1012例患者的1072张孤立性肺结节CT图像提取纹理特征,用受限玻尔兹曼机对特征向量进行编码,学习数据本质特征;然后,用得到的纹理特征向量集训练深度置信网络,构建分类模型;最后,通过K折交叉验证法从准确性、ROC曲线下面积(AUC值)以及时间成本方面对本文提出的研究方法进行评估。结果经Gabor小波变换并构建DBN分类模型的准确度为83.75%,测试集的AUC值为0.78。与传统支持向量机分类模型相比,所提方法的准确度上升了0.56%,时间成本缩减了一半。结论利用Gabor小波从频率域提取纹理特征,结合深度置信网络构建分类模型能够取得较好的分类效果,一定程度上能够为临床诊断肺结节的良恶性提供参考。     

基于卷积神经网络特征提取与融合的心律失常分类

本研究提出一种新的心律失常自动分类方法,辅助医生诊治心律失常。通过构建卷积神经网络对心电信号以及QRS波群的小波分量进行特征提取,将网络提取到的心电信号特征和小波特征与人工提取的RR间期特征,输入到全连接层进行融合,在输出层使用softmax函数对心拍进行分类。使用MIT-BIH心律失常数据库中的MILL导联数据对网络进行训练和测试。经测试,该方法的总体分类准确度达98.12%,平均灵敏度为87.32%,平均阳性预测值为90.37%。该方法能够快速识别不同类型的心律失常,对于计算机辅助诊断心律失常的应用具有一定的参考价值。     

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。     

基于深度残差卷积神经网络的心电信号心律不齐识别

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度。基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中。其中,使用小波自适应阈值技术完成ECG信号滤波,并设计了包含多个残差块(residual block)结构的20层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对5大类心律不齐ECG信号进行了识别。然后,本文采用残差块局部神经网络结构单元构建DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了CNN随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛。按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中94 091个ECG心搏信号(2个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验。实验结果表明,本文所提出的方法在ECG信号多分类、Veb和Sveb识别中的准确率分别达到了99.034 9%、99.498 0%和99.334 7%。在相同的数据集和实验平台下,DR-CNN在分类准确率、特异性和灵敏度上均优于相同结构复杂度的CNN、深度多层感知机等传统算法。DR-CNN算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源。     

临床结直肠病理切片图像的自动辅助诊断

目的探讨借助深度学习算法进行结直肠病理组织切片的自动辅助诊断。方法收集首都医科大学附属朝阳医院病理科已确诊的92例增生性息肉、61例管状腺瘤、135例腺癌及100例神经内分泌肿瘤的存档病理切片,利用数字显微镜采集1 790张数字病理图像。其中1 530张图像作为训练集,260张图像作为测试集。利用深度神经网络基于训练集训练自动辅助诊断模型,并在测试集上进行测试。结果利用深度学习技术在结直肠病理图像测试集上的整体准确率≥91%,采用该方法对恶性肿瘤的灵敏度可达96. 7%。结论利用深度学习技术对结直肠病理组织切片的自动辅助诊断具有重要意义,不仅可以提高诊断效率,还能够降低漏诊风险。     

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。     

基于二维图谱转换的心电信号分类方法

目的 提出一种基于二维图谱转换的心电信号分类方法，以期为临床应用提供参考。方法首先通过格拉姆角场将一维心电信号转换成二维图像，其次对图像提取灰度共生矩阵和颜色矩特征，并运用支持向量机（support vector machines,SVM）对心律失常信号分类，最后使用MIT-BIH公共数据集对此分类器进行训练和测试。结果 该方法分类的总准确率为99.9%，可实现对心律失常的有效分类。结论与传统波形形态分类算法相比，本文提出的将信号转换成二维图谱的分类方法有效解决了模型抗干扰能力差的问题，从而提升了分类器的准确率，具有潜在的临床应用可行性。     

基于特征融合和判别式学习的胎盘成熟度自动分级

胎盘成熟度分级错误可能会导致小于胎龄儿、死产、死胎等的发生。目前,胎盘成熟度分级主要依赖于临床医生的经验和观察,主观性很强,分级准确性易受医生工作强度、工作时长和工作经验的影响。提出一种基于特征融合和判别式学习的胎盘成熟度自动分级算法。首先,对共544例的B型超声图像和彩色能量多普勒(CDE)胎盘图像,采用提取关键点、对关键点提取特征、进行融合并加以判别式特征编码的方法,形成码书,经过归一化,最后用支持向量机(SVM)进行分类,得到胎盘成熟度分级结果。在测试阶段,将胎盘成熟度测试结果与临床医生的分级结果进行对比,得到如下结果:准确率92.7%,敏感性91.1%,特异性97.6%,平均精度97.3%。结果表明,该方法对胎盘成熟度自动分级具有较高的指导意义。     

基于CSSD和SVM的抑郁症脑电信号分类

从EEG脑电信号中提取与疾病相关的信息以实现对抑郁症的自动诊断。首先采用共空域子空间分解(CSSD)方法,对躁狂型抑郁症患者与健康人两组的16导联脑电信号进行特征提取,然后用支持向量机(SVM)分类器进行训练和分类测试。实验结果表明,相对于用小波变换提取的频率相关参数为分类特征的分类准确率为88%,采用CSSD方法提取特征参数进行分类可以取得更理想的效果为95%,后者的16导联脑电信号在空间模型上表现出较高的模式可分性。该研究成果对精神抑郁症的物理诊断和研究提供了新的视角。     

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。     

基于特征向量法和支持向量机的抑郁症脑电信号分类

目的:从抑郁症患者EEG信号中提取与疾病相关的信息以实现对抑郁症患者与健康人的自动分类.方法:用特征向量法对抑郁症患者与健康人脑电进行特征提取,得到脑电信号功率谱幅度的最大值、最小值、平均值和标准偏差等特征参数,然后用支持向量机分类器进行训练和分类,并进行测试验证.结果:相对于用小波变换提取的频率相关参数作为分类特征,采用本文特征向量法功率谱估计提取的特征参数为分类特征的分类器具有更好的分类效果,其抑郁症患者和健康人脑电信号的分类准确率可以达到95.6%.结论:该研究成果为抑郁症疾病的物理诊断提供了一种新的途径.     

基于总体局部均值分解方法的心律失常特征提取与分类

针对心电信号自动分类技术中的特征提取,提出一种新的特征提取方法—总体局部均值分解（ELMD）方法。该方法首先对心电信号加入不同的高斯白噪声,然后进行局部均值分解得到若干乘积函数（PF）分量,求取多次分解后的PF分量均值。多次加入噪声及分量平均的过程可以克服基本局部均值分解方法存在的模态混叠问题。选取较优的前4个PF分量进行特征计算,将得到的特征向量矩阵送入支持向量机对正常心电信号和4种常见的心律失常信号进行分类。从MIT-BIH心律失常数据库的分类结果来看,ELMD总体分类准确率达到99.61%,高于一般方法,证明了ELMD方法的有效性。     

基于心电图的心肌梗死识别分类研究

心肌梗死（MI）是一种严重的心脏病,症状前的健康检查可以发现早期的MI。心电图（ECG）是一种常用的无创健康检查诊断工具。一些使用ECG预测MI的研究存在基于私人数据集、样本量小、分析方法简单等不足。为了解决这些问题,本研究提出在英国最大的开放采集生物信息资源平台UK Biobank上进行MI的首次基准预测实验,涵盖基于临床特征的机器学习方法和基于ECG信号的深度学习方法。结果显示,基于临床特征的AUC为0.690,深度学习使用原始ECG信号的AUC为0.728,提升近4%。证明深度学习基于原始ECG信号能学习到比临床特征更多的信息。另外,对XGBoost和ResNet方法的结果进行了初步的可解释性分析,发现ST波与MI的关联更密切。     

基于时-频-空间域的运动想象脑电信号特征提取方法研究

脑机接口(BCI)是在人或动物脑与外部设备间建立的直接连接通路,信号分析功能模块是其核心部分,其中特征提取算法的效果如何是脑电图(EEG)信号分析算法的关键。EEG信号本身信噪比低,传统的EEG特征提取方法存在着缺少空间信息,需要的特征量个数较多,分类正确率低等不足。针对以上问题,本文提出了一种基于小波和独立分量分析(ICA)的时间-频率-空间EEG特征的提取方法,分别用离散小波变换(DWT)和ICA提取时频域特征和空域特征。并用支持向量机(SVM)和遗传算法(GA)相结合的方法对提取的特征进行分类。实验对比结果表明,所提出的方法有效地克服了传统的时频特征提取方法空间信息描述不足等问题,对于2003年BCI竞赛数据datasetⅢ分析,最高分类正确率为90.71%。     

不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类.实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79%以上,超过现有文献报道的结果.     

基于小波方差的ECoG分类EI北大核心CSCD

针对典型的基于皮层脑电图(ECoG)的脑-机接口(BCI)设计,被试任务为想象左手小指和想象舌头运动,提出了采用小波方差的特征提取方法。首先在小波变换的基础上,提出小波方差的计算方法及其意义,并以此作为特征,从64导联中获取特征较为明显的6个导联进行分析;然后对脑电(EEG)数据进行三层小波分解,根据ERD/ERS现象,提取包含Mu节律和Beta节律的小波系数方差作为特征,采用交叉验证的方法,利用classify进行线性分类。离线分析表明,对训练集和测试集的分类正确率达到90.24%和93.77%,小波方差作为BCI研究中特征提取的方法具有更加简单和有效的特性。