深度学习与多源融合：心肌梗塞识别的突破与进展

本篇硕士论文主要探讨了基于深度学习与多源特征融合的心肌梗塞识别技术，针对这一重要且具有临床价值的问题进行了深入研究。论文围绕以下几个核心内容展开： 1. 一维密集卷积网络模型：作者构建了一个针对心肌梗塞识别的一维密集卷积网络（1D-DenseNet）模型，该模型通过R波波峰点定位预处理心电信号，提取12导联心拍信号作为输入，利用密集模块增强特征重用性，并采用权重交叉熵作为损失函数，以应对数据不平衡问题。实验结果显示，模型在PTB心肌梗塞数据集上表现出色，达到了94.49%的识别准确率、87.38%的灵敏度和97.12%的特异性。 2. 多网络堆栈模型：针对单一深度学习模型的局限，作者提出了一个包含1D-DenseNet、改进的1D-DenseNet和LSTM的多网络堆栈模型。这种结构可以捕捉心电信号的前后关联和时间依赖性，利用LSTM提取长期特征，DenseNet则关注形态特征。通过stacking集成学习，该模型在心肌梗塞数据集上的表现进一步提升，达到了96.05%的准确率、92.98%的灵敏度和97.59%的特异性。 3. 多源特征融合：为了提高模型的全面性，论文还探讨了频域特征的融合。通过对心电信号进行频域分析，划分出T波相关的频率子带和其他子带，计算每个子带的平均振幅，形成12×24的特征图。随后，设计了一种能够处理多源特征输入的多网络堆栈模型，包括5个并行子网络。这种融合策略有助于捕捉更丰富的特征信息，从而提高了识别性能。 这篇论文通过深度学习手段，尤其是1D-DenseNet和多网络堆栈模型，结合时域和频域特征，成功地提高了心肌梗塞识别的精度和鲁棒性，为心血管疾病的早期诊断提供了有力的技术支持。这项研究不仅具有理论意义，也具有潜在的实际应用价值，对提高医疗健康领域的诊断效率具有重大贡献。