基于深度学习的超长ECG早搏异常点三阶段检测算法

该篇浙江大学硕士学位论文聚焦于"基于ECG的三阶段早搏异常点检测算法研究"。随着心血管疾病对人类健康的威胁日益加剧，早搏作为最常见的心律失常类型，心电图（ECG）因其可靠性、便捷性和无创性在诊断中占据核心地位。然而，当前的ECG信号自动诊断技术主要针对较短、质量良好的信号，对于长时间且噪声较大的记录处理能力有限。 论文创新地提出了一种三阶段的早搏异常点检测方法，旨在解决超长心电记录的分析问题。首先，论文将关键波的识别视为一维分割任务，采用端到端的MultiscaleUnet-CRF模型，该模型能有效捕捉并识别ECG信号中的关键波形特征，实现了98.53%的平均F1值，展示了高精度的识别能力。 接下来，针对切分后的信号片段，作者设计了基于通道注意力机制的多尺度残差神经网络（MSSeNetCNN）模型，用于正异常检测。通过这种模型，能够精确区分正常和异常信号片段，公开数据集上的正异常分类平均准确率超过97%，进一步证明了模型的有效性。 针对识别出的异常片段，论文提供了两种策略：一种是针对包含多个心拍的片段，使用MSSeNetCNN进行端到端的异常点定位；另一种是处理单个心拍的异常片段，通过一阶差分法分别定位室性早搏（PVC）和室上性早搏（SPB），这显示了对不同类型异常点的针对性处理。 实验部分，论文在CPSC2020数据集上进行了细致的评估，结果表明，当将心电记录分割为单个心拍长度的片段时，早搏异常点检测的性能更加优化。因此，本文的工作不仅提升了ECG信号处理的复杂性，而且提高了早搏异常检测的准确性和效率，对于医疗领域的心电监测和辅助诊断具有实际应用价值。关键词包括心电信号、关键波识别、早搏、异常检测、卷积神经网络等，这些都是论文的核心研究内容和技术支撑。