没有合适的资源?快使用搜索试试~ 我知道了~
首页基于改进方法的心电信号去噪与深度学习分类研究
随着心血管疾病在全球健康问题中的日益突出,心电信号的研究和应用成为了关键领域。本文主要探讨了如何利用改进的卷积神经网络技术来提升心电信号的分类性能,从而支持疾病的早期识别和精准管理。 首先,作者提出了一个创新的心电信号去噪方法,结合了自适应完备集合经验模态分解(CEEMDAN)和改进的小波阈值处理。CEEMDAN是一种先进的信号分解技术,它能有效地分离信号中的高频和低频成分,去除噪声。在去噪过程中,高频IMF分量采用小波阈值处理,以减少噪声影响;而低频IMF则通过设定阈值来识别并剔除基线漂移。这一过程确保了心电信号的清晰度,为后续的分析奠定了基础。 接着,作者设计了一种改进的残差网络模型,通过将传统网络中的卷积层和池化层替换为Inception模块,增强了网络对不同尺度特征的提取能力,提高了模型的泛化性能。此外,通过嵌套残差网络结构,解决了梯度消失或爆炸的问题,进一步提升了心电信号分类的精度,实现在MIT-BIH数据集上的95.1%总体准确率。 另一种改进方法是基于VGG网络的心电信号分类模型。作者针对VGG网络的局限性,即在处理时间序列数据时可能忽视时序特征,进行了针对性优化。首先,他们重新设计了全连接层结构以适应四分类任务;其次,引入深度可分离卷积,减少了模型参数,提高了训练效率。同时,为了捕捉心电信号中隐藏的时序信息,结合了长短期记忆网络(LSTM),这使得改进后的网络在保持参数量减少的同时,达到了93.6%的分类准确率。 本文的研究工作不仅改进了心电信号的预处理技术,还通过深度学习的卷积神经网络模型实现了高效的心电信号分类。这些创新方法有助于提高心血管疾病的检测和管理,为医疗健康领域带来了实质性的进步。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88472414/bgd.jpg)
XVII
变量注释表
SNR
代表信噪比(db)
u(t)
代表输入信号的上包络线
v(t)
代表输入信号的下包络线
N
代表添加辅助噪声的次数
K
代表分解得到固定模态分量的个数
S
代表经过阈值处理后的小波系数
MSE
代表均方误差
f()
代表神经元的激活函数
h
t-1
代表长短期记忆网络前一时刻的输出
h
t
代表长短期记忆网络此时时刻的输出
![](https://csdnimg.cn/release/download_crawler_static/88472414/bge.jpg)
1 绪论
1
1 绪论
1 introduction
1.1 研究背景及意义(Research background and significance)
在当今社会,随着我国人民经济整体程度的高速提升,各种各样的生活方式
也出现在人们的日常生活中,点外卖、通宵、暴饮暴食等不良的生活习惯大大增
加人们患上心血管(CardiovascularDisease,CVD)疾病的概率。心血管疾病发生在
人体的心脏或者血管部位,它包含有心律失常、高血压、心肌梗死等疾病。由世
界卫生组织数据可知,每年大约有 1700 万人
[1]
死因主要来源于各类心血管疾病,
其致死率一直处于我国乃至全世界之首。在《中国心血管病报告 2017》中的统
计数据表明,中国部分地区的农村和城市疾病致死率分别达到 45.01%和 42.61%,
心血管疾病已经严重威胁我国人民的身心健康。心血管疾病频发于老年人,随着
我国老龄化时期人口总量的增加,每年携带心血管疾病的人数持续递增。其中,
心律失常是心血管疾病的重要外在表现形式,如果在常规检查中对心律失常进行
及时检测,能够有效诊断心血管疾病。
心血管疾病一般通过心电图进行诊断,因此研究心电图是一项具有科学性和
实际意义的研究。然而,异常心电图有很多不同的类型,同一个异常的心电图因
为不同患者可能会有所区别,这无形中增加了人们对异常的心电图识别技术的难
度。此刻,医院里拥有一位多年经验的医生显得尤为重要。但医生的培养周期过
长,可能会发生医生人数不足的问题。从另一个角度说,由于患者人数过多,医
生每天需要对很多的心电图进行处理,巨大的工作量,使医生容易发生疲惫,可
能导致对个别异常心电图误诊。
近年来,计算机辅助自动分类的快速发展,有效的缓解了医生的工作压力,
特别是伴随 5G 技术和人工智能技术发展的快车,依靠这些技术的智慧医疗也高
速发展起来。目前,研究人员尝试将人工智能技术应用于心律失常的检测分类,
那么如何利用人工智能技术提高诊断的准确性,设计出一套高效的计算机辅助分
类系统,成为研究的热点问题。其中,最具代表性的深度学习技术在心律失常检
测方向研究成果众多,不仅能提高识别效率,在准确率方面也有所提高。
![](https://csdnimg.cn/release/download_crawler_static/88472414/bgf.jpg)
河南理工大学工程硕士专业学位论文
2
1.2 心电信号去噪研究现状(Research background and
significance of ECG signal denoising research status)
心电信号属于低频的生物电信号,它主要是心肌细胞在人体内部产生并反映
心肌细胞除极与复极过程的一种信号。在临床医学上应用比较广泛,通过它可以
判断人们的健康状况,可应用于心血管类疾病各种检查。心电信号通常由 P、QRS、
T 波形构成,每个完整波形的各个特征子波形都有特殊的电生理意义
[2]
。ECG 信
号是微弱的电信号,在实际生活中,ECG 信号的采集往往易受到周围环境、生
物体自身、检测仪器等其他因素的干扰。常见的噪声有工频干扰、基线漂移、肌
电干扰
[3]
,这些因素会影响心电信号 P 波和 Q 波等低频部分的采集,如果直接对
含有噪声的心电信号进行分类检测,会极大的影响后续分类的准确性。
为了提升心电信号识别的准确率,降低 ECG 信号中的噪声。近年来,有许
多学者对心电信号的去噪方面做了大量研究,以达到增强信号特征信息,滤除干
扰信息,提高心电信号分类识别的目的。这些研究方法主要可分为三类,分别是
小波阈值法
[4]
、基于经验模态分解降噪法
[5]
、自适应滤波法
[6]
。李庆华
[7]
利用 Bri
ge-Massart 策略和改进的小波阈值函数结合的方法去除信号中噪声,可以有效抑
制噪声。王磊
[8]
提出一种新的小波阈值运算方式,能够合理的对信号进行滤波处
理。吕振肃
[9]
等人采用新的阈值对心电信号进行处理,结果表明,经过处理的心
电信号去噪效果显著。王英等人
[10]
在去噪模块使用经验模态分解(Empirical Mod
e Decomposition,EMD),将小波变换和经验模态分解结合起来滤除心电信号存
在的噪声。侯进勇
[11]
利用经验模态分解与独立分量分析各自的优点,避免了选取
最优小波基困难的问题,去噪效果较好。王青
[12]
将经验模态分解与形态滤波结合,
来消除心电信号存在的干扰信号,实验结果显示能够有效滤除噪声。EMD 算法
是处理非平稳、非线性数据一种常用算法,它可以将输入信号分解成有限 IMF 分
量集合,并且分解过程中出现的一系列 IMF 分量具有原始信号的局部特征
[13]
,
但模态混叠现象
[14]
常常出现在经验模态分解过程中,影响实验结果。SMITAL L
[15]
采用小波维纳滤波和无噪声信号估计相结合的方法进行了降噪研究。杨仁弟
[1
6]
在小波变换的基础上, 进行自适应滤波处理,能有效抑制噪声,张光磊
[17]
将 LM
S 算法和小波变换理论结合用于心电信号的噪声处理,但自适应滤波法需要在不
同的情形下采用不同的谐波检测手段。
![](https://csdnimg.cn/release/download_crawler_static/88472414/bg10.jpg)
1 绪论
3
当前,虽然国内外研究人员对心电信号的去噪问题研究成果颇丰,仍旧存在
一定的不足。各类干扰信号消除的不够彻底,信号仍然存在失真现象,为了推进
后续的心电信号自动分类的进行,针对心电信号的去噪问题还需进一步研究。
1.3 心电信号分类研究现状(Research status of ECG signal
classification)
在对心电信号去噪后接下来的工作便是对心电信号进行识别分类,研究心电
信号的自动分类不仅能够推动心电信号分类领域的进步,也能帮助医生诊断患者
提升医生诊断效率。
对心电信号识别分类方法主要有传统的机器学习和深度学习。基于传统的机
器学习依靠人工提取特征,再将提取到的特征送到分类器中完成信号分类。李四
海
[18]
等人利用 Marr 小波提取心电信号中的特征信息,然后使用径向基核支持向
量机进行分类,最 后分类结果达到 92%,取得了相对不错的效果。张丹
[19]
等人用
变分模态分解先提取到心电信号各个模态分量的特征信息,再将这一特征信息输
入到 KNN,完成对信号的分类。高宁化
[20]
等人利用小波包对心电信号进行多尺
度分解再重构,获取其特征信息,最后将得到的特征信息导入到动态模糊决策树,
实现了信号的分类。Nahiti
[21]
利用离散小波变换从心电信号提炼特征信息,在此
基础上,使用随机森林方法将心电信号分为五类。最近几年,由于人工智能的火
热发展,也推动了深度学习的运用,更多的科研工作者尝试将深度学习应用在心
电信号分类方面。Ali
[22]
使用 AlexNet 网络模型,将提取的特征送入简单反向传
播神经网络实现最终分类,平均精度达到 92%。Acharya
[23]
等人构建十一层卷积
神经网络模型,来对心律失常的四种疾病进行分类,作者构造两种不同卷积神经
网络进行对比实验,第一个模型采用 500 个输入样本,并使用 21709 个心电信号
片段进行训练,获得了 92.5%的准确率,第二个模型采用 1250 个输入样本,并
使用 8683 个心电信号片段进行训练,获得了 94.9%的准确率。Shraddha
[24]
等人
对训练数据没有进行去噪处理,仅仅将心电信号分为正常或者异常两种类型,并
使用递归神经网络进行分类,获得了 88.1%的准确率。2017 年,吴恩达等人
[25]
首次采用深度残差网络来实现对心电信号的分类,该文献将模型的分类结果和人
工标记后的结果进行了对比,结果表明深度残差网络具有更准确的识别率。
剩余79页未读,继续阅读
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/user-vip.1c89f3c5.png)
icwx_7550592
- 粉丝: 18
- 资源: 7163
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)