没有合适的资源?快使用搜索试试~ 我知道了~
首页心血管疾病自动分类算法与平台研究
“心血管疾病鲁棒分类算法研究与平台研制”主要关注如何利用先进的算法和平台技术,提升心血管疾病的自动诊断效率和准确性。论文探讨了多种心电信号处理方法,包括传统机器学习、深度学习以及多域特征融合策略,旨在解决心血管疾病早期诊断中的挑战。 在传统的机器学习和深度学习方法中,论文提出了两种创新算法:1) 格拉姆主成分网络(PCANet)结合格拉姆角场(GADF)的心肌梗塞识别算法。PCANet能够提取心电信号的主要特征,通过GADF转换保留信号的时间依赖性,再利用线性支持向量机进行分类,即使在无去噪的情况下也能实现高准确率的分类。2) 离散余弦残差网络(DCT ResNet)则是通过离散余弦变换获取时频域信息,利用残差网络的强特征提取能力,增强算法的泛化能力和噪声抵抗力,适用于不同病人的心肌梗塞识别。 此外,为了应对多疾病识别的挑战,论文还介绍了离散小波密集网络(DWT DenseNet)的方法。这种方法考虑了心电数据在不同域的映射,通过密集连接的网络结构捕捉多尺度、多域的信息,从而增强算法的鲁棒性,更好地识别多种心血管疾病。 整体来看,这篇毕业论文深入研究了心电信号处理的前沿技术,旨在提高心血管疾病的自动化诊断水平,减轻医生的工作压力,提升医疗服务质量。通过设计和实现这样的分类算法和平台,有望为临床实践带来更高效、更准确的诊断工具,从而改善心血管疾病患者的诊疗体验和预后。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88478260/bg10.jpg)
吉林大学博士学位论文
6
续表
作者(年份) 数据库
特征提取方法
(
分类器)
病人内
病人间
Sharma et al.
(2018)
[31]
PTB diagnostic ECG
database
Wavelet
Decomposition
Fuzzy entropy
(KNN)
ACC=99.62%
SEN=99.76%
SPE= 99.12%
Acharya et al.
(2017)
[32]
PTB diagnostic ECG
database
11-layer CNN
(Softmax)
ACC=95.22%
SEN=95.49%
SPE= 94.19%
Reasatet al.
(2017)
[20]
PTB diagnostic ECG
database
CNN with inception
block
(Softmax)
ACC=84.54%
SEN=85.33%
SPE= 84.09%
Sharma et al.
(2017)
[33]
PTB diagnostic ECG
database
SWT Sample
entropy
(SVM/KNN)
ACC=98.84%
SEN=99.35%
SPE= 98.29%
ACC=81.71%
SEN=79.01%
SPE=
79.26%
Padhy et al.
(2017)
[34]
PTB diagnostic ECG
database
SVD
(SVM)
ACC=95.30%
SEN=94.60%
SPE= 96.00%
Acharya et al.
(2016)
[14]
PTB diagnostic ECG
database
DWT
(KNN)
ACC = 98.8%
SEN=99.45%
SPE= 96.27%
正常与充血性心力衰竭识别
Acharya et al.
(2019)
[21]
MITBIH Normal
Sinus Rhythm,
BIDMC CHF
database
1D-CNN
(Softmax)
ACC=98.97%
SEN=98.87%
SPE= 99.01%
Sudarshan et
al. (2017)
[18]
MIT-BIH Normal
Sinus Rhythm
Database,
BIDMC CHF
database
Dual tree complex
wavelet transform
(KNN)
ACC=99.86%
SEN=99.78%
SPE= 99.94%
Subasi et al.
(2013)
[35]
BIDMC CHF
database,
MIT-BIH Arrhythmia
database
Autoregressive (AR)
Burg
(C4.5 DT)
SEN=99.77%
SPE= 99.93%
正常、冠心病与心肌梗塞识别
Acharya et al.
(2017)
[36]
St.Petersburgdatabases,
PTB diagnostic ECG
database,
DWT、EMD
DCT
(KNN
)
ACC = 98.5%
SEN = 98.5%
SPE = 99.7%
正常、冠心病、心肌梗塞与充血性心力衰竭识别
Fujita et al.
(2017)
[37]
St.Petersburg databases,
PTB diagnostic ECG
database,
BIDMC CHF database
WPD
ReliefF
(KNN)
ACC=97.98%
SEN=99.61%
SPE= 94.84%
Acharya et al.
(2017)
[15]
St.Petersburg databases,
PTB diagnostic ECG
database,
BIDMC CHF database
CWT
(DT KNN)
ACC=99.55%
SEN=99.93%
SPE= 99.24%
ACC:准确率,SEN:灵敏度,SPE:特异性,HOS:高阶统计光谱,PCA:主成分分析,
SVD:奇异值分解,LS-SVM:最小二乘-支持向量机, DWT:离散小波变换, FAWT:
柔性解析小波变换, SWT:固定小波变换,DCT:离散余弦变换,CWT:连续小波
![](https://csdnimg.cn/release/download_crawler_static/88478260/bg11.jpg)
第 1 章 绪论
7
变换,EMD: 经验模态分解,DT:决策树,KNN:K 最近邻,CNN:卷积神经网络
从上表可以发现,现阶段关于病人间方案的研究相对较少,特别是对于多种
疾病的泛化性能评估寥寥可数。此外,相比之下现阶段病人间分类性能明显弱于
病人内方案,仍有明显的提升空间。
(2)鲁棒性心血管疾病分类研究现状
系统鲁棒性首先表现为对噪声的不敏感。通常情况下,心电信号在采集过程
中难免会混入各种噪声,为消除噪声干扰,国内外研究者进行了大量的探索。文
献[38]通过建立多级、多尺度形态学滤波器模型,滤除心电信号内部的各种噪声。
文献[39]提出了一种基于小波分解的心电信号去噪算法,该算法通过对信号小波
分解后不同层次系数的动态阈值处理,实现噪声频率的移除。
尽管随着技术进步,越来越多的心电去噪算法被提出,但去噪过程的引入也
带来了新的问题。由于心电信号的信息成分与噪声成分在时、频域上互相掺杂,
叠加,因此两种成分之间分界线十分模糊。以基线漂移噪声为例,其频率范围为
0~0.5Hz
[40]
,而心电信号有用信息主要分布在 0.3~30Hz
[41]
,重合的频域分布,使
去噪算法的制定十分困难。一旦算法设置不当,有用信息可能会被一起去除,从
而影响识别精度。
为了解决去噪处理引起的问题,国内外研究者相继提出抗噪鲁棒性心电识别
方法。如文献[42]采用主成分分析网络对含噪心电信号进行特征提取,并通过线
性支持向量机完成个体身份识别。实验结果表明算法在含噪信号条件下的心拍识
别准确率会比在去噪条件下高 4.37%,从而在验证算法抗噪性良好的同时,表明
去噪过程确实可能会导致有用信息损失,影响识别精度。文献[32]搭建了一个深
层卷积神经网络实现对心肌梗死的自动检测,实验结果证明算法可以直接在含噪
心电信号上实现良好的特征提取,且在含噪条件下的能够取得比去噪条件下更高
的识别准确率。
综上,抗噪鲁棒性研究已成为近年来心血管疾病分类领域的又一研究热点,
研究者普遍采用无去噪预处理手段,通过提出抵御噪声能力更强的特征提取方法,
避免了因去噪不当而引起的信号失真,从而提高分类精度。然而,实际情况下,
采集到的 ECG 信号通常会混入不同级别的噪声,从而导致 ECG 波形的形态特征
变得模糊。因此,在开发分类系统时,多级噪声鲁棒性的评估也是重要一环。
另外,模型鲁棒性也表现在对倾斜数据的抵御能力上。国内外也有相应的研
究和探索。Sellami 等人
[43]
提出一种新颖的深度卷积神经网络,该模型使用批次
加权损失函数来动态的量化模型的损失,损失权重随着每个批次中的类别的分布
不同而动态变化,从而克服不同类别之间的数据倾斜性问题,该模型在心律失常
![](https://csdnimg.cn/release/download_crawler_static/88478260/bg12.jpg)
吉林大学博士学位论文
8
五分类中取得了 99.48%的分类准确率。Wei Lu 等人
[17]
融合了 2D 卷积的抽象特
征和波形的形态学特征,并使用随机抽样(Random Over Sampler)算法来处理倾
斜数据,该算法在心律失常五分类中表现良好。
对于倾斜数据,当前研究关注的是数据本身的不平衡性,没有阐述数据分布
是否与实际状况相符,实际情况是正常类别的数量要远大于疾病数量;再者,实
际情况中数据的倾斜程度是可变的且不可预测的,并不形如网络数据库中的固定
不变的数据分布。因此,为了满足实际需求,探索多级不平衡数据集鲁棒性评估
也是需要的。
(3)心血管疾病分类算法应用研究现状
评估算法的好坏需要在实际应用场景中进行验证,需要平台将算法包装成接
口对外提供服务。目前国内外也有相关的应用实现。如贺其
[44]
提出的面向云平台
的心电交互系统关键技术研究,该系统包括数据采集端,心电监测端,云健康记
录管理服务平台与移动终端(手机、PAD)等。采集设备采集心电数据进行处理
后发送至后台进行记录和存储,移动端可以查看心电记录以及医生的相关诊疗意
见。宋银涛
[45]
提出的基于大数据与深度学习的生理信号分析研究,作者搭建了大
数据生理分析平台,以解决大量数据存储于计算能力不足的问题。该平台采用分
布式文件存储系统存储心电、睡眠分期等生理数据,使用 MapReduce 框架解决
大数据集上的计算分析问题。上述研究实现了心电方面的平台应用,但普遍存在
以下问题:
1、大部分系统通常是基于客户端/服务器(C/S)架构的交互应用,缺少经典
算法的集成与分析;基于大数据平台的系统虽然在算法层面有所实现,但缺少对
深度学习算法以及自定义算法的分布式计算支持,不能充分利用大数据平台的并
行计算能力。
2、算法运行的过程没有在应用系统中清晰的展示出来,无法让用户了解算
法实时的运行进程。
综上,开发一套将算法与大数据平台紧密联系,支持分布式机器学习和深度
学习算法,并能清晰展示算法运行过程的系统显然更加具有实际意义。
1.3 研究内容
本文就主要研究现状提出的挑战,以“心血管疾病鲁棒分类算法研究”为主
线,层层展开鲁棒性算法研究,文章研究内容的组织结构安排如图 1.3 所示。其
中,第三章主要探究在无去噪条件下模型性能的提升,实现抗噪声鲁棒性算法。
![](https://csdnimg.cn/release/download_crawler_static/88478260/bg13.jpg)
第 1 章 绪论
9
第四章在更加严格的病人间方案下探究如何提高模型的泛化性能,并进一步对噪
声进行了系统多级评估;第五章则在前两章的基础上,全面评估多特征融合模型
的多疾病分类泛化性能、以及模型的抗噪、抗数据倾斜鲁棒性;第六章则构建以
实现心血管疾病分类算法为基础的大数据平台,为用户提供算法设计与实现的快
速解决方案,降低了用户的学习成本。
心血管疾病鲁棒分类算法研究与平台研制
算法 平台
抗噪性
泛化性
(病人间)
抗数据倾斜性
第3章
格拉姆主成分网络
的心肌梗塞识别算
法
第4章
离散余弦残差网络
的心肌梗塞识别算
法研究
第5章
离散小波
变换密集网络的心
血管疾病分类算法
研究
第6章
心血管疾病分类
算法在大数据平
台下的应用
搭载
图 1.3 本文研究内容的组织结构图
针对现有心血管疾病分类算法中存在的不足,结合心血管疾病信号特点,以
设计泛化能力强、较强的抗噪与抗数据倾斜性的算法为目标,拟开展如下研究工
作:
(1)格拉姆主成分网络的心肌梗塞识别算法
为解决常规算法在去噪过程中而导致的信息丢失问题,本文将去噪思想融入
特征提取过程中,保证高识别准确率的同时避免因去噪不当而导致的信息丢失问
题,采用针对心电信号的主成分分析网络(PCANet)提取重要特征,该网络是通
过卷积神经网络的卷积级联结构逐层实现 PCA 特征提取,以此强化 PCA 的特征
挖掘能力,具有调参方便、训练时间短的优点。同时,为充分发挥 PCANet 在图
像处理上的优势,拟采用格拉姆角场(Gramian Angular Field)技术将一维心电时
间序列转换成单通道图片。其核心思想是使用极坐标系统对一维心拍序列进行重
![](https://csdnimg.cn/release/download_crawler_static/88478260/bg14.jpg)
吉林大学博士学位论文
10
新编码。该方法既保留了信号的幅值信息,又可还原信号的时间序列。转换后的
图片通过 PCANet 挖掘出特异性信息,最后通过线性支持向量机完成识别分类;
实现具有高准确性、一定的泛化性能以及抗噪声鲁棒性的心血管疾病分类算法。
(2)离散余弦残差网络的心肌梗塞识别算法
现实生活中,由于个体间年龄、心率、心跳模式等差异影响,相比于病人内
实验,现有算法在病人间实验效果不佳,泛化性能亟待提高。为突破此类问题,
采用离散余弦方法获取心拍的频域信息,利用残差网络强大的特征提取能力,进
一步对时频特征进行优化,提取其关键的类别差异性特征,最终实现病人间高分
类准确率,以及良好的抗噪声鲁棒性。
(3)离散小波密集网络的心血管疾病识别算法
为了进一步提高模型在多疾病下的泛化性能,全面评估模型的抗噪与数据倾
斜能力,实现多分类鲁棒性心血管疾病识别算法,提出多层离散小波密集网络算
法,该算法深度融合了抽象域与时频域特征,在提取过程过借鉴了密集网络的思
想,多层次提取时频域信息。融合后的特征丰富了疾病判别依据,提高了鲁棒性
心血管疾病识别的泛化能力。此外,对于倾斜数据采用 Borderline-SMOTE 采样
算法和 Focal 损失函数相结合的方式,动态调整模型损失,进一步提高心血管疾
病分类的准确性、抗噪声与抗数据倾斜鲁棒性。
(4)心血管疾病识别算法在大数据平台方面的应用
为实现算法原型的平台应用,采用基于 Spark 与 Hadoop 大数据生态框架构
建分布式深度学习平台,利用 Spark 的机器学习算法库结合 Tensorflowonspark 框
架实现常见算法的分布式计算。通过将心血管疾病识别算法部署在分布式集群,
提高其运行效率,同时原始数据、运行结果则存储于 Hadoop 集群的分布式存储
文件系统中,以保证数据的完整性。通过完善个性化设置,可开发出一套具有高
实时性和高分类准确度的心血管疾病识别系统,为用户提供可定制的服务。
剩余147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_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://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)
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)