超长ECG信号中早搏异常检测的三阶段算法研究

"这篇论文主要探讨了一种基于ECG(心电图)的三阶段早搏异常点检测算法，适用于处理超长且噪声较大的心电信号。论文提出了一个包括关键波识别、正异常检测和早搏异常点定位的流程，并分别使用MultiscaleUnet-CRF模型和基于通道注意力机制的多尺度残差神经网络(MSSeNetCNN)来执行这些任务。实验结果显示，关键波识别模型具有高精度，平均F1值达到98.53%，而MSSeNetCNN模型在正异常分类上的平均准确率超过97%。此外，研究还表明，在CPSC2020数据集上，将心电记录切分为单个心拍长度的片段能更好地检测早搏异常点。" 本文的研究背景是心血管疾病对人类健康的威胁日益增加，尤其是早搏这种常见的心律失常问题。心电图作为诊断心血管疾病的常用工具，随着智能穿戴设备和人工智能技术的发展，其自动诊断潜力被进一步挖掘。然而，现有的自动诊断算法主要针对高质量、较短时长的心电信号，对于未详细标注且噪声较大的长时间记录研究不足。 论文的核心贡献在于提出了一种三阶段的早搏异常检测算法。首先，通过MultiscaleUnet-CRF模型对ECG信号的关键波进行一维分割识别，以区分不同的心电特征。接着，利用MSSeNetCNN模型对分割后的信号片段进行正异常分类，该模型引入了通道注意力机制，增强了模型对不同尺度特征的捕获能力。对于已识别为异常的片段，论文提供了两种异常点定位方法：对于包含多个心拍的片段，通过MSSeNetCNN进行端到端定位；对于单个心拍的异常片段，则直接应用一阶差分法来确定室性早搏（PVC）和室上性早搏（SPB）。 实验结果验证了这两种模型的性能，关键波识别的高F1值和MSSeNetCNN在公开数据集上的高分类准确率都表明了算法的有效性。论文还指出，对于长时程心电记录的早搏检测，将记录切分为单个心拍长度的片段能提高检测准确性，这为未来实时监控和诊断提供了有益的参考。 关键词涉及到心电信号分析的关键环节，包括关键波识别、早搏异常检测以及深度学习模型如卷积神经网络的应用。这篇硕士论文的研究不仅提升了早搏检测的效率，也为处理复杂和长时程心电信号的自动诊断技术提供了新的思路。