没有合适的资源?快使用搜索试试~ 我知道了~
首页深度学习驱动的心脏异常检测:基于小波去噪与SRM-CNN的心电信号分类与睡眠呼吸暂停识别
该篇毕业论文深入探讨了基于深度学习的异常心拍识别技术在心血管疾病特别是睡眠呼吸暂停检测中的应用。论文首先强调了心电信号在辅助心血管疾病诊断中的重要性,因为其便捷性和经济性使其成为医生判断患者健康状况的关键手段。然而,传统手动分析方法存在医生疲劳导致漏诊和误诊的风险。 论文的核心工作包括以下几个方面: 1. 噪声去除:论文采用了小波变换技术处理心电信号,相较于中值滤波,它能更有效地去除低频和高频噪音,确保信号质量,这是后续深度学习分析的基础。 2. 心电二分类与深度学习改进:针对心电信号的特性,论文提出了一种结合结构风险最小化(SRM)的卷积神经网络(CNN)进行二分类,解决了深度学习方法在处理这类具有特异性数据集时泛化能力较弱的问题,提高了模型的性能。 3. 多分类策略:为解决多类别分类中的梯度消失问题,论文设计了一种创新的方法,将卷积层结果融合,减少了信息丢失。同时,针对数据类别不平衡,采用了focal loss损失函数,这显著提升了模型的分类准确性。 4. 睡眠呼吸暂停检测:论文重点设计了一种基于心电信号的睡眠呼吸暂停检测系统。通过提取RR间期和R峰信号,利用多尺度残差网络提取特征,然后引入focal loss优化模型,从而提高对睡眠呼吸暂停事件的识别准确度。 这篇论文不仅提供了有效的心电信号处理方法,还展示了深度学习技术在医疗领域尤其是心血管疾病早期预警中的潜力,为临床诊断提供了有力的支持工具,具有较高的实用价值和理论研究意义。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88478237/bgb.jpg)
第一章 绪论
3
性能评估,即患者内范式和患者间范式
[12]
。
在患者内范式下,心跳分类器的训练数据和测试数据使用的是相同数据,或者
使用的是同一个患者的心跳信息。Chazal 等人在文献[13]中证明了,通过在训练阶
段学习每个患者的特征,在患者内范式下提出的分类器会产生有偏见的结果,导致
分类器在测试阶段显示出 100%的准确率。然而,在实际的场景中,模型必须处理
未知病人的心跳,这就使在这种范式下提出的模型不具有应用价值。
针对实际的应用场景,在建立模型时必须考虑患者间的差异。Chazal 等人提出
一种新的范式,即患者间范式。在该范式下,模型的训练和测试数据由不同的病人
记录而成。尽管患者间范式模型性能不如传统范式,但其训练和测试更接近实际场
景,所以在该范式下训练出来的模型具有更好的泛化能力
[13]
。
如表 1.1 所示,将文献[13]-[18]的结果进行了对比,同样的心跳分级方法在患
者内范式下评估的准确性明显高于在患者间范式下评估的准确性。
表 1. 1 两种范式性能对比
Tab 1. 1 Comparison of method performance under two different paradigms
方法
类别
范式
分类器
准确率
Chen 等
6
患者内
支持向量机
100%
Mert 等
6
患者内
决策树
99%
Alickovic 等
5
患者内
K 最邻近
99%
Chazal 等
4
患者间
线性判别式
83%
Mar 等
4
患者间
线性判别式、多层感知器
89%
Ye 等
4
患者间
支持向量机
86.4%
不同患者之间的心电信号具有明显的形态学差异,这是设计一个通用分类器
准确检测心电信号类别的难点之一。针对此问题,Chazal 等人还提出了一种名为
patient-specific 的混合范式。首先训练一个全局分类器,然后使用一个局部分类器
对全局分类器进行调优。根据文献[13]中的说明,该方法优于单纯的患者间分类器,
但该方法需要医生为每个患者的心跳标注部分数据,还需要工程师对模型进行微
调,从而限制了应用。综上所示,本文在病人间范式下评估提出的方法,以此设计
出泛化性更好的网络。
1.2.2
心电信号分类的研究现状
近年来,由于 MIT-BIH 等几个开放数据集的建立,使得心电信号的检测研究
越来越受到重视。在对心电信号自动分类的研究中,分类识别是最关键的步骤,对
![](https://csdnimg.cn/release/download_crawler_static/88478237/bgc.jpg)
合肥工业大学专业硕士研究生学位论文
4
信号进行预处理和特征提取都是为了提高分类器对信号分类的准确度。目前对心
电信号的分类技术主要有两大类,一是基于传统的机器学习方法进行分类,这种方
法需要人工进行特征提取;二是基于深度学习方法对心电信号进行自动分类。
基于传统机器学习的模型设计主要包括特征提取和分类两部分。Venkatesan 等
人提出一种基于机器学习技术的心电信号二分类方法,在该方法中采用延迟误差
归一化自适应滤波器,以较少的计算量实现了心电信号的高速、低延迟设计,然后
利用离散小波变换进行特征提取,最后将得到的信号输入到机器学习模型中进行
分类,通过多种机器学习模型的相互对比,得到了支持向量机(Support vector
machine,SVM)模型性能较优的结果
[19]
。王官军等人首先对部分异常的心电信号
数据进行删除处理,然后通过增加正样本数据的方式,解决正负样本不平衡问题,
利用人工提取出信号中的特征,最后采用支持向量机分类器分类
[20]
。Emanet 等人
采用了中值滤波的方式去除了心电信号中的噪声,为了得到更有效的特征,通过小
波变换得到了 256 个小波系数,然后将得到的所有特征输入到随机森林分类器中
对心电信号进行分类
[21]
。
随着深度学习的发展,基于卷积神经网络(Convolutional Neural Network,CNN)
的分类方法逐渐受到重视。基于传统机器学习的分类方法虽然实现了一定程度的
自动分类,但其需要人工提取信号中的特征,存在一定的局限性。而基于卷积神经
网络的方法不需要人工特征提取,能够直接对原始的信号进行自动化处理,在最大
程度上让研究人员摆脱了缺乏相关医学知识的困境。
Petmezas 等人提出了一种结合卷积神经网络和长短期记忆网络(Long Short-
Term Memory,LSTM)的模型对心电信号进行分类。在这个方法中,先采用巴特
沃斯滤波器去除信号中的低频噪声和高频噪音,然后将得到的信号输入到卷积神
经网络提取特征,最后将信号输入到长短期记忆网络中进行分类
[22]
。Jun 等人提出
了一种无需对心电信号进行去噪的方法,该方法先将一维心电信号转化为二维灰
度图像,利用二维卷积神经网络对进行心拍分类
[23]
。Wang 等人开发了一种基于卷
积神经网络和连续小波变换(Continue Wavelet Transform,CWT)心电信号分类方
法。首先采用连续小波变换对心电信号的时频分量进行分解,然后利用卷积神经网
络从分解后时频分量组成的二维尺度图中提取特征,为了充分利用所有信息进行
心电分类,该方法还提取了 RR 间隔特征并融合到卷积神经网络中
[24]
。
现有的深度学习方法在对病人间具有特异性的数据集进行分类时,容易产生
泛化性能不足的问题,基于此,本文提出了基于结构风险最小化(Structural Risk
Minimization,SRM)的二分类方法。
在对心电信号多分类的研究中,针对传统网络进行多次卷积时引起的梯度消
失问题,所提出的方法将每层卷积的结果和上一层卷积的结果进行融合来减轻梯
![](https://csdnimg.cn/release/download_crawler_static/88478237/bgd.jpg)
第一章 绪论
5
度消失的影响。针对使用的数据集类别严重不平衡,引入了 focal loss 损失函数作
为模型的优化目标。考虑到对心电信号分类过程中,将连续的心跳节拍分割导致的
RR 信息丢失问题,人工将 RR 信息提取出来,并融合到卷积神经网络中辅助模型
对心电信号分类。
1.2.3
睡眠呼吸暂停的研究现状
通过对睡眠呼吸暂停相关的众多生理信号进行深入分析后,研究人员发现,当
患者发生睡眠呼吸暂停事件时,心电信号中的 RR 信息会出现特定的变化。因此,
提出利用单通道心电信号结合机器学习等技术的方法对睡眠呼吸暂停进行快速检
测。目前基于单通道心电信号的睡眠呼吸暂停检测方法有两大类:1)基于传统机
器学习的模型;2)基于深度学习的模型。
基于传统机器学习的方法当中,Pinho 等人采用心率变异性(Heart Rate
Variability,HRV)特征和心电衍生呼吸(ECG-Derived Respiration,EDR)特征,
结合人工神经网络(Artificial neural networks,ANN)和支持向量机实现的睡眠呼
吸暂停检测
[25]
。Viswabhargav 等利用 EDR 和心率信号提取的稀疏残差熵(Sparse
residual entropy,SRE)特征,结合模糊 K 均值聚类(Fuzzy K-means clustering)和
SVM 实现的睡眠呼吸暂停检测模型
[26]
。Feng 等人利用频率叠加稀疏自编码
(Frequential stacked sparse auto-encoder,FSSAE)和时间相关成本敏感(Time-
dependent cost-sensitive,TDCS)去实现对睡眠呼吸暂停的检测,采用无监督学习
提取数据特征,为了应对数据不平衡问题在 TDCS 中结合了隐马尔可夫模型
(Hidden markov model,HMM)
[27]
。
尽管这些方法取得了一定的成果,但它们的性能很大程度上取决于人工设计
的特征,有一定的局限性。近年来,随着深度学习等表征学习方法的发展,基于深
度学习的模型日益受到重视。Li 等人提出了基于稀疏自编码器(Sparse auto-encoder)
和隐马尔可夫模型的睡眠呼吸暂停检测方法。该方法首先利用无监督稀疏自编码
器学习特征,然后利用支持向量机对心电信号片段进行分类。考虑到时间依赖性,
采用 HMM 进一步提高分类精度
[28]
。Urtnasan 等人提出了一种基于单导联心电图
的卷积神经网络对睡眠呼吸暂停进行检测,用带通滤波器去除信号中的噪音,然后
使用六个优化卷积层组成的卷积神经网络实现的睡眠呼吸暂停检测模型
[29]
。
现有的基于深度学习的模型通常采用单个卷积核进行特征提取,然而在复杂
的应用场景中,单一卷积拓扑结构很难有效地提出显著性特征。同时,Apnea-ECG
数据集存在数据不平衡,导致模型的敏感性较低。为了解决上述问题,本文提出一
种基于多尺度残差网络的睡眠呼吸暂停检测方法。
剩余60页未读,继续阅读
![](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)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
![](https://csdnimg.cn/release/wenkucmsfe/public/img/user-vip.1c89f3c5.png)
2201_75761617
- 粉丝: 22
- 资源: 7339
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)