![](https://csdnimg.cn/release/download_crawler_static/88479539/bg9.jpg)
河北大学硕士学位论文
4
现心肌梗死的早期检测。Costa 等
[23]
对心电信号中 Vx,Vy 和 Vz 导联进行相空间重构,
将重构的相空间图像通过人工神经网络进行分类检测,达到了 94%的准确率。Sun 等
[24]
通过对原始心电信号进行多项式拟合,从而得到多项式拟合的系数,依据系数对心肌梗
死进行早期检测,精度也达到 91%的准确率。
随着深度学习的发展,越来越多的学者将深度学习网络应用在心血管疾病的早期检
测中
[25-29]
。Acharya 等
[25]
将原始 12 导联心电信号进行截心拍处理,将截取的心拍导入卷
积神经网络中,在网络中通过卷积层和池化层相互连接获取更深层次的特征,最后由
SoftMax 分类器实现心脏不同部位心肌梗死的检测与定位。Hammad 等
[27]
通过对单个导
联分别构造一维卷积核完成了心电信号的分类,结果表明在 V2 导联中正确率最高,达
到 91%,敏感率在 I 导联中最高,达到 92%,特异性在 III 导联中取得最好值,达到 95%。
Zhao 等
[29]
通过构造残差神经网络对心电信号构建模型,避免了参数训练过程中层数过
多导致的梯度爆炸、过拟合等问题,对 ST 抬高型心肌梗死进行判断,正确率达到 94%。
上述方法虽然避免了人工直接设计特征,但是训练复杂的网络需要建立大量的数据
集以确定网络中的参数。在现有的数据库中,心脏不同部位心肌梗死数据量存在较大的
差异性,因此在心肌梗死的定位中无法满足最优参数的获取。本文提取心电信号时域中
的幅值、面积、斜率等特征,融合经过离散小波分解后提取的样本熵特征实现了对心电
信号的分类,从而帮助医生实现智能诊断。
1.2.3 心肌梗死定位算法的研究现状
Padhy 等
[30]
在均衡样本中,首先采用小波变换获得高阶张量,接下来利用高阶奇异
值张量分解对其进行分解,最后将其归一化处理并作为心电特征放入支持向量机
(Support Vector Machine, SVM)实现了五类心肌梗死的定位,定位精度达到了 98.1%。
Sharma
[31]
对心电信号进行平稳小波分解,提取频域信号中能量熵等特征,最后采用 K
近邻分类器进行分类,实现了心电信号的 11 分类,达到了 99.76%定位精度。该类利用
特征空间提取特征的方法取得了很好的成果
[32-45]
,同时许多学者采用深度学习的方法对
心肌梗死进行定位
[46-54]
。Liu 等
[46]
通过构建 12 条的多分支卷积神经网络来融合心电图的
特征,其中心电图每条导联对应网络中的一个分支,每条分支的卷积层提取对应导联的
特征信息,其采样层对特征再次进行映射,通过全连接层叠加全部特征,最终实现五类
心肌梗死的定位。Baloglu 等
[47]
采用深度卷积神经网络,采用端到端的方式自动实现心