基于深度学习的心律失常分类研究与实现.pdf

摘 要 摘 要 心律失常是一种常见的心血管疾病，心血管疾病是全球死亡率最高的 疾病，每年死于心血管疾病的人呈递增趋势。心律失常不总是一种不规则 的心脏活动，可以发生在健康的心脏中，可能导致中风或心脏猝死等严重 问题。心律失常容易引发其他病症，如心力衰竭、心绞痛、全身血管栓塞 性疾病等。因此，心律失常的自动检测和分类在临床心脏病学中至关重要。 传统的机器学习方法依赖于心电信号特征的人工设计和选择，限制了 模型的分类精度。深度学习集传统的特征提取和分类于一体，能够自动的 抽取特征值以及学习特征表示，深度学习解决心电信号自动识别已经成为 研究热点。为了实现对不同类型心律失常信号的自动识别，本文提出基于 深度学习的心律失常分类方法。本文利用残差网络(ResNet)、密集连接网络 (DenseNet)对心电信号进行分类识别，嵌入压缩-激励(Squeeze-Excitation,SE) 模块，以提高模型的分类准确率，将标准卷积替换为深度可分离卷积，以 减少模型的参数量和计算量。 本文的研究内容主要包括以下几个部分： 1.针对原始心电信号中存在的工频干扰、基线漂移和肌电干扰等噪声，本 文利用50Hz 的FIR 陷波滤波器、中值滤波器和巴特沃斯低通滤波器相结合的方 法进行滤除，得到有利于神经网络分类的高质量心电信号。 2.将压缩-激励(SE)模块和深度可分离卷积应用于残差网络(ResNet)和密 集连接网络(DenseNet)，提出了SE-ResNet-16模型和SE-DenseNet 模型，略微 提高了模型的正确率，并降低了模型的计算量和参数量。 3.利用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律失常数据库 对SE-ResNet-16 模型和SE-DenseNet 模型进行验证，实验结果证明了本文所提 方法的有效性，为心律失常分类诊断提供了新的方法，并验证了SE 模块和深度 可分离卷积在ResNet和DenseNet 中的有效性。同时表明相比于ResNet,DenseNet 中的密集连接能够有效利用特征并减少参数量。 SE-ResNet-16模型和SE-DenseNet模型能够自动学习到输入心电信号的深层 特征，得到较高的分类准确率，并减少了网络的运行时间，对相关的临床应用具 I 摘 要 有一定的积极意义。 关键词：心律失常 卷积神经网络 深度可分离卷积 压缩-激励模块 II Abstract Abstract Arrhythmia is a common cardiovascular disease. Cardiovascular disease is the disease with the highest mortality rate in the world. The number of people who die from cardiovascular disease every year is increasing. Arrhythmia is not always an irregular heart activity.It can occur in a healthy heart and can cause seriousproblems such as stroke or sudden cardiac death. Arrhythmias are prone to other conditions, such asheart failure, angina pectoris, and systemic vascular embolism.Therefore,the automaticdetection and classification ofarrhythmiasiscritical in clinical cardiology. Traditional machine