心肌梗死心电信号特征提取和分类算法研究.pdfVIP

中文摘要 摘 要 心肌梗死是威胁人体生命健康的心血管疾病之一，具有病情急、易致死等特 点，其患病率随着生活节奏加快逐年增高，因此实现心肌梗死的及时诊断具有重 要的研究价值。心电图通过检测人体电位变化情况，是目前检测心肌梗死的常规 手段之一。但是临床心电检测系统产生的数据量大，依赖医生主观经验进行分析 存在耗时长、效率低等问题，实现心肌梗死心电的自动检测和分析可以一定程度 上解决上述问题。而且随着便携式心电检测仪等系统设备的流行和普及，将自动 分析算法应用于便携式设备，以个人、家庭为单位开展异常心肌梗死心电的监测， 具有较高的临床意义和社会价值。 本课题针对心肌梗死心电的自动检测和分析问题，从传统特征检测及提取和 深度学习两种方法入手，主要研究了以下内容： 首先通过分析心电信号的干扰特点，以小波变换方法完成了三种噪声的消除。 在滤除噪声后，选取双正交二次 B 样条小波对信号进行小波变换处理，通过检测 模极值对过零点实现QRS 波群的定位；其次，在QRS 波群定位结果基础上完成P 波和 T 波等特征点的检测及计算，以上述工作和心肌梗死心电理论知识为基础， 本文提取了16 种时域和非线性特征作为诊断心肌梗死的特征参数。 利用传统特征提取方法完成心梗心电自动分类，以16 种心电信号指标作为特 征参数向量，使用主成分分析法对特征参数进行降维和选择，通过支持向量机、 BP 神经网络、Adaboost 集成学习等三种算法完成分类，对各算法核函数、惩罚参 数，神经元个数及基础分类器等参数进行探讨。以PTB 心肌梗死心电数据库作为 研究对象，对三种算法进行验证和评估，结果表明Adaboost 算法分类效果最优。 针对传统特征提取方法步骤繁琐和依赖先验知识等不足，构建卷积神经网络 和长短期记忆网络相结合的深度学习模型。该模型包括5 个通道共16 层网络，以 固定长度心拍作为输入，通过卷积网络和长短期记忆网络学习提取信号的空间和 时间等深层特性对心肌梗死进行自动分析和诊断。最后对模型的通道数、核尺寸、 优化器等参数进行了研究，实验结果表明深度学习网络可以简化分析流程，避免 复杂人工特征提取等步骤，分类效果良好。 关键词：心梗；心电；特征提取；分类；深度学习 I 英文摘要 Abstract Myocardial infarction is one of the cardiovascular diseases that threaten people’s life and health. It is characterized by rapid onset and high mortality rate. Moreover, the morbidity of myocardial infarction increases year by year as living tempo speeds up, so timely diagnosis of myocardial infarction has significant and essential research value. Electrocardiogram (ECG) is a regular tool to manifest and detect myocardial infarction by reflecting the signal of human bioelectrical potential changes. However, the ECG system for clinical use always produces vast amounts of data. To diagnose and analyze different changes and types of ECG signal by professional doctors is time-consuming and inefficient. The implementation of automatic detection