基于心电信号的心肌梗死分类关键算法研究-毕业论文.docx

摘 要 心血管疾病是对人类健康最普遍的威胁之一，而心肌梗死的高发病率与高死亡率更是成为人类健康的头号敌人。心肌梗死发生后，大多数患者心电图(Electrocardiogram, ECG)会出现特征性改变，呈现独特的心电图演变规律。尽管近年来多项新的诊断技术问世，但是心电图检查以其无创、便捷、低成本等特点，在心肌梗死诊断中仍占有最重要的地位。本文针对心电信号去噪、波形检测，心肌梗死分类三大关键问题展开研究，旨在建立一套以心梗为研究重点的基于深度学习技术的心电信号自动去噪、波形检测、分类模型，本文主要研究内容和创新点归纳如下: (1) 去噪和波形检测阶段；以深度学习为研究基础，充分考虑心电信号的特点，提出了ECG-U-net模型。通过不同的标签设计和后处理方法，可以将此模型分别应用于心电信号的去噪与波形检测，创新型地利用一个模型解决心电信号处理中的两大关键问题，并且都取得了不错的效果。 针对心电信号去噪；本文使用的干净ECG数据来源于苏州九龙医院临床数据库，噪声信号来源于MIT-BIH噪声数据库，以信噪比和均方误差作为评价指标，将本文提出的方法和传统的小波变换法、同属卷积网络类的FCN模型进行对比，证明了本文提出的一维ECG-U-net模型可以去除基线漂移、电极位移、肌电干扰三种噪声同时还可以较好地保留波形的细节特征。 针对心电波形检测；通过特殊的标签设计和网络输出的后处理,利用ECG-U-net可以在单导联条件下实现对ECG中三种主要波段（P波、QRS波、ST-T段）的起止点定位。实验中使用到的三种波形标签由志愿者进行标注，并经医生确认。经苏州九龙医院临床数据的验证，本文提出的方法在不同导联、不同疾病影响的情况下均可以取得不俗的效果。 (2) 心肌梗死分类阶段；本文根据心肌梗死疾病特点，研究了在12导联ECG情况下对心肌梗死分类，提出了多导联多尺度卷积神经网络模型(MM-ECG-CNN)。模型在正异常的分类上可以达到90%的水平，并且可以对心肌梗死产生部位做初步定位，本文使用苏州九龙医院临床数据库进行测试，实验结果表明无论是在正异常的分类还是在心肌梗死位置的检测上，均能取得比较理想的效果。根据研究结果，我们认为所提出的方法在临床实践中具有良好的应用前景。 关键词:心电信号；深度学习；卷积神经网络；心肌梗死； 目录 TOC \o 1-3 \h \z \u 摘 要 1 第一章 绪论 5 1.1 课题背景与研究意义 5 1.1.1 课题背景 5 1.1.2 研究意义 6 1.2 国内外研究现状 7 1.2.1 心电信号去噪技术研究现状 8 1.2.2 心电信号波形检测技术研究现状 9 1.2.3 心肌梗死分类算法研究现状 10 1.3 本文的研究内容 12 1.4 本文章节安排 13 第二章 心电信号处理基础 14 2.1 心电信号概述 14 2.1.1 心电信号形成机理 14 2.1.2 心电导联体系 14 2.1.3 心肌梗死 15 2.2 本文使用的心电数据来源 17 2.2.1 MIT噪声压力测试数据库 17 2.2.2 苏州九龙医院数据库 18 2.3 深度学习与卷积网络 19 2.3.3 深度学习 19 2.3.3 卷积网络 20 2.4 本章小结 22 第三章 心电信号去噪与波形定位 23 3.1 改进的一维U-net网络 23 3.1.1 U-net 23 3.1.2 ECG-U-net 24 3.2 心电信号去噪 25 3.2.1 心电信号噪声的来源与特点 26 3.2.2 实验设计 27 3.2.3 评价指标与结果分析 29 3.3 心电信号特征波形提取 33 3.3.1 心电信号特征波形 33 3.3.2 标签设计与后处理方法 35 3.3.3 评价指标与结果分析 40 3.4 本章小结 43 第四章 心肌梗死自动分类 45 4.1多尺度网络简介 45 4.2 基于十二导联ECG的多尺度心肌梗死分类模型 46 4.2.1 SENet 46 4.2.1 MM-ECG-CNN 47 4.3分类实验与分析 48 4.3.1 评价指标 48 4.3.2 正常与异常的分类 49 4.3.3心肌梗死位置分类 51 4.4 本章小结 53 第五章 总结和展望 54 5.1总结 54 5.2展望 54 参考文献 56 硕士期间发表论文和参加科研情况 57 致谢 58 第一章 绪论 1.1 课题背景与研究意义 1.