基于集成深度学习的心律不齐分类算法研究_毕业论文.pdfVIP

摘 要 摘 要 目前，心血管疾病已经成为人类身体健康的头号杀手，心律不齐是心血管疾病的 一种典型代表，对心律不齐准确分类和检测具有十分重要的意义。心电图因其成本低 廉和良好的无创性，已逐渐成为医生诊断心律不齐疾病所用最多的依据。随着人们的 健康意识的提高和家用心电测试仪的逐渐普及，心电图的数量急剧增加，有限的医疗 资源无法完成海量的心电数据诊断，因此心律不齐自动分类技术已变得至关重要。 传统机器学习方法依赖手工特征设计，很难将心电信号特征充分挖掘；心电信号 存在较大的个体差异性，模型的泛化能力不强。以上因素都限制了心律不齐分类技术 的现实应用。针对以上问题，本文将集成学习和半监督学习的方法运用到心律不齐分 类技术上，面向病人间通用和特定病人专用两种不同分类模式，本文分别做了进一步 深入研究，论文主要工作如下： （1）面向病人间心律不齐分类，提出了一种基于集成深度学习的心律不齐分类算 法。该方法使用双向长短期记忆网络和改进的迁移卷积神经网络分别提取心电信号的 时域、频域、几何和状态变迁特征。该方法充分挖掘心电信号特征，通过集成所提取 的多种特征对心电信号进行联合分类，有利于提升模型的准确率。考虑到不同模型对 最终的分类结果影响不同，使用了一种加权集成的策略，根据模型在训练时的表现为 其赋予不同的集成权重，充分且合理地利用了心电信号各种特征。经 MIT-BIH 心律不 齐数据库验证，本文所提算法的总体准确率达到了96.2% 。 （2）面向特定病人心律不齐分类，提出一种融合集成学习和半监督学习的心律不 齐分类算法。在通用数据上加入小部分特定病人的专用数据，通过半监督训练的方法 得到最后的特定模型，该方法能够学习到特定病人的心电特征，提升模型泛化性能。 为了减少半监督训练过程中的伪标签噪声，使用一种融合网络不确定性和预测概率的 方法筛选伪标签，增强了伪标签数据的可靠性。最后将各个模型集成，进一步增强了 模型的稳定性。通过 MIT-BIH 心律不齐数据库数据验证，本文算法达到了 98.1%的总 体准确率。 关键词 心律不齐 集成学习 半监督学习 深度学习 I 河北大学硕士学位论文 Abstract At present, cardiovascular disease has become the leading cause of death. As a typical cardiovascular disease, the accurate classification and detection of arrhythmia is of great significance. Electrocardiogram has become the most common basis for doctors to diagnose arrhythmia due to the non-invasive and low-cost. The number of electrocardiogram has increased sharply with the improvement of health awareness and the universal of home electrocardiograph. However, the limited medical resources cannot complete the massive diagnosis of ECG. Therefore, the automatic classification for arrhythmia has become a crucial technology. The ECG features cannot be mined completely since the traditio