基于可归因异常特征的心肌梗死智能检测研究.pdf

摘要 摘要 近年来，随着人们生活方式的转变，心肌梗死发病率也逐年提升。患者发 病后通常不自知，并没有及时前往医院就诊，在送至医院后决定进行手术时已 经耽误了大量时间，从而错过救治的最佳时间段，及早且准确的检测心肌梗死 具有重要的临床医学意义。心电图由于其便捷的优点而成为检测心肌梗死的首 选方法，但是心电图的诊断筛查只靠医生费时费力，因此计算机辅助诊断迅速 成为研究热点。现阶段部分心肌梗死智能检测未能充分应用其病理的归因特征； 此外，分类任务不同，适用的模型也不同。考虑到单一模型自身性能有限，处 理不平衡数据也较为局限。基于以上问题，本文依据医生临床诊断经验和心肌 梗死病理，提取的特征更具有医学意义，同时通过集成学习算法对心肌梗死进 行分类，在保证较好分类效果的同时也有较好的可解释性。本文的主要工作有： (1)依据心肌梗死病理提取具有医学意义的归因特征。采用小波变换的方 法去除基线漂移和高频噪声，保持了心电信号的细节特征。通过小波可变阈值 法结合可变窗口函数的方法检测心电波形位置。然后，提取Q波、R波和ST-T 段及关联的归因特征，组合为规则特征，而医生的临床诊断依据也归因于这些 特征。考虑到整个QT段的变化归因于心室活动，且可完全反映心肌梗死的发展 过程，因此提取整个QT段时序样本。由于提取整个波段时序样本有较多冗余信 息，因此对该波段降维，并分析不同降维技术的压缩效果。最后选择压缩后分 类性能最佳的特征作为心室活动特征。 虑到单一算法本身存在性能极限，因此本文提出了基于Bagging策略的XGBoost 集成学习算法来实现心肌梗死的信号分类。对于由于不平衡数据集而存在过拟 合现象，通过Bagging算法进行进一步集成来解决其过拟合问题。该算法通过基 学习器的分类结果生成一个新的数据集，在此数据集上再生成新的算法，提高 算法的泛化能力。 (3)本文依托于心脏事件智能预警服务平台项目，依据医生诊断经验提取 的规则特征，并在部署于服务平台的智能算法上进行测试。 关键词：心电信号心肌梗死识别特征工程归因特征XGBoost集成算法 目录 目录 摘要……………………………………………………………………………………………I AbslIr’act．．．．．．．．．．．．．…．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．II 目录…………………………………………………………………………………………．IV 图清单…………………………………………………………………一VII 表清单……………………………．……．：…………………………．…．ⅥII l绪论………。…………………………………………………………………………………1 1．1课题研究背景与意义………………………………………………………l 1．2国内外研究现状……………………………………………………………．2 1．2．1心电波形检测研究现状…………………………………………………………．2 1．2．1基于深度学习的心电信号自动识别研究．………………………………………．3 1．2．2基于特征工程的心电信号自动识别研究………………………………………一3 1．3论文主要研究工作…………………………………………………………．4 1．4本文的组织结构……………………………………………………………．5 2相关概念和理论基础…………………………………………………．7 2．1心肌梗死相关基础知识……………………………………………………7 2．1．1心电信号正常波形………………………………………………………………一7 2．1．2心肌梗死在心电图上的表现……………………………………………………．8 2．2本文所用的对比方法原理…………………………………………………9 2．2．1 K最近邻……………………………………………………………………………9 2．2．2支持向量机………………………………………………………………………一9