基于深度学习和心电信号的智能健康监测算法研究.pdfVIP

摘要

摘要

人口老龄化是一个全球性的现象。老年人随着年龄的增长，身体机能逐渐衰

退，生命健康极易受到以心律失常为代表的心血管疾病的危害。因此，在老年人的

日常生活中实施健康监测是十分有必要的。心电信号是一种重要的生理信号，在

心律失常的诊断中发挥了关键的作用。然而，心电信号的分析是一个非常复杂的

过程，需要依赖丰富的医学专业知识和技能，并且人工的分析效率并不高，无法满

足日常健康监测的需求。为了满足这一需求，本文提出了基于残差卷积与LSTM

注意力机制的心律失常分类算法，以及改进的基于多尺度融合残差卷积与LSTM

注意力机制算法，根据心电信号实现心律失常的自动化检测与判别，从而在日常

健康监测中发挥初步筛选的作用。本文的主要工作内容如下：

针对数据集中存在的样本类别分布不均衡的问题，提出基于对抗生成网络的

数据增强方法，将少数类别的数量进行了扩充，并采用数据可视化和定量两种方

式来评估生成数据的质量。在心律失常分类模型中进行了对比实验，验证数据增

强策略的有效性。实验结果表明，在应用了数据增强后，模型的分类性能得到了

一定的提升。

提出基于残差卷积与LSTM注意力机制结合的心律失常分类算法。使用多个

卷积层堆叠加上残差连接的方式提取心电数据的局部空间特征，带有点积注意力

机制的LSTM提取心电数据的时序特征，最后将两种特征融合，对MIT-BIH数据

集中的心电数据做出分类。实验结果表明，该网络具有良好的特征提取能力与分

类性能，但是存在少数类别的识别精度不高的问题。

针对残差卷积与LSTM-注意力机制网络存在的问题，提出改进的多尺度融合

残差卷积与LSTM注意力机制的心律失常分类算法。借鉴Inception结构，采用多

条卷积支路并行的方式，让网络拥有不同尺度的感受野；添加通道注意力机制模

块，让网络能自主学习不同卷积支路的重要性；针对数据集样本类别不均衡的问

题，采用FocalLoss作为网络训练的损失函数，提升数量少难分类的类别的权重。

对网络进行的对比实验和消融实验结果表明，改进后的网络在少数类的识别精度

上有较大提升，并且具有更好的泛化性和更强的鲁棒性。

本文提出的心律失常分类算法可以完成心律失常的快速筛选，在日常健康监

测中有着重要的意义和使用前景。

关键词：心电信号，心律失常，残差卷积，LSTM，注意力机制

I

ABSTRACT

ABSTRACT

Populationagingisaglobalphenomenon.Aselderlypeopleage,theirphysical

functionsgraduallydecline,makingthemhighlysusceptibletocardiovasculardiseases,

notablyarrhythmias.Therefore,implementinghealthmonitoringinthedailylivesofthe

elderlyiscrucial.Theelectrocardiogram(ECG)signalisanimportantphysiological

signalthatplaysakeyroleinthediagnosisofarrhythmias.However,theanalysisof

ECGsignalsisacomplexprocessthatreliesonextensivemedicalknowledgeandskills,

andmanualanalysisisnotefficientenoughtomeettheneedsofdailyhealthmonitoring.

Toaddressthisneed,thisthesisproposesanarrhythmiaclassificationalgorithmbasedon

deepneuralnetworks,whichcanautomaticallydet