基于多特征提取与卷积神经网络的房颤检测算法研究

【摘要】：近年来,随着人口老龄化的日益严重,房颤的发病率逐年增加,由此而引发的并发症及心血管疾病严重威胁着人类的健康。因此,开发房颤检测系统,从而及早发现房颤并治疗,对减少危重病症发生率和死亡率具有重要的意义。目前,已有的房颤检测算法未能提取到鲁棒、判别性的特征且泛化能力较差。递归复杂网络和相干运算是两种高效的提取信号特征的方法,本文将这一优越性运用到房颤检测算法中。P波消失代之以连续不规则的f波这一特征更能反映房颤的本质特征,本文基于该心房活动特征进行研究,设计了基于多特征提取与卷积神经网络的房颤检测算法。论文的主要研究内容如下:(1)提出一种基于递归复杂网络和卷积神经网络的房颤检测算法。心房活动信号直接作为网络的输入具有不稳定性和鲁棒性差的缺点,通过提取底层特征可以解决这一问题。因此,本文利用递归矩阵将单心拍心房活动信号的内在特征表示出来,再利用卷积神经网络将获得的底层特征进行高层特征提取与分类。(2)提出一种基于相干运算与卷积神经网络的房颤检测算法。发生房颤时相邻心拍间有较大差异。因此,采用相干运算将相邻心房活动信号之间的一致性作为底层特征,再采用卷积神经网络对输入特征进行学习与分类。(3)采用决策级融合的方法,将上述两种算法进行融合得到一种基于多特征提取与卷积神经网络的房颤检测算法。递归矩阵所提取的底层特征是单个心拍内的,而相干谱的方法提取的底层特征是相邻心拍间的,将这两类特征进行融合更能全面展现房颤的特征。本文算法是完全独立于RR间期的,经MIT-BIH房颤数据库的验证,该算法具有较高的性能且泛化能力很强。