基于深度学习的心电信号分类研究与应用

【摘要】：心电信号的采集简单并且对人体没有伤害,在临床中被广泛应用于心血管疾病的检测。由于心电信号是低幅度、低频率、易受干扰的生理信号,去噪困难,且心电信号的可变性和个性化,导致了心电信号自动分类算法在临床应用中的困难,所以心电信号的分类算法仍然是个需要继续研究的领域。针对心电信号分类算法,本文将从下面三个部分进行叙述:1).针对单导联心电信号的分类问题,我们提出了一种结合多支路卷积神经网络和残差网络的端到端模型来提取单导联心电信号的特征,进而实现正常和异常的分类。实验中我们对比了AlexNet、VGGNet、GoogLeNet、ResNet这4种经典的卷积神经网络模型在心电信号分类中的应用,结果显示我们提出的模型在心电信号分类中具有较好的性能。2).针对多导联同步心电信号的分类问题,我们采用多支路卷积和残差网络构成的端到端模型来捕捉不同导联的心电信号特征,然后考虑多导联心电信号的同步性和独立性,对所提取的特征进行融合。文中我们提出了三种特征融合的方法,利用不同的卷积和全连接层来实现特征融合,最终映射到不同种类的心电信号。实验中对正常和异常心电图的判决取得了87.04%的平均准确率和89.93%的灵敏度。3).最后,考虑到心电信号易受干扰的性质,应用滤波算法来提高心电信号的分类准确率。实验中我们使用零相位IIR滤波器、带阻滤波器及低通滤波器来分别滤除心电信号的基线漂移干扰、工频干扰及肌电干扰。实验结果表明使用零相位IIR滤波器来滤除心电信号的基线漂移可以提高分类准确率。现有的心电信号的分类识别算法中,大部分实验使用的数据库是与MIT-BIH心电数据库相似的数据库。这些数据库的数据都是来自于少数的个体,导致了现有的分类算法应用在临床中时,准确率就会降低的明显。本文使用中国心血管疾病数据库,该数据有超过19万分来自不同个体的临床心电数据,使得分类算法具有良好的泛化性能。