论文部分内容阅读
近年来随着计算机辅助诊疗系统的发展,对心电图进行分析研究不仅极大地缓解医生工作压力,也有助于为患者提供及时诊疗,能够一定程度提升诊断准确率。心电信号是一种微弱的生理信号,在采集过程中容易受到干扰,因此需要首先对心电图进行预处理;对心电图研究的最终目的是疾病诊断,目前的方法大部分在特征提取上展开研究,随着深度学习在生物医学数据分析中取得的成功,研究者们逐步将其应用于心电图,但仍有提升空间。本文针对心电图的预处理和分类展开研究,主要研究以下内容:(1)针对集合经验模态分解方法在去除心电数据噪声时,噪声IMF分量难以选择且将噪声分量直接舍弃会导致数据失真,提出了一种基于EEMD的自适应阈值算法。首先对含噪ECG数据进行EEMD分解,得到固有模态函数根据马氏距离进行信号IMF分量和噪声IMF分量的判定,然后通过果蝇优化算法确定噪声IMF的阈值,将经过阈值去噪的新的分量和剩余分量重构得到去噪后的ECG数据。最后,使用MIT-BIH数据库中的心电数据进行实验,实验结果表明,该方法在去噪同时能够较好地保留数据细节。(2)为了提高心电数据分类准确率,采用基于EEMD的多尺度模糊熵特征提取策略。首先,对ECG数据进行EEMD分解得到一系列IMF分量。其次,选取有效IMF分量计算其动力学参数模糊熵并组成特征向量。最后,将特征向量输入RBF神经网络中进行训练和识别。采用MIT-BIH心率失常数据库的数据进行仿真,结果表明本文算法优于EMD多尺度模糊熵方法。(3)针对传统深度学习网络自动提取心电特征需要人为反复调整参数的问题,提出基于mSDA的参数自适应心电特征学习算法。首先,将被破坏的训练集输入mSDA并使用果蝇算法优化部分参数,在搜索空间寻找最后一层重建误差最小值,确定最优隐层单元数目、学习率和噪声水平。然后,将具有340采样点的原始数据输入mSDA中。最后,在mSDA顶部添加Softmax层构成深度网络在训练集DS1上进行训练。在测试集DS2上取得良好效果,表明mSDA在较少人为参与下获得的特征更具有鲁棒性。