基于深度学习的心律识别方法
发布时间:2025-05-15 02:14
心脏病严重威胁着人类健康,心电图(Electrocardiogram,ECG)作为最常用的心脏检测方式对于心脏病的检测至关重要。心电图记录的心电信号是一个非线性的时间序列数据,它记录着心脏起搏过程中的电压变化,其信号不仅微弱、繁复且易受到噪音干扰,而且不同类别间还存在着数据量严重不均衡及异常信号线性可分性极低等问题。这些问题导致构建心电信号特征提取模型时难以获得有效的模型系数,严重制约着心律识别性能的进一步提升。本文在心律识别研究中针对其心电图数据严重不均衡和具有较高鲁棒性和辨别性的特性信息难以提取的问题,分别提出了基于生成对抗网络与卷积网络的心律识别方法和基于差分信息的集成学习方法。本文的主要研究内容如下:(1)基于生成对抗网络与卷积网络的心律识别方法。研究表明心电数据类别严重不均衡,致使建立模型过程中,模型易偏向数据量大的类别,而数据量较小的类别的拟合度较低。模型常处于部分类别过拟合与其他类别欠拟合并存的状态,致使特征的有效提取极为困难。本文利用CNN模型同DCGAN模型协作来减少类别不均的影响。首先通过CNN模型建立心律识别模型,在类别不均衡的情况下训练模型,进而借助该模型筛选出表...
【文章页数】:57 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
1 引言
1.1 背景和意义
1.2 国内外研究现状
1.3 本文主要研究内容和创新
1.4 本文组成结构
2 相关数据和技术
2.1 心电图数据简介
2.2 MIT-BIH数据库
2.3 降噪技术
2.4 神经网络基础
2.4.1 人工神经网络
2.4.2 卷积神经网络
2.4.3 生成对抗神经网络
3 基于生成对抗网络与卷积网络的心律识别方法
3.1 心律数据预处理
3.1.1 小波变换去噪
3.1.2 中值滤波器去除基线偏移
3.2 CNN-DCGAN心律识别方法
3.2.1 一维CNN心律识别模型
3.2.2 DCGAN生成稀有类
3.2.3 CNN-DCGAN心律识别算法
3.2.4 DCGAN数据筛选
3.3 实验与分析
3.3.1 实验评估标准
3.3.2 实验结果与分析
4 基于ECG差分信息的集成学习方法
4.1 差分数据生成方法
4.2 集成差分数据心律识别方法
4.3 实验与分析
5 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
攻读学位期间的科研成果
本文编号:4046086
【文章页数】:57 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
1 引言
1.1 背景和意义
1.2 国内外研究现状
1.3 本文主要研究内容和创新
1.4 本文组成结构
2 相关数据和技术
2.1 心电图数据简介
2.2 MIT-BIH数据库
2.3 降噪技术
2.4 神经网络基础
2.4.1 人工神经网络
2.4.2 卷积神经网络
2.4.3 生成对抗神经网络
3 基于生成对抗网络与卷积网络的心律识别方法
3.1 心律数据预处理
3.1.1 小波变换去噪
3.1.2 中值滤波器去除基线偏移
3.2 CNN-DCGAN心律识别方法
3.2.1 一维CNN心律识别模型
3.2.2 DCGAN生成稀有类
3.2.3 CNN-DCGAN心律识别算法
3.2.4 DCGAN数据筛选
3.3 实验与分析
3.3.1 实验评估标准
3.3.2 实验结果与分析
4 基于ECG差分信息的集成学习方法
4.1 差分数据生成方法
4.2 集成差分数据心律识别方法
4.3 实验与分析
5 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
攻读学位期间的科研成果
本文编号:4046086
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/4046086.html