融合深度学习和决策机制的心电节律和形态异常识别

作     者：沈腾飞 

作者单位：东南大学 

学位级别：硕士

导师姓名：罗立民;陈阳

授予年度：2020年

学科分类：0711[理学-系统科学] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：心律失常检测 12导联心电信号 SE模块 残差网络 U-Net 

摘      要：我国的心血管疾病死亡率居各病因之首,占居民疾病死亡构成的40%以上,心律失常是心血管疾病中重要的一组疾病,标准的12导联心电信号是诊断心律失常的重要工具,基于心电信号的心律失常自动检测对预防和治疗心血管疾病有重要意义。虽然12导联心电图信号比单导联心电图提供了更全面的心律失常信息,然而不同导联之间的信息很难有效融合,因此,基于12导联心电开发一种具有较高准确性和较强泛化能力的的心律失常自动检测算法仍是一项具有挑战性的工作。一段包含心律失常的12导联心电信号中并非所有心跳节拍都是异常的,有关心律失常的特征仅存在于包含心律失常的心跳节拍中,12导联心电信号同时从多个空间角度记录心脏的电活动,各导联之间具有互相关性。基于12导联心电信号的以上特点,本研究首次提出将Squeeze-and-Excitation(SE)模块用于12导联心电信号的心律失常检测,提出了基于SE模块和一维卷积残差网络的端到端的12导联心电分类算法。算法中的SE模块通过对通道特征响应显示地建模以自适应地校准各通道间的相互依赖关系,增强具有判别性的特征并抑制噪音,自适应地融合不同导联之间的特征信息。沿着时间维度的一维卷积操作能够提取心电信号中的时序特征,残差模块使得模型更容易优化。因卷积神经网络不能处理变长的信号,本研究将所有心电信号补0至等长信号,然后作为模型的输入,这可能会给模型带来干扰。为此,本研究提出了基于SE模块和U-Net的算法,采用U-Net中的编码-解码思想,先将输入信号编码至一个特征空间,然后再进行解码以获得用于分类的特征。本研究采用2018年中国生理信号挑战赛(CPSC2018)的12导联心电数据集作为验证,该数据集是从11家医院采集的真实12导联心电信号。本研究所提出的两个模型在测试集上的均值F分数分别为0.828与0.824,超过了现有算法的性能。实验结果表明我们的算法有良好的性能表现且有巨大的实际应用潜力。