基于深度学习的ECG智能化分析研究

作     者：张宁宁 

作者单位：山东中医药大学 

学位级别：硕士

导师姓名：李明

授予年度：2022年

学科分类：1002[医学-临床医学] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 10[医学] 

主      题：深度学习 卷积神经网络 循环神经网络 心电图 

摘      要：目的:心脏疾病成为人类健康的主要杀手之一,心电图(Electrocardiogram,ECG)反映了心脏的健康情况,但识图工作加大医生工作负担。因此心电图的智能化分析研究有助于减轻医生负担,提高诊断效率,使患者能够得到及时治疗。方法:在命名实体识别与实体关系抽取实验中,本文采用BIO标签体系对心电报告进行标注,不仅标注出报告文本中的实体,也标注各实体间的关系。本文设计了在双向门控循环单元后加入条件随机场,并使用维特比算法解码的命名实体识别与实体关系抽取模型。针对数据采样率不统一以及信号中混入大量噪声的问题,本文设计线性插值器将所有信号重采样到500Hz,而后设计低通滤波器滤除信号中的高频噪声,根据数学形态学设计形态学滤波器,提取基线,原信号与基线相减消除基线漂移。针对预处理后的数据,搭建卷积神经网络模型对信号的进行分类。共采用了四种模型,分别为Inception1d、Res1d、Dense1d、长短期记忆网络。结果:本文设计的加入条件随机场和维特比算法的双向门控循环单元网络取得了最好的实验效果,其命名实体识别的F1值为98.83%,实体关系抽取的F1为98.44%。心电信号预处理的结果显示,预处理后,信号未丢失波形信息,大量噪声被滤除,基线漂移情况得到改善。心电信号诊断结果显示,Res1d模型的平均F1分数超过了Inception1d和Dense1d以及长短期记忆网络模型,分别比Inception1d模型、Dense1d模型、长短期记忆网络模型高1.8%、2.4%、1.6%,并且绝大多数的F1值都比另三个模型的F1值高。结论:加入条件随机场和维特比算法的双向门控循环单元网络的命名实体识别模型与双向门控循环单元网络的实体关系抽取模型的联合训练效果最好;维特比算法可以提高命名实体识别与实体关系抽取模型性能;Res1d具有良好的一维信号分类能力,其在所有类别上的平均F1值最高,表明该模型能够很好地对心电信号进行分类,对心电信号的智能化分析具有一定意义。