动态心电图的智能检测算法研究与应用

作     者：宋培东 

作者单位：华东师范大学 

学位级别：硕士

导师姓名：林学民

授予年度：2023年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 

主      题：心电图智能检测 动态心电图 无监督学习 迁移学习 心电数据分割 

摘      要：随着人口老龄化现象的日益加剧,心血管疾病的影响日趋明显。心电图是心血管疾病的主要预防和诊断手段,它记录了心脏在一段时间内的生理活动,携带了许多心血管疾病的重要信息。动态心电图(Holter)是近年来兴起的一种记录患者在日常生活状态下心电活动的数据形式,其通常连续记录患者长时间(24小时)内的心电活动。动态心电图具有时间长、质量低、通道少的特点,而动态心电图领域的医生数量相对少、对数据分析的要求高,这对动态心电图智能检测带来了挑战。为了提高动态心电图智能检测算法的性能,本文对单导联动态心电图的智能检测算法及应用进行研究,使用深度学习的方法,提取单导联心电图数据的普适性特征并进行心电图分割,设计了一个完备的动态心电图分析的框架和方法,并将深度学习模型应用其中。具体包括:1.单导联心电图无监督学习模型Masked Auto-Encoder For ECG(MAEFE):为了解决心电图标注数据稀缺的问题,提取心电数据的普适性特征,本文使用生成式无监督学习的方法,提出了基于Transformer[1]的模型MAEFE,其可以从大量的无标签心电数据中,提取心电数据普适性特征。通过下游任务的实验结果和对MAEFE模型隐藏层输出热力图的分析,本文证明了其提取出的特征对心电图深度学习任务有很大的帮助。2.单导联心电图分割模型Utrans:为了提升心电图分割任务的精度,本文提出了模型Utrans,该模型可以提取心电图的全局关联特征以及对多个隐藏层特征进行特征融合;同时,利用迁移学习的思想,该模型可以引入MAEFE模型中预训练的参数,可以更好的在小规模数据集上提升性能。通过进行了大量的实验,本文证明了引入预训练参数的Utrans模型在两个数据集上分割任务取得了最优的F1值,并且本文通过消融实验研究了不同的预训练模型对Utrans在不同数据集上的影响。3.动态心电图分析框架和方法:为了实现对动态心电图进行端到端的分析,结合自适应阈值R波检测、聚类和心电图分类等技术,本文提出了一个新的动态心电图分析框架,包括R波检测、心点散点图聚类、心拍分类和统计、心率变异性指标计算四个步骤,可以为一份长时的动态心电图数据生成一份完整的医学分析报告。