基于改进卷积神经网络的心电信号分类研究_毕业论文.pdf

版权申诉

93 浏览量 2023-10-27 13:04:28 上传评论 1 收藏 3.07MB PDF 举报

资源推荐

资源详情

资源评论

摘要

目前心血管疾病已经成为人类所面临的主要疾病之一。心电信号作为反映心

脏状况的可视化生理信号，对心血管疾病预防、诊断和救治具有重要的意义。卷

积神经网络具有自动特征提取与分类准确率高融为一体的优势，因此本文研究了

基于改进卷积神经网络的心电信号分类方法，具体研究内容如下：

1.提出了一种基于改进小波阈值和自适应完备集合经验模态分解(Complete E

nsemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)的心电

信号去噪方法。为了剔除心电图(Electrocardiography，ECG)信号中的噪声，该算法

首先对 ECG 信号进行 CEEMDAN 分解得到了一组由高频到低频分布的固有模态

分量(Intrinsic Mode Function，IMF)。然后根据相关系数法，对高频 IMF 分量进

行改进阈值的小波去噪。对于低频 IMF 分量，再通过设定固定阈值，对低于该阈

值的 IMF 分量认为是基线漂移信号，将其剔除。然后将去噪后的 IMF 分量和保留

的 IMF 重构，最后获得干净的 ECG 信号。

2.设计了基于改进残差网络的心电信号分类模型，将传统的残差网络中的卷积

层、池化层用 Inception 模块替换来提取不同尺度级别的信息特征，增加网络对尺

度的泛化能力。同时，通过在残差网络中嵌套残差网络方法，充分融合了底层和

高层的信息特征，来进一步缓解梯度问题对模型的干扰，提升了模型对心电信号

的分类准确率。在 MIT-BIH 数据集进行分类测试，最终获得了 95.1%的总体准确

率。

3.设计了基于改进 VGG 网络的心电信号分类模型。首先为了使 VGG 模型更

契合四分类输出，重新设计全连接层结构，其次为了压缩网络中的参数数量，提

高训练效率，将深度可分离卷积引入网络模型。最后由于 VGG 只能够提取到心电

信号的空间特征而忽略了时序特征，针对这一点引进长短期记忆网络(Long

Short-Term Memory，LSTM)来捕捉心电信号空间特征之间存在的时序信息。实验

结果表明改进后的网络在降低参数的同时提升了分类准确性，达到 93.6%的准确率。

关键词:心电信号；小波阈值；自适应完备集合经验模态分解；深度学习；卷积神

经网络

III

Abstract

At present, cardiovascular disease has become one of the main diseases faced by

mankind. As a visual physiological signal reflecting the condition of the heart, the

ECG signal is of great significance to the prevention, diagnosis and treatment of

cardiovascular diseases. Convolutional neural network has the advantage of

integrating automatic feature extraction and high classification accuracy. Therefore,

this paper studies the ECG signal classification method based on improved

convolutional neural network. The specific research content is as follows:

1. An ECG signal denoising method based on improved wavelet threshold and

adaptive complete set empirical mode decomposition (Complete Ensemble Empirical

Mode Decomposition with Adaptive Noise, CEEMDAN) is proposed. In order to

eliminate the noise in the electrocardiography (ECG) signal, this method first

performs CEEMDAN decomposition of the ECG signal to obtain a set of Intrinsic

Mode Function (IMF) from high frequency to low frequency distribution, and then

according to the correlation coefficient method, Perform wavelet denoising with

improved threshold for high-frequency IMF components. For the low-frequency IMF

components, by setting a fixed threshold, the IMF components below the threshold

are considered to be baseline drift signals, and they are removed, and then the

denoised IMF components and the retained IMF are reconstructed to obtain a clean

ECG signal.

2. Designed an ECG signal classification model based on an improved residual

network, and replaced the convolutional layer and pooling layer in the traditional

residual network with the Inception module to extract information features of

different scale levels, and increase the network's generalization ability to scales . At

the same time, by nesting the residual network method in the residual network, the

information characteristics of the bottom and high-level are fully integrated to further

alleviate the interference of the gradient problem on the model, and improve the

accuracy of the model's classification of ECG signals. The classification test was

绪论 ........................................................................................................................... 1

1.1 研究背景及意义................................................ 1

1.2 心电信号去噪研究现状.......................................... 2

1.3 心电信号分类研究现状.......................................... 3

1.4 本文研究内容.................................................. 4

1.5 论文组织结构.................................................. 5

心电信号基本理论 ................................................................................................... 7

2.1 心电信号的产生机理............................................ 7

2.2 心电信号的特征................................................ 8

2.3 心电信号的组成................................................ 8

2.4 心律失常..................................................... 10

2.5 MIT-BIH 心律失常数据库 ...................................... 11

2.6 本章小结..................................................... 13

基于改进小波阈值-CEEMDAN 算法的心电信号去噪研究 .............................. 15

3.1 引言......................................................... 15

3.2 ECG 噪声种类 ................................................ 15

3.3 小波变换..................................................... 16

3.3.1 连续小波变换 ............................................................................... 16

3.3.2 离散小波变换 ............................................................................... 17

3.4 CEEMDAN 算法 .............................................. 17

3.4.1 EMD 原理 ..................................................................................... 17

3.4.2 EEMD 原理 ................................................................................... 18

3.4.3 CEEMDAN 原理 ........................................................................... 19

3.5 改进小波阈值-CEEMDAN 算法的实现 ........................... 20

3.5.1 改进小波阈值函数 ........................................................................ 20

3.5.2 小波基函数和阈值的选取 .............................................................. 23

3.5.3 算法实现框图 ............................................................................... 27

3.6 实验结果及分析............................................... 28

3.7 本章小结..................................................... 33

基于改进残差网络的心电信号分类识别 ............................................................. 35

4.1 引言......................................................... 35

4.2 人工神经网络................................................. 35

4.3 卷积神经网络的主要特点....................................... 36

4.4 卷积神经网络的基本结构....................................... 37

4.4.1 卷积层 .......................................................................................... 37

4.4.2 池化层 .......................................................................................... 38

4.4.3 全连接层和输出层 ........................................................................ 39

4.4.4 激活函数 ....................................................................................... 39

4.5 改进的残差网络模型........................................... 42

4.5.1 残差网络模型设计 ........................................................................ 42

4.5.2 Inception 模型 ................................................................................ 43

4.5.3 改进残差卷积网络原理 ................................................................. 44

4.6 实验与结果分析............................................... 45

4.6.1 实验数据................................................... 45

4.6.2 评判标准................................................... 47

4.6.3 实验结果分析............................................... 47

4.7 本章小结..................................................... 49

5 基于改进 VGG 网络的心电信号分类识别 .......................................................... 51

5.1 引言......................................................... 51

5.2 深度可分离卷积............................................... 51

5.3 长短期记忆网络 ............................................... 53

5.4 改进的 VGG 网络模型 ......................................... 54

5.4.1 VGG 网络结构 .............................................. 54

5.4.2 VGG 网络模型改进 .......................................... 55

5.5 实验结果及分析............................................... 56

5.6 本章小结..................................................... 58

6 总结和展望 ............................................................................................................. 59

6.1 总结......................................................... 59

6.2 展望......................................................... 60

参考文献 ..................................................................................................................... 61

剩余78页未读，继续阅读

评论收藏

内容反馈

版权申诉

2201_75761617

粉丝: 20
资源: 7339

基于改进卷积神经网络的心电信号分类研究_毕业论文.pdf

基于混合深度学习算法的ECG心电信号分类研究_毕业论文.pdf

基于卷积神经网络的心电信号分类硬件加速器研究_毕业论文.pdf

基于时间卷积编解码网络的胎儿心电信号提取方法研究_毕业论文.pdf

基于机器学习的心电信号分类研究_毕业论文.pdf

基于混合时间序列图形化的心电信号分类方法_毕业论文.pdf

论文研究-基于卷积神经网络的心电信号分析方法研究 .pdf

基于卷积神经网络的心电信号分类研究1

基于卷积神经网络的心电信号分类实现.pdf

基于改进U-Net网络的心电信号分类研究_毕业论文.pdf

基于自适应多元多尺度色散熵的心电信号分类研究_毕业论文.pdf

基于多任务深度神经网络的心电分类方法研究_毕业论文.pdf

基于多核多尺度卷积神经网络的心电成分分类算法研究_毕业论文.pdf

基于生成对抗网络的心电信号降噪方法研究_毕业论文.pdf

基于遗传BP神经网络的胎儿心电信号提取算法研究_毕业论文.pdf

基于神经网络的心电信号分类识别.pdf

基于卷积神经网络的心电信号质量分析.pdf

基于滤波重构和卷积神经网络的心电信号分类.pdf

基于神经网络的心电信号波形自动分类算法研究.pdf

基于改进BP神经网络的心电信号分类方法.pdf

基于深度学习和注意力机制的心电信号分类方法研究_毕业论文.pdf

基于多尺度特征融合变换神经网络的心电信号重构算法研究_毕业论文.pdf

基于ICA分离的胎儿心电信号分离技术研究_毕业论文.pdf

基于SVM分类Ⅱ导联心电信号的方法研究_毕业论文.pdf

基于改进的卷积神经网络脑电信号情感识别.pdf

基于改进BP神经网络的心电信号分类方法

基于卷积神经网络的脑电信号分类.pdf

基于卷积自编码神经网络的心电信号降噪.pdf

基于神经网络的表面肌电信号分类方法研究

最新资源