没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
齐鲁工业大学硕士学位论文
I
摘 要
心电图是筛查和诊断心血管疾病的常用检查手段,实现心电信号的自动准确
分类对心血管疾病的早期发现和及时诊治具有重要意义。近年来,以深度学习为代
表的数据驱动方法在心电分类领域取得了显著进展,然而,这些分类模型大多缺少
先验信息的指导,容易对训练集上给定的单一分类任务产生过拟合,难以学习到心
电信号的深层表示特征,泛化性能不高。针对上述问题,本文研究了基于多任务学
习和深度神经网络的心电分类方法,主要包括以下内容:
(1)针对单任务深度学习模型进行心电信号分类时会忽略不同心电类别之间
存在关联性的问题,提出了基于多任务学习和卷积神经网络的心电分类模型。其中,
通过采用残差结构解决卷积神经网络在提取深层次心电信号特征时需要很深的网
络层而导致的梯度消失和网络退化问题。考虑到心电信号是一段连续的序列信号
的特性,本文在多任务残差网络的基础上引入了自注意力机制和长短时记忆网络
来增强序列中的数据依赖关系。该多任务残差网络模型以硬参数特征共享方式实
现,包括特征共享和独立特征提取两部分。本文采用两种不同的策略来创建辅助任
务并在两个十二导联心电数据集进行实验,最终在两个数据集上的精度分别为
0.823 和 0.843,提高了心电分类模型的精度,验证了所提出的多任务残差网络模
型的有效性。
(2)针对深度神经网络在对十二导联心电信号特征提取时会忽略导联中特征
信息之间重要性并不相等的问题,提出使用挤压和激励残差网络作为硬参数特征
共享网络,它根据导联包含信息的重要性来重新给每一个导联赋予权重,并且对权
重高的导联给予更大的关注度;提出使用上下文自注意力模型的方法,来对注意力
机制和心电序列信息同时进行建模处理,实现对心电序列中的不同位置处的信息
交互,进而能够获取静态局部序列信息和动态全局序列信息。考虑到心电序列中相
邻位置处具有信息交互的特性,提出了使用双向门控循环单元机制来进一步提取
序列信息和增强序列前后位置的联系,实现对心电序列中特征信息的进一步提取。
本文将所提出的方法在两个十二导联数据集上进行验证并通过和现有的方法相比,
证明了所提出的多任务上下文自注意力模型的有效性。该方法在 2018 中国生理信
号挑战赛数据集上最终的精度、F1 分数和 AUC 分别为 0.824、0.837 和 0.976,同
时在 PTB-XL 数据集上的最终的精度、F1分数和 AUC分别为 0.849、0.833和 0.925。
关键词:多任务学习;神经网络;心电分类;硬参数共享;注意力机制
ABSTRACT
II
ABSTRACT
Electrocardiogram (ECG) is a commonly used examination method for screening
and diagnosing cardiovascular diseases, and automatic and accurate classification of ECG
signals is of great significance for early detection and timely diagnosis and treatment of
cardiovascular diseases. In recent years, data-driven methods such as deep learning have
made significant progress in the field of ECG classification. However, most of these
classification models lack the guidance of prior information, which easily lead to
overfitting for a specific single classification task on the training set. It is difficult to learn
the deep representation characteristics of ECG signals for these models, and their
generalization performance is not high. To address above problems, this study presents
an ECG classification method based on multi-task learning and deep neural networks,
mainly including the following contents:
(1) A multi-task learning and convolutional neural network-based ECG classification
model is proposed to address the issue of ignoring the correlation between different ECG
categories when using a single task deep learning model for ECG signal classification.
Among them, residual structure is used to solve the gradient vanishing and network
degradation problems caused by a deep network structure, which is required by
convolutional neural networks for extracting deep level electrocardiogram signal features.
Considering that an ECG signal is a continuous sequence, this paper introduces a self-
attention mechanism and a long short-term memory network on the basis of a multi task
residual network to model data dependencies in the sequence. The multi-task residual
network model is implemented through hard parameter feature sharing, which includes
two parts: feature sharing and independent feature extraction. This thesis adopts two
different strategies to create auxiliary tasks and conducts experiments on two twelve-lead
ECG datasets. The final accuracy on the two datasets is 0.823 and 0.843, respectively,
improving the accuracy of ECG classification and verifying the effectiveness of the
proposed model.
(2) To address the issue of deep neural networks neglecting the unequal importance
of feature information between leads in feature extraction of twelve-lead ECG signals, a
squeeze-and-excitation residual network is proposed as a hard parameter feature sharing
network. It re-assigns weights to each lead based on the importance of the information
contained in the lead, and pays greater attention to the leads with higher weights. This
齐鲁工业大学硕士学位论文
III
study also proposes using contextual self-attention model to model and process attention
mechanism and ECG sequence information simultaneously, achieving information
exchange at different positions in the ECG sequence, and thus obtaining static local
sequence information and dynamic global sequence information. Considering the
characteristic of information exchange between adjacent positions in the ECG sequence,
a bidirectional gated recurrent unit mechanism is used to further extract sequence
information and enhance the connection between the positions before and after the
sequence, achieving further extraction of feature information in the ECG sequence. This
thesis validates the proposed method on two twelve-lead datasets and proves the
effectiveness of the proposed model by comparing it with existing methods. The final
accuracy, F1 score, and AUC of this method on the 2018 China Physiological Signal
Challenge dataset are 0.824, 0.837, and 0.976, respectively, and the final accuracy, F1
score, and AUC on the PTB-XL dataset are 0.849, 0.833, and 0.925, respectively.
Keywords: multi-task learning, neural network, ECG classification, hard parameter
sharing, attention mechanism
齐鲁工业大学硕士学位论文
1
第 1 章 绪论
1.1 选题背景和研究意义
随着经济和社会的发展,人民的生活水平有了极大改善,与此同时一些疾病
的发病率也在增加。心血管疾病已经成为世界上致死率最高的疾病,严重威胁人
类的生命健康,每年约有 1790 万人死于心血管疾病,占全球所有死亡人数的 31%
[1]
。
心血管疾病已经成为危害我国居民健康的头号杀手,给国家和社会造成了巨大的
经济负担。但是心血管疾病完全是可预防、可控制,通过早期及时的诊断和治疗
完全可以避免心血管疾病的恶化,降低居民的负担,提高生活质量。
心电图(Electrocardiogram,ECG)由于其无创性和简便性已经成为世界上应
用最为广泛的心血管疾病诊断技术
[2]
。心电图中的心电信号反映了心脏在心动周
期中的电学变化,可以用表面电极记录。通过心电图,医生可以直观地观察心电
信号的变化,从而获得有关患者健康的有价值信息,并及时发现心脏病变,以便
采取适当的治疗措施,延长生命并提高生活质量。然而,对心电图的详细分析需
要具备专业的医学知识和丰富的临床经验。此外,由于医院每天都会收集成千上
万的心电图,对每一张心电图进行详细分析既费时又费力。因此,越来越多的学
者正在将人工智能引入医学领域,以实现心电图的自动检测和分类。随着心电图
自动检测技术的广泛应用,极大地提高了专业医生的诊断效率,十二导联心电图
作为一种标准的临床心电图检查,越来越引起研究者的兴趣
[3-6]
。
在过去的多年里,研究者们提出了许多有效的十二导联心电分类和检测模型,
并通过在大型的十二导联心电数据集上验证了这些方法的有效性。然而,这些方
法通常是单一任务。实际上,现实世界中有许多心电任务,如异常检测、心跳分
类和心电图诊断,并且这些任务之间存在某些联系。如果继续使用单一任务模型
来处理心电任务,就会忽略任务之间的关联性。而多任务深度神经网络模型能够
捕获不同任务之间的关联性,通过这种关联性学习到对任务有帮助的特征,最终
实现模型性能的提升。此外,由于心电数据集中存在数据不平衡的现象,具体来
说正常类别的数据量往往远大于异常类别的数据量,此时如果使用单任务模型就
会出现对正常心电类别过拟合而对异常类别欠拟合,使得模型的泛化能力大大降
低
[7]
。而利用多任务深度学习的方法,通过创建辅助任务来实现对数据集的扩充,
同时利用主任务和辅助任务之间的特征共享,来提高整体预测的准确率,并改善
模型的泛化能力。
随着医疗技术和计算机技术的不断发展,以及人工智能技术的广泛应用,心
第 1 章 绪论
2
电图数据的收集和存储得到了极大的促进,为实现心电图自动分类算法提供了坚
实的基础。本文采用多任务学习和深度学习的思想,研究了一种基于十二导联心
电图的自动分类方法,为早期诊断心血管疾病提供了一种新的技术手段。
1.2 研究现状
1.2.1 基于传统机器学习方法的心电分类研究现状
近年来,随着机器学习技术的不断发展,越来越多的研究人员开始将其应用
于心电分类领域,以协助医生更准确地诊断和治疗心脏疾病。在这一过程中,已
经提出了多种有效的机器学习算法
[8-11]
,并成功地将其应用于心电分类任务。例
如,早期的混合专家方法
[12]
,该方法结合了自组织映射、学习向量量化和混合专
家的技术。具体来说,自组织映射是一种用于聚类和数据可视化的无监督学习方
法,学习向量量化则是一种有监督学习方法,而混合专家是一种用于组合多个分
类器的方法,能够将自组织映射和学习向量量化组合起来,形成一个混合分类器,
以实现心电图的自动分类。在利用机器学习算法进行心电分类的初期,小波变换
经常被用来处理心电信号。Ozbay 等人
[13]
通过计算心电信号的主要特征和近似小
波 系 数 , 来 生 成 特 征 向 量 并 把 他 们 送 入 多 层 感 知 机 中 实 现 最 终 的 分 类 。
Albuquerque 等人
[14]
通过将连续小波变换、RR 间期范围和心电信号中能量特征结
合起来实现对心电信号的准确分类,最终将心电信号的识别准确率突破了 90%。
此外,由于 QRS 波形和 RR 间期是心电信号中最重要的特征之一,因此研究
人员开始利用机器学习算法对这些特征进行提取,并最终实现对心电信号的准确
分类。Readdy 等人
[15]
利用胸导联和 QRS 波形测量了心电信号的 15 个特征,并使
用人工神经网络分类器进行分类,最终使得分类的准确率和特异性分别达到 79%
和 97%。Afkhami 等人
[16]
提出了一种基于 RR 区间特征和统计特征的决策树集合
的心跳分类方法。Chen 等人
[17]
将 RR 区间特征和投影特征通过投影矩阵压缩到支
持向量机中,用于心跳分类。Kiranyaz 等人
[18]
在心跳分类中使用小波包分解提取
特征,然后应用遗传算法优化这些特征和反向传播神经网络。使用优化后的反向
传播神经网络对心跳进行分类。随着机器学习算法在心电分类中的成功运用,使
得利用计算机技术来代替人工进行心电图的分析成为现实,极大的促进了智能化、
高效化自动分类的心电技术的发展。
1.2.2 基于深度学习算法的心电分类研究现状
利用深度学习
[19-23]
的方法进行心电信号的分类,主要是对各种不同心电信号
的进行检测和分类,准确而又高效的心电信号分类深度学习模型是研究者关注的
重点。Kiranyaz 等人
[24]
设计了一种用于患者特定心电图心跳分类的自适应卷积神
经网络,该方法将传统的特征提取和分类结合到一个单一的学习结构中。Rahhal
剩余63页未读,继续阅读
资源评论
2201_75761617
- 粉丝: 20
- 资源: 7339
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 适用于tensorflow-2.11.0 CUDA版本11.2的cuDNN8.1版本
- 5Y study学习平台2016计算机基础-综合测试(8)_哔哩哔哩_bilibili_2580252704.mp4
- (大赛作品)STM32实现的F072RB NUCLEO智能家居控制.zip
- STM32实现的数字示波器源码+数字信号处理教程、配套实例.zip
- 【cookie续续】【cookie续续】【cookie续续】
- 低功耗STM32实现的F411开发板(原理图+PCB源文件+官方例程+驱动等).zip
- 基于stm32实现的 nucleo-L476的智能灯(操作说明+源码).zip
- 基于STM32实现的 NUCLEO板设计彩色LED照明灯(纯cubeMX开发).zip
- 基于STM32实现的 的联合调试侦听设备解决方案(原理图、PCB源文件、调试工具、视频).zip
- 基于STM32实现的 人群定位、调速智能风扇设计(程序、设计报告、视频演示).zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功