基于集成深度学习的心律不齐分类算法研究

版权申诉

心电信号

毕业论文

80 浏览量 2023-10-26 00:05:20 上传评论收藏 2.11MB 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身体健康的头号杀手，心律不齐是心血管疾病的

一种典型代表，对心律不齐准确分类和检测具有十分重要的意义。心电图因其成本低

廉和良好的无创性，已逐渐成为医生诊断心律不齐疾病所用最多的依据。随着人们的

健康意识的提高和家用心电测试仪的逐渐普及，心电图的数量急剧增加，有限的医疗

资源无法完成海量的心电数据诊断，因此心律不齐自动分类技术已变得至关重要。

传统机器学习方法依赖手工特征设计，很难将心电信号特征充分挖掘；心电信号

存在较大的个体差异性，模型的泛化能力不强。以上因素都限制了心律不齐分类技术

的现实应用。针对以上问题，本文将集成学习和半监督学习的方法运用到心律不齐分

类技术上，面向病人间通用和特定病人专用两种不同分类模式，本文分别做了进一步

深入研究，论文主要工作如下：

（1）面向病人间心律不齐分类，提出了一种基于集成深度学习的心律不齐分类算

法。该方法使用双向长短期记忆网络和改进的迁移卷积神经网络分别提取心电信号的

时域、频域、几何和状态变迁特征。该方法充分挖掘心电信号特征，通过集成所提取

的多种特征对心电信号进行联合分类，有利于提升模型的准确率。考虑到不同模型对

最终的分类结果影响不同，使用了一种加权集成的策略，根据模型在训练时的表现为

其赋予不同的集成权重，充分且合理地利用了心电信号各种特征。经 MIT-BIH 心律不

齐数据库验证，本文所提算法的总体准确率达到了 96.2%。

（2）面向特定病人心律不齐分类，提出一种融合集成学习和半监督学习的心律不

齐分类算法。在通用数据上加入小部分特定病人的专用数据，通过半监督训练的方法

得到最后的特定模型，该方法能够学习到特定病人的心电特征，提升模型泛化性能。

为了减少半监督训练过程中的伪标签噪声，使用一种融合网络不确定性和预测概率的

方法筛选伪标签，增强了伪标签数据的可靠性。最后将各个模型集成，进一步增强了

模型的稳定性。通过 MIT-BIH 心律不齐数据库数据验证，本文算法达到了 98.1%的总

体准确率。

关键词心律不齐集成学习半监督学习深度学习

河北大学硕士学位论文

Abstract

At present, cardiovascular disease has become the leading cause of death. As a typical

cardiovascular disease, the accurate classification and detection of arrhythmia is of great

significance. Electrocardiogram has become the most common basis for doctors to diagnose

arrhythmia due to the non-invasive and low-cost. The number of electrocardiogram has

increased sharply with the improvement of health awareness and the universal of home

electrocardiograph. However, the limited medical resources cannot complete the massive

diagnosis of ECG. Therefore, the automatic classification for arrhythmia has become a crucial

technology.

The ECG features cannot be mined completely since the traditional machine learning

methods rely on the design of manual features. The large individual differences limit the

generalization of the model. The above factors limit the practical application of arrhythmia

classification technology. To solve the problems mentioned above, the integrated learning and

semi-supervised learning are introduced to the classification of arrhythmia. This paper makes

further research on the two different modes of arrhythmia classification. The main work is as

follows:

(1) An arrhythmia classification algorithm based on ensemble deep learning is proposed

to perform the inter-patient arrhythmia classification. The features are extracted from time

domain, frequency domain, geometric and State transition of ECG respectively by bi-

directional long Short-Term memory network and improved transfer convolutional neural

network. The features are fully extracted and the multi features are integrated to perform the

joint classification of ECG, which is beneficial to improve the accuracy of the model. A

weighted integration strategy is adopted considering that the final classification results vary

with different models. The features of ECG are used fully and reasonably by assigning

different weights to models according to the performance of during training. The proposed

model is tested on the arrhythmia database of MIT-BIH and the overall accuracy has reached

96.2%.

(2) An arrhythmia classification algorithm based on the combination of ensemble

learning and semi-supervised learning is proposed to perform patient-specific arrhythmia

河北大学硕士学位论文

第一章绪论 .............................................................................................................................. 1

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

1.2 研究现状 ...................................................................................................................... 2

1.2.1 基于传统机器学习的心律不齐分类研究现状 ............................................... 2

1.2.2 基于深度学习的心律不齐分类研究现状 ....................................................... 3

1.2.3 心律不齐分类技术存在的问题 ....................................................................... 4

1.3 本文研究工作和结构安排 .......................................................................................... 5

第二章相关技术介绍 .............................................................................................................. 7

2.1 心电信号相关知识 ...................................................................................................... 7

2.2 心律不齐相关知识 ...................................................................................................... 8

2.2.1 心律不齐疾病简介 ............................................................................................ 8

2.2.2 MIT-BIH 心律不齐数据库和 AAMI 标准介绍 .............................................. 8

2.2.3 心律不齐分类模式 ......................................................................................... 10

2.3 神经网络基础 ............................................................................................................ 10

2.3.1 神经元和多层感知器 ..................................................................................... 10

2.3.2 卷积神经网络 ................................................................................................. 12

2.3.3 Xception 网络结构 .......................................................................................... 14

2.4 迁移学习和集成学习 ................................................................................................ 16

2.5 本章小结 .................................................................................................................... 17

第三章基于集成深度学习的病人间心律不齐分类 ............................................................ 18

3.1 引言 ............................................................................................................................ 18

3.2 基于集成深度学习的病人间心律不齐分类算法 .................................................... 18

3.2.1 算法框架 .......................................................................................................... 18

3.2.2 一维心电信号转二维图像 ............................................................................. 19

3.2.3 网络模型 ......................................................................................................... 22

3.2.4 加权集成策略 ................................................................................................. 27

3.3 实验与分析 ................................................................................................................ 30

3.3.1 数据来源及预处理 ......................................................................................... 30

3.3.2 实验设置与评价标准 ..................................................................................... 31

3.3.3 实验结果分析 ................................................................................................. 32

3.4 本章小结 .................................................................................................................... 36

第四章融合集成学习和半监督学习的特定病人心律不齐分类 ........................................ 37

4.1 引言 ............................................................................................................................ 37

4.2 融合集成学习和半监督学习的特定病人心律不齐分类算法 ................................ 37

4.2.1 算法框架 ......................................................................................................... 37

4.2.2 模型训练与伪标签制作 ................................................................................. 38

4.3 实验设置及评价标准 ................................................................................................ 41

4.3.1 数据来源及预处理 ......................................................................................... 41

4.3.2 实验设置与评价标准 ...................................................................................... 42

4.4 实验结果及其分析 .................................................................................................... 42

4.5 本章小结 .................................................................................................................... 46

第五章总结与展望 ................................................................................................................ 47

5.1 工作总结 .................................................................................................................... 47

5.2 工作展望 .................................................................................................................... 48

致谢 ........................................................................................................................................ 54

攻读学位期间取得的成果 ...................................................................................................... 55

剩余56页未读，继续阅读

评论收藏

内容反馈

版权申诉

icwx_7550592

粉丝: 17
资源: 7163

基于集成深度学习的心律不齐分类算法研究_毕业论文.pdf

最新资源

基于集成深度学习的心律不齐分类算法研究_毕业论文.pdf

基于MATLAB编程的HBT集成电路温度分析方法研究_毕业论文.pdf

Stewart平台的MATLAB集成工具箱设计_毕业论文.pdf

基于Java与MATLAB集成的数字通信原理虚拟实验平台的设计与实现_毕业论文.pdf

高性能网络系统集成_毕业论文.doc

机器学习与数据科学（全套PDF格式的讲义）

基于PRO_E的液压集成阀块CAD_CAM研究.pdf

【习题解答】_基于运算放大器和模拟集成电路的电路设计_第4版.pdf

基于集成深度学习算法的燃气负荷预测方法.pdf

基于集成学习的网页分类算法.pdf

集成学习.pdf集成学习.pdf集成学习.pdf集成学习.pdf

免费版 PDF Java组件_Free Spire.PDF for Java 1.1.0

基于卷积神经网络的心律失常自动分类关键技术研究_李嘉.caj

基于SOM-集成学习的P2P网贷违约风险识别研究_阮志豪.caj

一种集成深度学习模型的旅游问句文本分类算法.pdf

论文研究-基于差分演化的自适应集成学习算法在不均衡数据分类中的应用.pdf

论文研究-基于集成学习的标题分类算法研究.pdf

基于深度集成学习的类极度不均衡数据信用欺诈检测算法.pdf

论文研究-不平衡数据的集成分类算法综述.pdf

相关实用应用程序（Windows可用）

免费可用的ChatGPT网页版.zip

ChatGPT使用总结：150个ChatGPT提示词模板（完整版）

李飞飞自传 我看见的世界 The World I see

chromedriver-win64.zip

全国计算机二级WPSoffice精选350道选择题题库（含答案）.pdf

哈尔滨工业大学-ChatGPT调研报告-2023.3.6-94页.pdf

智联招聘：2024年大学生就业力调研报告.pdf

4个亲测好用的ChatGPT4渠道

学术海报模板+论文科研+研究生

最新资源

李飞飞自传我看见的世界 The World I see