基于python的心电图信号设计模型结构完成5分类任务源码+模型+项目说明.zip

# 基于深度学习的心电图分类算法研究 ## 1. 介绍 心血管疾病是指影响心脏和血管健康的各种疾病，包括冠心病、心肌病、心律失常等，是全球范围内的头号杀手。随着现代生活压力的不断增大，人们越来越关注心血管健康问题。传统的医生问诊方式存在误诊率高、诊断不及时等弊端，而心血管疾病发病急、宜早治疗的特点更加强调了诊断的准确性和及时性。许多心血管疾病的病发初期常伴有心律失常的出现，因此心律失常的检测对于心血管疾病的预防具有重要意义。目前，广泛应用的心律失常检测方法是心电(ElectroCardioGram，ECG) 信号诊断。 传统处理心电图信号分类问题的机器学习方法为自回归模型、支持向量机等。近年来，神经网络的兴起为心电图的识别提供了多种解决方案。其中，一种效果良好的方法为对信号进行滤波处理后使用循环神经网络（RNN）进行特征分析；此外，深度学习的兴起为心电图的识别提供了一种端到端的解决方案。研究指出，卷积神经网络（CNN）中每个卷积核相当于一个滤波器，能够从原始信号中提取出有用的信息，因此可以达到信号滤波同样的作用，与此同时同步进行特征提取，从而可以直接将原始心电数据输入到模型中进行分类。本实验受到以上两种广泛使用的网络结构的启发，提出了一种利用CNN作为滤波器和特征提取器、利用RNN处理前者提取特征的网络结构，兼具两者优点，并在计算时间、收敛速度、准确率上达到了极好的tradeoff。 ## 2. 实验目的 本实验旨在探索高效的深度学习算法，对人体心电信号进行分类，以判断被测试者心跳是否正常，或者患有何种心脏疾病。最终的目标是实现心电数据的5分类。通过这种方法，可以减少人工处理心电数据的工作量，提高诊断的准确性和效率。同时，该方法还可以为未来的心血管疾病预测和早期预防提供新的思路和方法。 ## 3. 实验原理和方法 ### 3.1 心电图和心率失常 心电图的原理基于心脏的电活动，即心脏肌肉在收缩和舒张过程中产生的微弱电信号。这些电信号可以通过在身体表面放置多个电极，从而形成导联，进而测量和记录心电图。心电图记录了心脏电活动在时间和振幅上的变化，提供了关于心脏节律、传导系统、心室和心房肥厚以及心肌缺血等方面的信息。 心电图波形主要包括P波、QRS波群和T波。P波代表心房的除极，QRS波群反映心室的除极，而T波表示心室的复极。这些波形的形态、幅度和间隔可以提供诸如心律、传导异常和心肌缺血等方面的信息。当发生心律失常时，心脏出现不规律跳动，心脏节律发生改变，心电图中监测到的电信号也会随之出现明显变化。 ### 3.2 小波变换 受采集环境的影响，ECG信号中通常存在许多干扰信号和基线漂移。为了获取精准的心脏活动信号，避免噪声干扰产生误判，我们通常需要对ECG信号进行滤波，常用手段为小波变换(wavelet transform)。 小波变换是一种经常用于分析非平稳时间序列数据并提取有意义和正确特征的方法。广泛使用的方法为离散小波变换（DWT）。DWT是一种通过串行数字滤波器传递信号来降低连续小波计算成本并得出系数的方法。这种分解方法也被称为多分辨率分析。这些滤波器组包括高通（HP）和低通（LP）滤波器，如方程(1)和(2)所示， $$ H=\sum_{k=-\infty}^{\infty}S[k]\varphi_{h}[2n-k] $$ $$ L=\sum_{k=-\infty}^{\infty}S[k]\varphi_{g}[2n-k] $$ 其中S为输入信号，H和L分别为高通和低通滤波器的输出，$φ_h$和$φ_g$分别为低通和高通滤波器。高通滤波器输出包括输入信号的细节系数（D），低通滤波器输出包含近似系数（A）。通过滤波器的信号进行下采样，以增加频率分辨率。下图中展示了这些分解过程逐级进行的过程。 首先，输入信号S经过高通和低通滤波器，以获得第一级的细节和近似系数。然后，获得的近似系数再经过滤波器以获得第二级的分量。这个过程一直重复，直到达到指定的级别。 <img src="./README.assets/Screenshot 2023-05-29 at 20.11.28.png" alt="Screenshot 2023-05-29 at 20.11.28" style="zoom:40%;" /> <img src="./README.assets/Screenshot 2023-05-29 at 20.17.00.png" alt="Screenshot 2023-05-29 at 20.17.00" style="zoom:30%;" /> ### 3.3 循环神经网络 LSTM（Long Short-Term Memory，长短期记忆）是一种特殊的循环神经网络（Recurrent Neural Network，RNN），与传统的RNN相比，LSTM引入了门控机制，可以有效地解决传统RNN在处理长期依赖问题上的限制。它的设计灵感来自于人类的记忆方式，通过记忆单元和门控单元的组合来实现对输入序列的学习和记忆。它可以处理序列数据，如文本、语音等，用于机器翻译、语言生成等任务，具有捕捉长期依赖关系的能力。 LSTM中的记忆单元是网络的核心组件，它可以存储和访问过去的信息，并决定哪些信息需要被遗忘、哪些信息需要被保留。记忆单元内部有一个细胞状态（cell state），可以在时间步之间传递和更新。门控单元包括输入门（input gate）、遗忘门（forget gate）和输出门（output gate），它们通过激活函数和可学习的权重来控制信息的流动。 输入门决定了新信息的输入程度，遗忘门决定了过去信息的保留程度，输出门决定了记忆单元的输出程度。这些门控机制允许LSTM有选择性地记住或忽略序列中的不同部分，并具有较强的建模能力。 LSTM在许多序列建模任务中表现出色，如机器翻译、语言生成和情感分析等。它能够捕捉序列中的长期依赖关系，并在处理长序列时减轻梯度消失和梯度爆炸等问题。由于其强大的记忆和建模能力，LSTM也被广泛应用于时间序列预测、语音识别和自然语言处理等领域。 <img src="./README.assets/v2-03c41f0aaee75d920c1ba7bd756ae207.png" alt="preview" style="zoom:20%;" /> 简单来说，LSTM内部发生的过程有以下三个： 1. 由遗忘门$f_t$控制的忘记阶段。这个阶段主要是对上一个时刻传进来的记忆$c_{t-1}$进行**选择性**忘记。 2. 由输入门$i_t$控制的选择记忆阶段。这个阶段结合当前时刻的输入$x_t$和上一时刻的输出$h_{t-1}$有选择性地进行“记忆”。 前两个阶段简单来说就是会 “忘记不重要的，记住重要的”，形成当前记忆$c_t$。 3. 由输出门$o_t$输出阶段。根据当前的记忆$c_t$进行输出$h_t$ 接下来是具体的数学计算。对于输入$x_t$和上一个时间步骤短期记忆的输出$h_{t−1}$，遗忘门$f_t$和输入门$i_t$通过以下公式计算 $$ f_t=∂(w_f[h_{t−1},x_t]+b_f) $$ $$ i_t=∂(w_i[h_{t−1},x_t]+b_i) $$ 其中∂是激活函数，返回介于0和1之间的值。引入长记忆单元$c_t$，其随时间更新很慢： $$ \hat{c_t} =\tanh(w_c[h_{t−1},x_t]+b_c) $$ $$ c_t=f_tc_{t−1}+i_t\hat{c_t} $$ 最后，根据输出门$o_t$计算输出$h_t$： $$ o_t =∂(w_o[h_{t−1},x_t]+b_o $$ $$ h_t =o_t ∗\tanh(c_t) $$ LSTM是心电图诊断模型中最常用的RNN算法。通过结合前向LSTM和后向LSTM，提出了双向LSTM（Bi-LSTM），这在实验中已被证明是有效的。 <img src="./README.assets/Screenshot 2023-06-04 at 11.32.41.png" alt="Screenshot 2023-06-04 at 11.32.41" style="zoom:20%;" /> ### 3.4 卷积神经网络CNN 卷积神经网络（Convolutional Ne