開題報告題目基于心電信號的心拍模式分類算法研究學(xué)生姓名學(xué)號2專業(yè)機械設(shè)計制造及其自動化（醫(yī)療器械）學(xué)院指導(dǎo)教師本選題的意義及國內(nèi)外發(fā)展?fàn)顩r：選題意義：心臟疾病一直是人類生命和健康的頭號殺手，尤其是心血管疾病，它是全球頭號死因，根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，全球每年約有2000萬人死于心血管疾病，在中國，從1990年到2016年，因它而死的人數(shù)增加了58.5%，死亡率卻降低了28.7%[1-2]。隨著科技的發(fā)展，社會的發(fā)展，人類對心臟疾病更加的重視，如何預(yù)防和診斷心血管疾病具有重要意義[3]。心電信號中包含了心臟狀態(tài)的各類信息，可以有效表征心臟的健康狀況，并清晰展示心臟的異常特征，對于心臟類疾病的預(yù)防和診斷具有重要的參考作用[4]。臨床使用時，醫(yī)生基于自己的專業(yè)知識，經(jīng)過的專業(yè)的培訓(xùn)后，通過對心電圖上心電信號波形的變化對患者的病癥做出診斷[5]。心拍分類作為動態(tài)心電信號分析的基礎(chǔ)，對于心律失常的臨床診斷具有重要意義[6]。但是當(dāng)前心電信號的自動分析算法研究以靜態(tài)、多導(dǎo)聯(lián)心電信號為主，且各類靜態(tài)心電信號數(shù)據(jù)庫和研究算法層出不窮，該類算法獲得了優(yōu)異的檢測結(jié)果。該類信號雖然能夠準(zhǔn)確反映患者在某個測量時刻的心臟異常情況，對于長時間跟蹤心臟活動情況，實時反應(yīng)心臟狀態(tài)，總結(jié)心臟活動規(guī)律，預(yù)測心臟異常則力不從心[7]。近年來，隨著人工智能技術(shù)發(fā)展與興起，人工智能算法應(yīng)用于心電信號的相關(guān)研究也日益增加。深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的一個重要方向，目前已在計算機視覺，自然語言處理等領(lǐng)域取得了大量進(jìn)展[8]。心拍分類作為動態(tài)心電信號分析的基礎(chǔ)，對于心律失常的臨床診斷具有重要意義。然而因為不同病例的心電波形存在形態(tài)差異，心拍類型更是種類繁多，心拍分類容易出現(xiàn)誤檢和漏檢的問題。如何有效提升心拍分類的準(zhǔn)確性是動態(tài)心電信號分析的首要目標(biāo)。國內(nèi)外發(fā)展?fàn)顩r：近年來有很多基于傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)的技術(shù)被應(yīng)用于ECG信號的分類。就目前的現(xiàn)狀而言，國外在心電信號分類領(lǐng)域仍處于領(lǐng)先地位。國際上許多機構(gòu)先后構(gòu)建了專門用于研究心電信號的數(shù)據(jù)庫，比較權(quán)威且公認(rèn)的，可以作為標(biāo)準(zhǔn)數(shù)據(jù)庫的有麻省理工學(xué)院提供的MIT-BIH數(shù)據(jù)庫，美國心臟學(xué)會的AHA數(shù)據(jù)庫以及歐洲ST-T心電數(shù)據(jù)庫。其中使用最廣泛，最典型的數(shù)據(jù)庫是MIT-BIH的心率失常數(shù)據(jù)庫。1985年，Pan和Tompkins提出自適應(yīng)閾值算法(又稱PanandTompkins,P&T)，R波準(zhǔn)確率達(dá)到了99.3%REF_Ref68027500\r\h[9]。2000年，Gaydecki等人利用希爾伯特變換的方法，實現(xiàn)了精確的R波定位，在MIT-BIH心律失常數(shù)據(jù)庫的檢測上達(dá)到了99.64%的準(zhǔn)確率REF_Ref68027520\r\h[10]。2006年，陳永利等人利用基于數(shù)學(xué)形態(tài)和包絡(luò)算法檢測QRS波群，該算法的檢測準(zhǔn)確率達(dá)到了99.79%，取得了較好的檢測結(jié)果REF_Ref68027541\r\h[11]。Yucelbasy等[12]用幾種不同的方式對心電信號進(jìn)行特征提取得到四個不同的數(shù)據(jù)集，之后采用隨機森林對這四個數(shù)據(jù)集進(jìn)行分類，基于形態(tài)學(xué)方法的準(zhǔn)確率最高，達(dá)到87.11%。Surantha等[13]采用加權(quán)極值機器學(xué)習(xí)（weightedextrememachinelearning，WEML）處理數(shù)據(jù)集，準(zhǔn)確率達(dá)到73.09%。SunH等人[14]設(shè)計出了將卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)組合的5個深度神經(jīng)網(wǎng)絡(luò)來訓(xùn)練心電信號和呼吸信號，進(jìn)行睡眠分期，達(dá)到80%的準(zhǔn)確率。Y.Wei[15]等在單導(dǎo)聯(lián)心電信號的基礎(chǔ)上使用長短期記憶網(wǎng)絡(luò)（longshort-termmemorynetwork,LSTM）構(gòu)建五類分類器，NREM1期、NREM2期、NREM3期與REM期的準(zhǔn)確率分別為89.84%、84.07%、77.76%、71.16%。多項研究證實，對于干擾較少的靜態(tài)心電信號，在MIT-BIH心率失常數(shù)據(jù)庫或AHA數(shù)據(jù)庫上，常見的QRS波檢測算法精度可以達(dá)到99%[16-17]。但在心電信號干擾較為嚴(yán)重或異常的節(jié)奏波形中如室性心律失常、傳導(dǎo)心律失常等，尤其是當(dāng)ECG記錄來自動態(tài)心電圖或可穿戴ECG采集時，常見的QRS波檢測算法精度都無法達(dá)到80%以上[18]，嚴(yán)重制約了動態(tài)心電信號在臨床診斷中的應(yīng)用。馬瑞琳（2020）[19]探究來基于深度學(xué)習(xí)的心電信號異常識別方法，針對心電信號的異常識別問題，提出了一個基于深度學(xué)習(xí)的改進(jìn)型Cifar網(wǎng)絡(luò)模型，可以自動提取心電特征，并將提取的特征饋送到Logistic分類器中進(jìn)行分類.運用縮放變換獲得圖像的多分辨率表達(dá)，該表達(dá)符合心電圖時序特點，克服了因數(shù)據(jù)量較少造成的網(wǎng)絡(luò)過擬合問題.利用心電傳感器采集志愿者心電信號，并結(jié)合正常竇性心律數(shù)據(jù)庫(NSRDB)和突發(fā)心臟病死亡數(shù)據(jù)庫(SDDB)建立訓(xùn)練測試集，用于驗證方法的有效性.在對正異常心電信號的分類實驗中，改進(jìn)型Cifar網(wǎng)絡(luò)模型可達(dá)到92%的準(zhǔn)確率，靈敏度達(dá)到了94%，曲線下面積(AUC)值為0.969，優(yōu)于傳統(tǒng)的尺度不變特征變換(SIFT)+支持向量機(SVM)算法和反向傳播(BP)算法，取得了較好的輔助診斷效果。馬金偉[20]也探究來基于深度學(xué)習(xí)的心電信號識別分類算法，采用來一折"交叉驗證法"訓(xùn)練和測試神經(jīng)網(wǎng)絡(luò)識別心電信號的性能，結(jié)果表明其網(wǎng)絡(luò)層數(shù)不是越深越好，需要選擇一個合理的層數(shù)使網(wǎng)絡(luò)易訓(xùn)練易收斂，且識別分類效果最好.CRNN等深度學(xué)習(xí)算法能夠很好應(yīng)用于心電信號的自動識別分類。韋張躍昊[21]研究了基于深度學(xué)習(xí)的心電信號分類算法，運用了ResNet-Bi-LSTM算法，設(shè)計殘差網(wǎng)絡(luò)逐層進(jìn)行心電信號特征自動提取，并疊加長短時記憶網(wǎng)絡(luò)加強對心電信號時序特征提取的能力.首先通過平移和隨機交換片段的方式增加樣本數(shù)據(jù)量，再利用交叉檢驗確定全局池化層連接多層全連接的末端結(jié)構(gòu)和15殘差塊的殘差網(wǎng)絡(luò)結(jié)構(gòu)，然后疊加雙向長短時記憶網(wǎng)絡(luò)對深層次心電信號特征序列進(jìn)行序列分析，時間信息提取.最終在2017PhysioNet/CinCChallenge數(shù)據(jù)集和臨床數(shù)據(jù)集上此模型獲得了優(yōu)于傳統(tǒng)分類方法的分類表現(xiàn).本文ResNet-Bi-LSTM模型在92245條臨床心電信號數(shù)據(jù)上分類平均F1達(dá)到0.8852，漏診率0.368%，相對傳統(tǒng)心電信號分類算法有很大提升.另外采用Stacking集成的方式組合隨機森林模型，XGBoost模型，殘差網(wǎng)絡(luò)，ResNet-Bi-LSTM模型，最終模型分類平均F1達(dá)到0.8914，漏診率降低至0.071%，進(jìn)一步提升臨床應(yīng)用性能。在深度學(xué)習(xí)算法快速崛起之前，傳統(tǒng)的機器學(xué)習(xí)算法是應(yīng)用于心電信號分類的主要手段。但由于其對先驗知識的依賴性，即需要對心電信號特征有一定研究的醫(yī)生或是工程師利用其專業(yè)知識，對時域頻域下的信號進(jìn)行特征提取，再將提取到的特征輸入算法進(jìn)行分類。雖然傳統(tǒng)的機器學(xué)習(xí)已經(jīng)在該分類任務(wù)上有比較顯著的成果，但其特征提取仍然依賴于人工提取，這在一定程度上限制了分類能力。相比較而言，深度學(xué)習(xí)算法基于卷積神經(jīng)網(wǎng)絡(luò)可以進(jìn)行自主學(xué)習(xí)并提取特征的能力可以有效的代替人工提取過程。因此使用深度學(xué)習(xí)算法用于實現(xiàn)心電心拍模式分類，是一個有價值的研究方向。研究內(nèi)容：本次研究基于MIT-BIH（美國麻省理工學(xué)院心率失常數(shù)據(jù)庫）提供的心率失常心電信號數(shù)據(jù)集，對心電信號進(jìn)行預(yù)處理，特征提取，以及實現(xiàn)心拍類別的分類。本次研究將采用基于卷積的深度神經(jīng)網(wǎng)絡(luò)，首先構(gòu)建傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型，對心電信號進(jìn)行分類。在此基礎(chǔ)上，對傳統(tǒng)的模型進(jìn)行改進(jìn)，以提高模型預(yù)測準(zhǔn)確率。主要的改進(jìn)方向有兩個，一是對模型結(jié)構(gòu)和訓(xùn)練策略進(jìn)行優(yōu)化。二是采用更加先進(jìn)，更適應(yīng)于多分類任務(wù)的損失函數(shù)。并比較改進(jìn)前后模型的預(yù)測準(zhǔn)確率。研究方法、手段及步驟：本次研究的流程及相應(yīng)的手段如下：1）信號讀?。河捎跀?shù)據(jù)庫提供的信號數(shù)據(jù)保存為自定義格式，首先需要使用特定的類庫進(jìn)行讀取，并將二進(jìn)制文件進(jìn)行解析，得到能夠被可視化的心電信號。2）信號預(yù)處理：其中，信號預(yù)處理部分又分為五個步驟。1.無關(guān)信號剔除：由于數(shù)據(jù)庫提供的數(shù)據(jù)為連續(xù)記錄的實驗對象的心電信號，其中難免會有信號質(zhì)量差，影響后期分析分類的信號，因此首先需要將這些信號剔除2.信號值歸一化：為了方便后期輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，需要首先對信號進(jìn)行歸一化操作。3.波形截?。簩⑦B續(xù)的心電信號的每個QRST波型分別截斷。4.信號下采樣及降噪：使用信號處理庫，設(shè)置合理的采樣點，對信號波形進(jìn)行下采樣。并利用小波分解進(jìn)行信號降噪。5.樣本采樣：保證類別間的平衡性。3）訓(xùn)練數(shù)據(jù)預(yù)處理：制作訓(xùn)練和測試數(shù)據(jù)集。4）模型搭建與優(yōu)化：分為兩個步驟。1.搭建傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，并驗證其準(zhǔn)確率。2.對模型結(jié)構(gòu)和損失函數(shù)進(jìn)行改進(jìn)優(yōu)化，驗證其準(zhǔn)確率，并比較改進(jìn)前后預(yù)測效果的差異參考文獻(xiàn)：徐國辰.心血管健康指南[J].健康大視野，2009(5):116-119.中國心血管健康與疾病報告2019[J].心肺血管病雜志,2020,39(09):1145-1156.DilaverisPE,ZervopoulosGA,MichaelidesAP,etal.Simpleelectrocardiographicmarkersforthepredictionofparoxysmalidiopathicatrialfibrillation[J].AmericanHeartJournal,1998,135(5):733-738.胡文博.基于深度學(xué)習(xí)心電診斷系統(tǒng)的研究與實現(xiàn)[D].北京郵電大學(xué),2019.鄭鑫.基于小波變換的心電信號去噪識別的研究與實現(xiàn)[D].北京郵電大學(xué),2017.顧秀秀.可穿戴心電信號特征提取及分類[D].南京大學(xué),2019.JiapuPan,WillisJ.Tompkin.Areal-timeQRSdetectionalgorithm[J].IEEETransactionsonBiomedicalEngineering,1985,32(3):230-236.隋文濤,崔善政,馬宏洋,王峰,張洪波.基于變分模態(tài)分解的心電信號QRS波檢測[J].生物醫(yī)學(xué)工程研究,2019,38(02):151-155.PanJ,TompkinsWJ.Areal-timeQRSdetectionalgorithm[J].BiomedicalEngineeringIEEETransactionson,1985,32(3):230.BenitezDS,GaydeckiPA,ZaidiA,etal.NewQRSDetectionAlgorithmBasedontheHilbertTransform[J].ComputersinCardiology,2000,1:379-382.YucelbasS,YucelbasC,TezelG,etal.AutomaticsleepstagingbasedonSVD,VMD,HHTandmorphologicalfeaturesofsingle-leadECGsignal[J].ExpertSystemswithApplications,2018,102(7):193-206.UtomoOK,SuranthaN,IsaSM,etal.AutomaticSleepStageClassificationusingWeightedELMandPSOonImbalancedDatafromSingleLeadECG[J].ProcediaComputerScience,2019,157:321-328.SunH,WolfgangG,EzhilP,etal.SleepStagingfromElectrocardiographyandRespirationwithDeepLearning[J].Sleep,2020,43(7):306.XiChen,BeiWang,XingyuWang.AutomaticSleepStageClassificationforDaytimeNapBasedonHopfieldNeuralNetwork[C].北京:第25屆中國控制與決策會議論文集,2013.HermesRE,GeselowitzDB,OliverGC.Development,distribution,anduseoftheamericanheartassociationdatabaseforventriculararrhythmiadetectorevaluation[J].ComputersinCardiology,1980:263–266.G.B.Moody,R.G.Mark.TheimpactoftheMIT-BIHarrhythmiadatabase[J].IEEEEngineer