论文部分内容阅读
随着社会和经济的发展,我国人口老龄化问题日益加剧,心血管患病率逐年增加,当前我国患心血管病的人数约2.9亿,死亡率居各种疾病之首。房颤(AF)是一类非常常见的心律失常疾病,是导致中风、心衰、猝死的重要原因,具有较高的发病率和死亡率,因此AF的预防、诊断与治疗十分重要。本文借助于数字信号处理技术、数据挖掘与机器学习技术对AF疾病的心电信号进行分析与处理,建立AF疾病的早期诊断模型,希望可以实现对AF疾病的早期预警,以减轻家庭和医疗机构的负担。本文选择了 MIT-BIH AF数据库(静态数据库)、PhysioNet/Computing in Cardiology Challenge 2017数据库(动态数据库)、2018年中国首届生理挑战赛数据库和可穿戴数据,利用机器学习的方法开展了AF诊断模型的研究。主要研究内容如下:(1)基于RR间期的AF诊断模型研究。提取了 AF信号的7个短时特征:房颤熵、样本熵、系数样本熵、样本RR时间序列的均值、样本的最小心率、样本的最大心率以及样本的中位心率。使用高斯核函数的支持向量机(RBF-SVM)作为分类器,使用网格搜索的超参数搜索算法,构建了 AF疾病的诊断模型。(2)基于改进频率切片小波变换和卷积神经网络(CNN)的AF诊断模型的研究。将一维心电信号进行改进频率切片小波变换,得到二维时频图,然后将其作为CNN的输入来训练模型。(3)基于增强多特征的AF诊断模型研究。将CNN模型输出的预测概率作为新增一维特征,同7个AF特征输入到RBF-SVM中建立房颤诊断模型。结果表明:CNN模型输出的预测概率作为新增一维特征可以提高AF诊断模型的性能。静态数据库五折交叉验证的结果:30s时间窗下,灵敏度为97.91%,特异性为97.82%,准确率为97.87%;10s时间窗下,获得96.14%的灵敏度,96.02%的特异性和96.09%的准确率,该结果优于当前公开的绝大部分结果。表明CNN模型输出的预测概率作为新增一维特征可以为AF诊断提供更多有益的信息,为进一步将该方法应用到其他生理信号和其他疾病诊断分析上提供借鉴意义。