检索历史 清除

摘要据2017年中国心血管病报告显示，我国的心血管疾病的患者人数高达2.9亿，因其死亡人数占据总死亡人数的40%以上而居于首位，且心血管病患病率和死亡率仍处于上升趋势。心电图作为日常人体心脏电活动的一种无创记录方式，成为了诊断心血管疾病的有效手段。心电信号是一种幅值微弱的电信号，信号监测尤其动态心电监测过程中，信号极易受到噪声的干扰。如何有效地去除噪声并最大限度地保留心电信号的有用信息，成为了心电信号处理的关键环节。另外，目前心电疾病的诊断主要依赖于医生对心电图的判别。而在远程医疗迅猛发展的背景下，长时间的心电监测带来的心电数据是海量的。辅助医生在海量数据中寻找感兴趣的心电间期成为心电数据智能分析的一个重要研究领域。在此研究背景下，本文引入深度学习的方法研究心电信号的去噪和心拍检索算法，主要工作内容如下：<br>　　（1）针对心电信号降噪问题。本文提出了一种基于无损约束降噪自动编码器的心电信号降噪算法。通过堆叠多个无损约束降噪自动编码器提取到心电信号的深层特征。基于心电信号时间序列之间的相关性，构建网络训练优化网络参数。利用训练好的网络对含噪心电信号进行降噪处理。采用本文提出的降噪算法对电极干扰、肌电干扰和基线漂移三种噪声进行去除。实验结果所得信噪比分别在19.19dB、17.27dB和17.80dB以上，由此证明本文所提降噪算法在保留心电信号的信息同时，能够很好地完成心电信号的降噪。<br>　　（2）针对心电信号检索问题。本文提出了一种基于总布雷格曼散度改进动态时间规整的检索算法，通过计算信号幅值和形态特征的相似度来实现了心电信号的检索。采用总布雷格曼散度来计算信号序列之间的相似性，充分地利用了其稳定性，再利用动态时间规整选择最优匹配路径。改进后的算法不仅可以计算特征点不匹配的心电信号还能有效地抵抗噪声的影响，具有很好的鲁棒性。实验结果表明所提算法能够在不提取特征波的前提下对常见的异常心拍数据实现有效的检索，还能扩展到对任意长度心电信号的检索，且检索的准确率均在90.91%以上。