检索历史 清除

摘要房颤(AtrialFibrillation,AF)是世界范围内最常见的心血管疾病之一,随着人口老龄化和慢性疾病的增加，AF的发病率和死亡率正在逐年上升。AF会导致心脏泵血功能下降，并极易产生中风、偏瘫甚至死亡等严重后果。此外，AF还会增加心力衰竭、心肌梗死等心脏病的发生风险，威胁着患者的健康。因此，AF的早期诊断具有重要的研究意义。<br>　　目前智能移动心电监护设备已经融入到大众的日常生活中，这就对心电设备筛查的准确性有了更高要求，而人工智能算法的研究和改进决定着AF检测的准确性。机器学习和深度学习方法是AF检测主流的方法，但是目前仍存在着低信噪比信号识别困难、特征提取不充分、信息利用不均衡等问题。针对这些问题，本文基于深度学习算法进行研究，主要工作如下:<br>　　(1)讨论了当前智能心电设备采集的心电图(Electrocardiogram,ECG)信号的噪声原理，对比分析了几种ECG信号去噪方法的有效性和几种QRS波检测算法的准确性，并且使用了一种基于QRS波群定位的数据平衡方法，能够在不抛弃、不改变原始信息的基础上统一信号长度。<br>　　(2)针对智能可穿戴心电设备采集的低信噪比ECG信号AF检测易受噪声影响、特征提取不充分、噪声信号识别不准确问题，设计了基于双通道特征融合的低信噪比环境下的AF检测方法。本方法使用了低信噪比AF数据库进行研究，通道一用来提取四类基于先验知识的人工特征，为降低信号中噪声影响，提高AF信号和噪声信号的识别准确性，引入了非线性特征即排列比率熵(permutationratioentropy,PRE);通道二用来提取抽象特征，设计了基于卷积神经网络(ConvolutionalNeuralNetworks,CNN)的特征提取网络，使用主成分分析(PrincipalComponentAnalysis,PCA)方法分析了特征训练的变化趋势。将双通道特征融合并构造特征矩阵后，使用了随机森林(RandomForest,RF)算法对数据进行四分类。实验表明，提出的双通道特征融合方法具有优越性能，总体分类准确率达到0.857,噪声类别的F1分数达到了较高分数0.735。<br>　　(3)针对特征模态信息不丰富、特征弱化和信息关注度不均衡问题，在上述方法的基础上设计了基于LP-PET特征加强与多模态注意力特征融合的AF检测方法。该方法提取了双通道特征、时频图谱特征和散点图特征多个模态特征，其中通过递归图算法生成时频图谱，并设计了2D-CNN特征提取网络;使用Lorenz和Poincare两种不同的散点图算法获取能够反映RR间期及关系的散点图特征;还设计了一种基于Transformer的LP-PET特征加强模块，实现图谱特征的降维和加强。最后，提出了一种基于Equal-features(EF)的注意力特征融合检测方法，使用Wrapper特征选择算法为特征进行权重赋值得到权重向量，与特征向量结合形成基于注意力的特征向量，同时对特征向量和注意力特征向量训练与合并，实现AF检测。实验表明，所提方法在多数据库中的AF检出率可达97.09％。