基于深度学习的ECG疾病识别研究论文设计.docx

基于深度学习的ECG疾病识别研究论文设计.docx

《基于深度学习的ECG疾病识别研究论文设计.docx》由会员分享，可在线阅读，更多相关《基于深度学习的ECG疾病识别研究论文设计.docx（32页珍藏版）》请在冰豆网上搜索。

基于深度学习的ECG疾病识别研究论文设计

摘要

人体中最重要的器官就是心脏，它为流淌在全身的血液提供动力，假如心脏出现了某些问题，即产生了心血管疾病症状，那么血液循环的动力就出现了问题，就会影响我们的身体健康，严重的甚至会引发死亡。

例如心血管疾病之一的心肌梗塞，它是一种常见的病症，人们的生活在以往的水平线上又上升了一个台阶，越来越优越的生活下也隐藏着工作压力，致使很多人处于亚健康的身体状态，长此以往就极有可能会引发心绞痛——心肌梗塞的前期症状，进而可能发展成为心肌梗塞，更严重的引发死亡。

因此能够及时、准确的诊断出病症，做出更加有效的病理控制，对于减少心肌梗塞的死亡率至关重要。

心血管类疾病的诊断大多数都是由临床医生根据心电图进行，但是这样进行诊断的效果还不是很理想，疾病进一步的确诊还需要由专业医师进行。

所以，在人工智能、大数据时代，将计算机算法的快速反应以及通过改进的计算机算法相结合进行疾病的诊断的步伐应该加快。

本文患心肌梗塞疾病的心电数据以及健康者的心电数据都是从Physiobank数据库的PTB心电数据库中获得的，通过基于小波变化的去噪方式对提取的信号进行预处理，使用长短期记忆法（即LSTM）对预处理之后的ECG信号进行特征提取，建立心肌梗塞的支持向量机模型（SVM）以及线性回归模型，分析心肌梗塞模型特征，由此归纳总结心肌梗塞患者的ECG信号特有标志，从而为更加高效、准确的对疾病做出诊断提供可能，为患者争取更多的治疗机会。

关键词：

心电信号；心肌梗塞；小波去噪；提取；识别

Abstract

Themostimportantorganinthehumanbodyistheheart,whichprovidespowerfortheflowofbloodthroughoutthebody.Ifthereissomethingwrongwiththeheart,thatis,therearesymptomsofcardiovasculardisease,sothereissomethingwrongwiththepowersystemofbloodcirculation,whichwillaffectourhealth,andevenleadtodeath.Suchascardiovasculardisease,oneofmyocardialinfarction,itisacommondisease,thelifeofpeopleinthepastlevelupanotherstep,moreandmoresuperiorlifeworkalsohiddenunderpressuretoincrease,suchascausingalotofpeopleinthesub-healthstateofthebody,inthelongtermitisassociatedwithagreaterriskofearlysymptomsofanginapectoris,myocardialinfarction,whichmaybecomeamyocardialinfarction,amoreseriouscausedeath.Therefore,timelyandaccuratediagnosisofthediseaseandmoreeffectivepathologicalcontrolarecrucialtoreducethedeathrateofmyocardialinfarction.

Mostofthediagnosisofcardiovasculardiseasesiscarriedoutbycliniciansaccordingtotheelectrocardiogram,buttheeffectofsuchdiagnosisisnotideal,furtherdiagnosisofthediseasestillneedstobecarriedoutbyprofessionaldoctors.Therefore,intheeraofartificialintelligenceandbigdata,therapidresponseofcomputeralgorithmsandthecombinationofimprovedcomputeralgorithmsfordiseasediagnosisshouldbeaccelerated.

TheECGdataofmyocardialinfarctiondiseaseandhealthysubjectsECGdataareacquiredfromPhysiobankdatabasesPTBECGdatabase,throughchangesbasedonwaveletdenoisingmethodtoextractthesignalpreprocessing,usingthemethodofshort-andlong-termmemory（LSTM）forpretreatmentofECGsignalfeatureextraction,establishthesupportvectormachine（SVM）modelofmyocardialinfarctionandthelinearregressionmodel,analyzingthecharacteristicofthemyocardialinfarctionmodel,theinductiveconclusionECGsignalcharacteristicsignofmyocardialinfarctionpatients,thusformoreefficientandaccuratetothediseasediagnosispossible,Tostriveformoretreatmentopportunitiesforpatients.

Keywords：

ECG;myocardialinfarction;waveletdenoising;extraction;recognition

第1章绪论

1.1研究背景

城市化、老龄化在经济的发展之下进程也进一步加快，人们不健康的生活方式越来越突出，这样就使得引发心血管病的危险因素暴露的越发显著，发病人数一直呈现上升的趋势，心血管疾病在农村的死亡率一直高于城市[1]。

据不完全统计，我国心血管疾病患病人数预计突破3亿，心血管病死亡率在各种原因导致的死亡率中占据榜首，平均每10秒钟就有一人死于心血管疾病[2]。

更加令人需要注意的是此类数据近些年仍然处于上升状态，尤其是在成年人群，这一数据一直居高不下，中国心血管病的负担日益加重，已经成为迫在眉睫需要解决的威胁公众身体健康的问题，所以加强现代科技技术与医疗技术的结合，加快运用计算机对疾病的识别、诊断进行辅助的步伐尤为重要。

在心血管疾病中，突发性心肌梗死成为导致死亡的一大重症。

在郝志国[3]（主要从事法医现场勘查、法医病理学、法医临床学检验鉴定工作）对心肌梗塞死亡法医学分析3例中，3例死者都是在经历过打斗之后身体感到有不舒服的感觉，随后立即倒地，并且在短时间内死亡。

经尸体检验发现，这3例死者冠动脉严重狭窄，同时研究人员还发现了不同程度的陈旧的、新鲜的心肌梗塞[3]。

冠状动脉如果发生了堵塞，就会引起心肌梗塞，进而可能会产生由于供血不足心肌缺血坏死的情况，这个病症在45岁以下人群中产生的概率一直在上升，而此病及时就医是最重要、最有效的手段。

随着科技的发展和时代的需求，采用计算机相关技术对医学诊断进行分析和处理已得到越来越多的应用，尤其是对医疗中是否患有某项疾病的图像的识别诊断[4]。

心电图（electrocardiogram，ECG）能够反应人体心脏健康状况，是判断是否患心血管疾病的重要依据，在临床上被广泛用于心血管疾病的筛查和诊断[5]。

但是，目前仅仅是由临床医生通过心电图波形的变化来进行心血管疾病的诊断的效果还不够理想，还需要专业医师的进一步确诊；但是总是会发生存在一些心电图的特征没有明显异常特征的患者，而是只有在发病或者是病情恶化的时候才呈现明显的病症特有的波段异常特征[6]，这一过程的发生，无疑使得患者确诊以及做出有效的病理措施的时间增加，众所周知在医学诊断中，时间就是生命，也许仅仅一秒之差，可能对于患者来说就是生死关头的问题，所以利用现代计算机技术与心电诊断进行结合以便及时、有效做出诊断对于医生、患者来说都至关重要。

世卫组织有统计表明，心血管疾病将成为“头号杀手”，全球每年预计超过1800万的人死于心血管疾病[12,13]，而人们众所周知的死亡率较高的癌症、艾滋病等却还都不如心血管疾病所造成的死亡率。

更应该让人们引起重视的是，心血管疾病的发生与年龄、性别等并没有关系，而且近些年青少年发生心血管疾病并导致死亡的案例屡见不鲜，逐渐成为威胁人类健康的重要因素。

研究表明，睡眠质量不好的人患心血管疾病的概率比其他疾病高出2到3倍，而且极度容易引发心肌梗塞的发生，世界卫生组织报告，全世界三分之一左右的人口存在睡眠问题，由此可见，存在潜在型心肌梗塞患者。

而心肌梗塞疾病的致死率又高于其他心血管疾病，在心肌梗塞发生时，最好的方法就是及时就医，为在早期还没有发生心肌组织改变的心肌细胞进行溶栓治疗争取时间，缩小坏死面积，恢复心肌的功能，减少死亡率。

在整个社会环境的影响下，人们的生活方式不够健康，没日没夜的加班、不分时间的吃着外卖等等，养成了不够规律、不够健康的生活习惯，使得人们的身体每况愈下，不仅仅包括中老年人，就连青少年由于心血管疾病而发生猝死的情况也更多，所以，在倡导健康生活方式的情况下，能够更加及时、准确的对类似心肌梗塞这样病情发展迅速的疾病做出诊断并给予病理治疗在现阶段以及以后的发展中尤为重要。

1.2国内外研究现状

心电图（即ECG）是心脏活动的表现形式，临床医生、专业医师可以通过心电图的波形特征可以判断出心脏可那个出现了某些问题，由此来给患者相应的病理康复建议。

ECG信号中不仅仅有作为疾病判断依据的心电信号，同时还存在有影响分析特征的噪声，主要包括基线漂移噪声、工频噪声干扰和高频肌电干扰三种[8]。

要通过心电图进行疾病的识别诊断，首先需要对心电信号中存在的“噪声”进行去除[11]或者降低其对心电信号的干扰，降噪进行完毕后再进行心电信号的分析判断，这样得来的结果才更加准确，才能对疾病进行更加良好、准确、高效的诊断。

目前研究中使用频率较高的去噪方法主要包括：

1）基于滤波器的噪声去除；2）基于经验模态分解法（EMD）的噪声去除；3）基于小波变换的噪声去除[9]。

噪声去除如果依赖于小波变换的话，是ECG信号被小波变换进行了多尺度的分解，然后在重构的时候将噪声去除掉。

它拥有傅里叶变换局部化的思想，也可以进行时频变换[9]，再噪声去除的同时，还要保证重要心理信号的有效保存，基于小波变换的噪声去除就拥有这样的优势[10]；依据滤波器的噪声去除主要是依据噪声频率特征进行去除，经验模态分解法是将原始信号进行变换，然后将其分解成有限个固有模式函数，与这两种方法相比，小波变换在走啊还是那个去除过程中的能力更强，所以它的应用更广泛。

在去噪完成之后需要对ECG信号进行特征提取，应用于深度学习中的特征提取方法种类很多，为了能够更好的进行保存整个信号前后的状态，进行更有效的分析诊断，选用“长短期记忆网络”（即LSTM）进行ECG信号去噪之后的特征提取，它是可以保存上下文状态的RNN网络中的一种，开阔了神经网络的边界限制，可以为长期依赖性问题提供解决办法。

它在这一时刻的隐藏层和后面时刻隐藏层的节点有边，使得在时间上有延迟。

因此，LSTM网络被设计为处理远距离时间依赖性，可以提取时间序列的信息[8]。

在特征提取完毕之后，下面就可以使用智能算法进行模型的建造、分类、分析，为进一步的疾病识别诊断做最后一步的准备。

目前常用的算法有：

支持向量机（SVM）、人工神经网络（ANN）和线性判别（LD）。

在这些算法中，最常用的是SVM，MIT-BIH数据库不平衡问题[5,14]。

是不利于使用的，需要解决，而在解决这个问题的时候使用了模拟层次结构的Chazal等人[14]就使用了此算法进行。

经历过一系列的处理之后ECG信号相对来说可用性更高，对于疾病的诊断也更加精确。

在大数据、人工智能的推动下，很多繁琐的工作将会变的相对简易，同时准确性、高效性也将进一步提高。

1.3本文研究内容及章节安排

从前文叙述的背景以及各项数据的描述中可以发现，心电图的研究对于目前以及以后的发展来说必不可少，特别是在计算机技术辅助下的医疗诊断方面，对于心肌梗塞的图像特征提取研究也不是很多，所以，本文在Pyhsiobank数据库选择PTB心电数据库，选取里面的心肌梗塞患者以及健康对照，对心肌梗塞患者的ECG图像进行去噪、特征提取，以便进行进一步的疾病诊断。

第1章为本文的研究方向和内容，包括研究现状和章节安排。

第2章为本文应用到的一些基本理论知识。

包括心电图的基本产生原理、心电图导联、心电图各波段的介绍；心电数据库的介绍、心电信号的特征分析；噪声的分类、深度学习技术的介绍以及LSTM模型的相关介绍。

第3章为心电信号的处理算法。

包括降噪处理和特征提取。

第4章为心电数据信号的分类识别。

包括数据的收集整理、模型的建立以及心肌梗塞疾病的最终判断。

第5章是本文的总结。

第2章基本概念理论

2.1心电图有关理论

2.1.1心电图原理

心肌细胞膜是半透膜，半透膜具有选择通透性，使得心肌细胞膜内外的电位会有变化。

当处于静息状态的时候，膜外是一定数量的正电阳离子，膜内是负电阴离子，外正内负，膜外的电位相对膜内要高，称此为极化状态，在此状态下，不会有电位差，这样测得的电位线就是平直的，称为等电位线。

但是一旦心肌细胞受到刺激，通透性发生变化，会产生除极过程，即阳离子会进入膜内，那么电位就会在膜吸收了阳离子时候变为正，记录到的电位曲线称为除极波，也就是心电图中显示出来的P波和QRS波。

除极完成之后阳离子会排出来，使得膜内点位再次变为负，恢复为极化状态，称为复极，由电流记录仪记录到的电位曲线称为复极波，其过程缓慢，幅度较低，不易测得，表现为T波。

细胞复极之后，会再次恢复极化状态，没有电位差，测得等电位线。

心电图（ECG），是英国皇家学会玛丽医院的生理学教授Waller于1887年在犬和人类的心脏上应用毛细管静电计第一次记录得到。

心电图记录的是人体心脏活动的可视时间序列，人体心脏的综合表现[7]可以由心电图直观的反应，所以心电图成为检查心血管疾病、医生诊断病患情况的重要依据之一。

2.1.2心电图导联

心电图导联就是通过与心电图机的电流计正负极相连的导线放置在人体不同部位的电路连接方式，目前存在的常规12导联体系是被广泛应用的体系，包括与肢体相连的肢体导联（包括标准肢体导联I、Ⅱ、Ⅲ和加压单极肢体导联aVR、aVL、aVF）和与胸部相连的胸导联（属单极导联，包括V1~V6导联）。

如表2.1所示。

不同的导联是由不同的两个电极或者一个电极、一个中央电势端（也称威尔森中央电端）组合形成的。

然后导联线又将它们与电流计的正负极连接起来（如表2.2所示），以此方式进行心脏电活动的有效记录。

连接起来的两个电极组合，可以称为双极导联，一正一负。

Ⅰ、Ⅱ和Ⅲ导联是前面叙述过的双极肢体，相对应的有单极导联，它是电极和中央电势所形成的导联，在这个时候，产生的探测电极是正极，而中央电势端是负极。

表2.1：

电极名称及位置

Table2.1:

electrodenameandlocation

电极名称

电极位置

LA

肢体左侧上方

LL

肢体左侧下方

RA

肢体右侧上方

RL

肢体右侧下方

V3r

V1、V4r之间

V4r

5肋间隙右边锁骨中

V5r

5肋间隙右边腋前

V1

4肋骨间隙胸骨的右边

V2

4肋骨间隙胸骨的左边

V3

V2、V4之间

V4

5肋间隙左锁骨的中间

V5

5肋间隙左边腋前

V6

5肋间隙左边腋中

V7

5肋间隙左边腋后

V8

5肋间隙左肩胛下

V9

5肋间隙左脊柱旁线

表2.2：

各导联连接示意

Table2:

connectiondiagramofeachlead

导联名称

负极

正极

I

RA

LA

II

RA

LL

III

LA

LL

V1

中央电势端

V1

V2

中央电势端

V2

V3

中央电势端

V3

V4

中央电势端

V4

V5

中央电势端

V5

V6

中央电势端

V6

avR

1/2（LA+LL）

RA

avL

1/2（RA+LL）

LA

avF

1/2（LA+RA）

LL

2.1.3心电图波段

临床医生都是根据心电图波形的变化作为依据，根据病理状态判断患者患病情况，心电图通过波形的变化来表示不同的病症，所以说研究心电图波段的变换情况对于心血管疾病的诊断等至关重要，心电图各波段及相应心电活动的意义如表2.3所示。

（1）P波

健康人的心电图都会显示是窦性心电图，因为在心脏正常的健康状态下，电信号的发生是从窦房结开始的，而且会首先被传播到人体的右心房，随后才会被传到左边的心房，这样就形成了P波，它的时限一般为0.12秒，高度在0.25mv左右。

通常来说P波不会呈现高尖的形态，而且它的振幅也不大，还有需要了解的一点是在不同的导联中P波的形状可能会有一些不同，特别是在II导联和VF导联此特征表现的很明显[5]，但是也会有特殊情况的发生，那就是在心房变大，电信号在心房之间的传导出现异常状况的时候，P波可能会出现为高尖或双峰的态势。

（2）PR间期

PR间期代表由窦房结产生的兴奋经由心房、房室交界和房室束到达心室并引起心室肌开始兴奋所需要的时间，从其传递的过程来看，它也经常被习惯性的称为房室传导时间。

健康人的正常心电图中，PR间期大于0.12秒而小于0.20秒。

在这个过程中也会出现特殊情况的发生，比如说当从心房传到心室的信号出现了阻滞的情况时，就会表现为PR间期的延长或者是在P波之后心室波的消失。

（3）QRS波群

QRS波群的形成是由电激动向下传产生的，经过希氏束、左右束枝，可以同步激动人体的左右两个心室。

心室的除极就可以由QRS波群来描述，它的时限小于0.11秒。

但是当出现例如心脏左右束枝的传导阻滞、心室扩大或肥厚等特殊情况的时候，QRS波群会出现增宽、变形和时限延长的特征。

（4）J点

在QRS波群完毕，ST段刚好开始得的地方的汇集点。

当心肌细胞除极完成之后就会出现这个点。

（5）ST段

从ST段的名称里也可以看出来，它将QRS波群以及T波连接起来。

它代表的是在复极还没开始，但是除极已经完成的那一段时间，这个时候的心肌都是除极状态，没有电位差的存在，所以健康者的正常心电图中的ST段都是在等电位线上。

但是如果出现了特殊情况，比如如果有心肌缺血或者心肌坏死出现的话，心室在除极完成后依然有电位差的存在，在这种情况下就会在心电图上产生ST段偏移的情况。

（6）T波

心室的复极是由T波来表示的。

T波的方向与QRS的主波方向是一致的。

很多特殊情况的发生都有可能会使T波发生改变。

例如发生心肌缺血的情况时T波会出现低平倒置的现象。

而高血钾、急性心肌梗塞都会表现为T波的高耸。

（7）U波

在T波之后的某些导联中可以看到U波，目前研究中，暂时觉得它与心室的复极有关。

（8）QT间期

心室从除极开始一直到复极是需要一定时间的，这个时间是可以用QT间期来表示的。

在健康者的正常心电图中QT间期为0.44秒。

但是心率有时会对QT间期产生一定的影响，基于此，引入了修改的QT间期（QTC）的定义。

计算它的方法之一可以表示为QTc=QT/√RR。

存在特殊情况的发生使得QT间期有变化，例如恶性的心律失常会使QT间期有所延长。

表2.3：

心电图波段意义

Table2.3：

significanceofECGband

心电图波段

相应心电活动的意义

P波

心房的除极活动

T波

心室的复极化

U波

目前认为可能复极化有关

QRS波群

心室的除极活动

ST段

心室除极进行完毕

PR间期

房室的传导时间

QT间期

从心室除极一直到完全复极经过的时间

2.1.4心电数据库

心电数据库是专门用来保存病例和健康人群心电数据信号的数据库。

MIT-BIH心电数据库，它是由美国麻省理工学院与BethIsrael一员联合建立；AHA心律失常心电数据库，这是由美国心脏学会主持运营的；还有欧盟的CSE心电数据库以及QT心电数据库。

以上所述的4个数据库，是目前世界上公认的、具有权威性的心电数据库，使用者可以直接进行数据的下载使用。

MIT-BIH心律失常数据库包含从1975~1979年间BIH心律失常实验室的47名研究对象的48个30分钟长度双通道动态心电图记录片段，片段记录采样率为360Hz，数字分辨率为11位，47名研究者分别为25位年龄在32至89岁之间的男性和22位年龄在23至89岁之间的女性。

在大部分的记录中，电极会放在胸部位置，肢体导联II（MLII）是由上部信号经过修饰后产生的。

下部信号通常是经过修改的导线V1（有时是V2或V5，有时是V4）；至于上信号，电极也放在胸部。

BIH心律失常实验室通常使用此配置。

AHA心律失常心电数据库拥有一个包括了80个数据的系列，还有一个包括75个数据的系列。

这其中每一个数据都会持续3h的时间。

在每个系列中又可以分为8个心律失常的大类，每一类中有10个心电数据（第二系列第五类只有5个）。

采样频率为250Hz，数字分辨率为12位。

室性心律不齐分类器的运作性能是需要评判的，而产生AHA数据库的主要目的就是为此，然而，正常窦性心律与室上性异位搏动[5]这两类情况在这个数据库下是没有办法区分的。

CSE心电数据库，它的开发目的主要是为了对心电图自动分析仪的性能进行评价。

心电数据库主要是从现有的ECG数据库中选择患者以及健康者的ECG记录，随后便会对选择好的记录进行统一规划管理，以供研究者调取使用。

2.1.5心电信号特征

（1）近场性[6]：

信号只有在人体表面才能检测到，离开即使很小的距离也不会被心电仪检测到；

（2）频率低：

心电信号的强度非常微弱，一般都是用mV级来衡量；

（3）干扰强：

干扰既来自生物体内，如肌电干扰、呼吸干扰等，也来自生物体外，如干扰信号与本身心电信号频带重叠的工频干扰、信号拾取时因为不良接地导致的外来干扰等。

在对心电信号进行噪声的降除时，如果有频带的重叠则会使得工作难度加大。

使用MATLAB软件进行数据收集分析绘图如图2.1所示。

图2.1MATLAB绘制ECG信号

Figure2.1mappingECGsignalbyAtlas

此图为PTB心电数据库中编号为1的样本数据，通过MATLAB软件将其展现为此形式，此图波形可以看出，其起伏幅度并不是很明显，所以在分析心电图并通过心电图判断是否患有心血管类疾病时，