基于神经网络的心电数据分类算法研究

论文摘要

多年来心脏病是威胁人类生命的主要疾病之一,全球因心脏病而死亡的人数仍然不断增长。心电图是心脏活动的直观反映,从心电图中提取心电数据并对其进行分析,对诊断和防止心脏疾病具有重要意义。全球每天都会产生海量的心电数据且因医疗专家人数有限,无法及时处理大量心电数据,且目前大多数用于心电分类的神经网络算法只关注提高准确率而忽视计算代价,无法在受限设备上部署运行。为此,本文基于神经网络对心电数据分类算法进行研究,并在此基础上搭建了心电存储及标注平台。主要研究内容如下:（1）针对当前神经网络算法参数过大,分类时间长等问题。本文提出一种基于神经网络的轻量级神经网络算法LiteNet（Liteweight Neural Network）。该算法采用独特的卷积结构与卷积方式使其能够充分提取数据特征的同时提高算法的分类效率。为了验证LiteNet的分类性能,本文采用两种不同的心电数据集对算法进行训练并测试,实验结果证明LiteNet在数据集MIT-BIH和数据集CCDD上都取得了较好的分类效果,分别达到了97.87%和92.5%的准确率。同时设计其它三个模型与LiteNet对比,充分证明LiteNet的结构优势。（2）针对海量心电数据的存储格式不规范和心电诊断效率低等问题。本文构建了一个心电存储及标注平台,该平台将心电数据以HL7-aECG（Health Level7 Annotation Electrocardiogram）的标准格式存储,有利于实现存储格式的统一。同时根据MongoDB数据库特点对每条心电数据样本进行分割实现高效存储。最后,将训练好的LiteNet模型部署到本平台,在提供手动标注功能的基础上为心电专家提供自动标注功能进行辅助诊断,提高工作效率。本文针对心电数据的分类设计一种新的神经网络算法,该算法在保证数据分类准确率的同时减少计算代价以及计算时间的消耗。并在此基础上构建了心电存储及标注平台,实现心电数据合理化存储的同时提供逐个心拍的手动与自动标注等功能,为心电数据的诊断提供有效的手段。

论文目录

• 摘要
• Abstract
• 1 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•     1.2.1 传统心电自动分析的方法
•     1.2.2 神经网络自动提取特征的方法
•   1.3 心电自动分析难点
•   1.4 本文的主要内容和创新性
•   1.5 本论文的章节安排
• 2 心电的基本知识及相关工作
•   2.1 心电的基本知识
•   2.2 心电数据库介绍
•     2.2.1 MIT-BIH数据库
•     2.2.2 CCDD数据库
•   2.3 神经网络算法
•     2.3.1 卷积神经网络算法
•     2.3.2 GoogLeNet算法
•     2.3.3 SqueezeNet算法
•     2.3.4 MobileNet算法
•   2.4 本章小结
• 3 基于LiteNet的心电数据分类算法
•   3.1 LiteNet算法的实现
•   3.2 LiteNet算法的优化
•   3.3 数据预处理
•     3.3.1 MIT-BIH数据预处理
•     3.3.2 CCDD数据预处理
•   3.4 MIT-BIH实验结果
•     3.4.1 实验平台
•     3.4.2 评价指标
•     3.4.3 MIT-BIH数据实验结果
•   3.5 CCDD实验结果
•   3.6 本章小结
• 4 心电存储及标注平台的设计与实现
•   4.1 平台总体方案
•   4.2 用户功能介绍
•   4.3 平台存储功能实现过程
•     4.3.1 数据存储格式的设计
•     4.3.2 数据库存储结构的设计
•   4.4 标注功能的实现实现过程
•     4.4.1 手动标注的实现
•     4.4.2 自动标注的实现
•   4.5 本章小结
• 5 总结与展望
•   5.1 总结
•   5.2 研究展望
• 参考文献
• 个人简历、在学期间发表的学术论文与研究成果
• 致谢

文章来源

类型: 硕士论文

作者: 何紫阳

导师: 曹仰杰

关键词: 心电数据,神经网络,心电存储及标注平台

来源: 郑州大学

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,自动化技术

单位: 郑州大学

分类号: TP183;R318

总页数: 64

文件大小: 3985K

下载量: 202