【医疗器械方向开题报告：基于心电信号的心拍模式分类算法探究3600字】

开题报告题目基于心电信号的心拍模式分类算法研究学生姓名学号2专业机械设计制造及其自动化（医疗器械）学院指导教师本选题的意义及国内外发展状况：选题意义：心脏疾病一直是人类生命和健康的头号杀手，尤其是心血管疾病，它是全球头号死因，根据世界卫生组织的数据，全球每年约有2000万人死于心血管疾病，在中国，从1990年到2016年，因它而死的人数增加了58.5%，死亡率却降低了28.7%[1-2]。随着科技的发展，社会的发展，人类对心脏疾病更加的重视，如何预防和诊断心血管疾病具有重要意义[3]。心电信号中包含了心脏状态的各类信息，可以有效表征心脏的健康状况，并清晰展示心脏的异常特征，对于心脏类疾病的预防和诊断具有重要的参考作用[4]。临床使用时，医生基于自己的专业知识，经过的专业的培训后，通过对心电图上心电信号波形的变化对患者的病症做出诊断[5]。心拍分类作为动态心电信号分析的基础，对于心律失常的临床诊断具有重要意义[6]。但是当前心电信号的自动分析算法研究以静态、多导联心电信号为主，且各类静态心电信号数据库和研究算法层出不穷，该类算法获得了优异的检测结果。该类信号虽然能够准确反映患者在某个测量时刻的心脏异常情况，对于长时间跟踪心脏活动情况，实时反应心脏状态，总结心脏活动规律，预测心脏异常则力不从心[7]。近年来，随着人工智能技术发展与兴起，人工智能算法应用于心电信号的相关研究也日益增加。深度学习是机器学习领域的一个重要方向，目前已在计算机视觉，自然语言处理等领域取得了大量进展[8]。心拍分类作为动态心电信号分析的基础，对于心律失常的临床诊断具有重要意义。然而因为不同病例的心电波形存在形态差异，心拍类型更是种类繁多，心拍分类容易出现误检和漏检的问题。如何有效提升心拍分类的准确性是动态心电信号分析的首要目标。国内外发展状况：近年来有很多基于传统机器学习和深度学习的技术被应用于ECG信号的分类。就目前的现状而言，国外在心电信号分类领域仍处于领先地位。国际上许多机构先后构建了专门用于研究心电信号的数据库，比较权威且公认的，可以作为标准数据库的有麻省理工学院提供的MIT-BIH数据库，美国心脏学会的AHA数据库以及欧洲ST-T心电数据库。其中使用最广泛，最典型的数据库是MIT-BIH的心率失常数据库。1985年，Pan和Tompkins提出自适应阈值算法(又称PanandTompkins,P&T)，R波准确率达到了99.3%REF_Ref68027500\r\h[9]。2000年，Gaydecki等人利用希尔伯特变换的方法，实现了精确的R波定位，在MIT-BIH心律失常数据库的检测上达到了99.64%的准确率REF_Ref68027520\r\h[10]。2006年，陈永利等人利用基于数学形态和包络算法检测QRS波群，该算法的检测准确率达到了99.79%，取得了较好的检测结果REF_Ref68027541\r\h[11]。Yucelbasy等[12]用几种不同的方式对心电信号进行特征提取得到四个不同的数据集，之后采用随机森林对这四个数据集进行分类，基于形态学方法的准确率最高，达到87.11%。Surantha等[13]采用加权极值机器学习（weightedextrememachinelearning，WEML）处理数据集，准确率达到73.09%。SunH等人[14]设计出了将卷积网络和长短期记忆网络组合的5个深度神经网络来训练心电信号和呼吸信号，进行睡眠分期，达到80%的准确率。Y.Wei[15]等在单导联心电信号的基础上使用长短期记忆网络（longshort-termmemorynetwork,LSTM）构建五类分类器，NREM1期、NREM2期、NREM3期与REM期的准确率分别为89.84%、84.07%、77.76%、71.16%。多项研究证实，对于干扰较少的静态心电信号，在MIT-BIH心率失常数据库或AHA数据库上，常见的QRS波检测算法精度可以达到99%[16-17]。但在心电信号干扰较为严重或异常的节奏波形中如室性心律失常、传导心律失常等，尤其是当ECG记录来自动态心电图或可穿戴ECG采集时，常见的QRS波检测算法精度都无法达到80%以上[18]，严重制约了动态心电信号在临床诊断中的应用。马瑞琳（2020）[19]探究来基于深度学习的心电信号异常识别方法，针对心电信号的异常识别问题，提出了一个基于深度学习的改进型Cifar网络模型，可以自动提取心电特征，并将提取的特征馈送到Logistic分类器中进行分类.运用缩放变换获得图像的多分辨率表达，该表达符合心电图时序特点，克服了因数据量较少造成的网络过拟合问题.利用心电传感器采集志愿者心电信号，并结合正常窦性心律数据库(NSRDB)和突发心脏病死亡数据库(SDDB)建立训练测试集，用于验证方法的有效性.在对正异常心电信号的分类实验中，改进型Cifar网络模型可达到92%的准确率，灵敏度达到了94%，曲线下面积(AUC)值为0.969，优于传统的尺度不变特征变换(SIFT)+支持向量机(SVM)算法和反向传播(BP)算法，取得了较好的辅助诊断效果。马金伟[20]也探究来基于深度学习的心电信号识别分类算法，采用来一折"交叉验证法"训练和测试神经网络识别心电信号的性能，结果表明其网络层数不是越深越好，需要选择一个合理的层数使网络易训练易收敛，且识别分类效果最好.CRNN等深度学习算法能够很好应用于心电信号的自动识别分类。韦张跃昊[21]研究了基于深度学习的心电信号分类算法，运用了ResNet-Bi-LSTM算法，设计残差网络逐层进行心电信号特征自动提取，并叠加长短时记忆网络加强对心电信号时序特征提取的能力.首先通过平移和随机交换片段的方式增加样本数据量，再利用交叉检验确定全局池化层连接多层全连接的末端结构和15残差块的残差网络结构，然后叠加双向长短时记忆网络对深层次心电信号特征序列进行序列分析，时间信息提取.最终在2017PhysioNet/CinCChallenge数据集和临床数据集上此模型获得了优于传统分类方法的分类表现.本文ResNet-Bi-LSTM模型在92245条临床心电信号数据上分类平均F1达到0.8852，漏诊率0.368%，相对传统心电信号分类算法有很大提升.另外采用Stacking集成的方式组合随机森林模型，XGBoost模型，残差网络，ResNet-Bi-LSTM模型，最终模型分类平均F1达到0.8914，漏诊率降低至0.071%，进一步提升临床应用性能。在深度学习算法快速崛起之前，传统的机器学习算法是应用于心电信号分类的主要手段。但由于其对先验知识的依赖性，即需要对心电信号特征有一定研究的医生或是工程师利用其专业知识，对时域频域下的信号进行特征提取，再将提取到的特征输入算法进行分类。虽然传统的机器学习已经在该分类任务上有比较显著的成果，但其特征提取仍然依赖于人工提取，这在一定程度上限制了分类能力。相比较而言，深度学习算法基于卷积神经网络可以进行自主学习并提取特征的能力可以有效的代替人工提取过程。因此使用深度学习算法用于实现心电心拍模式分类，是一个有价值的研究方向。研究内容：本次研究基于MIT-BIH（美国麻省理工学院心率失常数据库）提供的心率失常心电信号数据集，对心电信号进行预处理，特征提取，以及实现心拍类别的分类。本次研究将采用基于卷积的深度神经网络，首先构建传统的卷积神经网络模型，对心电信号进行分类。在此基础上，对传统的模型进行改进，以提高模型预测准确率。主要的改进方向有两个，一是对模型结构和训练策略进行优化。二是采用更加先进，更适应于多分类任务的损失函数。并比较改进前后模型的预测准确率。研究方法、手段及步骤：本次研究的流程及相应的手段如下：1）信号读取：由于数据库提供的信号数据保存为自定义格式，首先需要使用特定的类库进行读取，并将二进制文件进行解析，得到能够被可视化的心电信号。2）信号预处理：其中，信号预处理部分又分为五个步骤。1.无关信号剔除：由于数据库提供的数据为连续记录的实验对象的心电信号，其中难免会有信号质量差，影响后期分析分类的信号，因此首先需要将这些信号剔除2.信号值归一化：为了方便后期输入神经网络进行特征提取，需要首先对信号进行归一化操作。3.波形截取：将连续的心电信号的每个QRST波型分别截断。4.信号下采样及降噪：使用信号处理库，设置合理的采样点，对信号波形进行下采样。并利用小波分解进行信号降噪。5.样本采样：保证类别间的平衡性。3）训练数据预处理：制作训练和测试数据集。4）模型搭建与优化：分为两个步骤。1.搭建传统的深度卷积神经网络模型，并验证其准确率。2.对模型结构和损失函数进行改进优化，验证其准确率，并比较改进前后预测效果的差异参考文献：徐国辰.心血管健康指南[J].健康大视野，2009(5):116-119.中国心血管健康与疾病报告2019[J].心肺血管病杂志,2020,39(09):1145-1156.DilaverisPE,ZervopoulosGA,MichaelidesAP,etal.Simpleelectrocardiographicmarkersforthepredictionofparoxysmalidiopathicatrialfibrillation[J].AmericanHeartJournal,1998,135(5):733-738.胡文博.基于深度学习心电诊断系统的研究与实现[D].北京邮电大学,2019.郑鑫.基于小波变换的心电信号去噪识别的研究与实现[D].北京邮电大学,2017.顾秀秀.可穿戴心电信号特征提取及分类[D].南京大学,2019.JiapuPan,WillisJ.Tompkin.Areal-timeQRSdetectionalgorithm[J].IEEETransactionsonBiomedicalEngineering,1985,32(3):230-236.隋文涛,崔善政,马宏洋,王峰,张洪波.基于变分模态分解的心电信号QRS波检测[J].生物医学工程研究,2019,38(02):151-155.PanJ,TompkinsWJ.Areal-timeQRSdetectionalgorithm[J].BiomedicalEngineeringIEEETransactionson,1985,32(3):230.BenitezDS,GaydeckiPA,ZaidiA,etal.NewQRSDetectionAlgorithmBasedontheHilbertTransform[J].ComputersinCardiology,2000,1:379-382.YucelbasS,YucelbasC,TezelG,etal.AutomaticsleepstagingbasedonSVD,VMD,HHTandmorphologicalfeaturesofsingle-leadECGsignal[J].ExpertSystemswithApplications,2018,102(7):193-206.UtomoOK,SuranthaN,IsaSM,etal.AutomaticSleepStageClassificationusingWeightedELMandPSOonImbalancedDatafromSingleLeadECG[J].ProcediaComputerScience,2019,157:321-328.SunH,WolfgangG,EzhilP,etal.SleepStagingfromElectrocardiographyandRespirationwithDeepLearning[J].Sleep,2020,43(7):306.XiChen,BeiWang,XingyuWang.AutomaticSleepStageClassificationforDaytimeNapBasedonHopfieldNeuralNetwork[C].北京:第25届中国控制与决策会议论文集,2013.HermesRE,GeselowitzDB,OliverGC.Development,distribution,anduseoftheamericanheartassociationdatabaseforventriculararrhythmiadetectorevaluation[J].ComputersinCardiology,1980:263–266.G.B.Moody,R.G.Mark.TheimpactoftheMIT-BIHarrhythmiadatabase[J].IEEEEngineer