基于深度學習的心電信號降噪和T波自動檢測研究.pdf

1、心臟性猝死具有突發(fā)性、高發(fā)病率和高致死率的特點，是心血管領(lǐng)域關(guān)注的熱點問題。在遠程醫(yī)療背景下，動態(tài)心電監(jiān)護是心臟性猝死預測的有效方法。心臟性猝死發(fā)生前，動態(tài)心電圖的Q-T形態(tài)和間期時常伴有異常改變，從而使Q-T段的識別和分析成為了心臟性猝死早期預測的關(guān)鍵。其中 T波信號微弱，易受噪聲干擾，而且形態(tài)多變，因此在遠程醫(yī)療背景下心臟性猝死預測的研究中，心電信號降噪和T波檢測逐漸成為研究的重點和難點。
　　本文考慮人體個體差異特征，以及遠

2、程醫(yī)療背景下信號噪聲多、干擾大等因素，利用遠程醫(yī)療背景下心電信號具有大數(shù)據(jù)特征的優(yōu)勢，引入深度學習，研究心電信號降噪和T波自動檢測算法。主要工作如下：
　?。?）心電信號中部分噪聲的頻譜和主要信號頻譜存在重疊現(xiàn)象，傳統(tǒng)的降噪方法很難將其濾除干凈。為此，本文利用遠程醫(yī)療背景下心電信號具有大數(shù)據(jù)特征的優(yōu)勢，提出了基于降噪自動編碼器構(gòu)建深度神經(jīng)網(wǎng)絡的心電信號降噪算法。通過堆疊多個降噪自動編碼器，可以抽象輸入信號的深層次特征。利用降噪自動

3、編碼器提取信號魯棒性特征的能力，完成從含噪聲信號中重構(gòu)原始信號的得任務?；谛碾娦盘栔g的相似性構(gòu)建訓練數(shù)據(jù)，調(diào)整網(wǎng)絡參數(shù)，使得構(gòu)建的神經(jīng)網(wǎng)絡完成心電信號降噪。
　　（2）針對基于降噪自動編碼器的心電信號降噪算法中，部分降噪信中含有的鋸齒狀噪聲殘留情況，采用小波自適應閾值和壓縮降噪自動編碼器優(yōu)化降噪模型。通過在損失函數(shù)中增加隱含層輸出信號對輸入信號雅可比矩陣的Frobenius范數(shù)平方項，來抑制網(wǎng)絡隱含層過大變動對輸出的影響，從而

4、提高了網(wǎng)絡降噪的性能。同時，小波自適應閾值法濾除部分噪聲，使得較低的樣本維度可以包含盡量全面的信號和噪聲特征，進而降低網(wǎng)絡各層的節(jié)點數(shù)，簡化算法的計算復雜度。
　?。?）現(xiàn)有T波檢測算法中，T波形態(tài)檢測和特征點檢測之間是互相影響的，如果得知T波形態(tài)就可以提高T波的關(guān)鍵特征點檢測精度，但是不知道T波關(guān)鍵特征點的信息又無法判斷T波形態(tài)。為了解決T波形態(tài)檢測和特征點檢測之間的矛盾關(guān)系，本文考慮人體作為復雜的生物體具有個體差異的基本特征，

5、提出了基于形態(tài)指導的T波自動檢測算法，采用稀疏自動編碼器提取T波形態(tài)特征，并將其分為單峰直立、單峰倒置、負正雙向和正負雙向四種類型。隨后，根據(jù)每一類T波形態(tài)的特征，采用傾斜高斯函數(shù)進行數(shù)學建模。通過分析模板和T波段的相關(guān)性，實現(xiàn)T波的特征點檢測。
　　為了驗證本文的研究成果，將所提的心電信號降噪算法和T波自動檢測算法應用于所在科研團隊自主研發(fā)的智慧心電監(jiān)測平臺中。經(jīng)過實際采集的心電信號測試表明，本文提出的心電信號降噪算法可以在濾除