第一章 绪论
1.1 课题的研究背景及意义
近年来，经济飞速发展，人们的生活水平有了显著的提高，同时人口老龄化进程和城市化进程也在不断加快，心血管疾病（Cardiovascular diseases，CVDs）导致的危害在持续升高，居民的患病率以及死亡率也在逐年递增。《中国心血管病报告 2017》[1]显示，中国心血管病患病率总体处于上升趋势。数据显示，国内约有 2.9 亿心血管疾病患者。包括 1300 万脑卒疾病患者、1100 万冠心病患者、500 万肺原性心脏病患者、450 万心力衰竭患者、250 万风湿性心脏病患者、200 万先天性心脏病患者、2.7 亿高血压病患者。预计在未来，心血管疾病的患者数量将进一步增加。在人类死亡原因的分析中，心血管死亡比例最大，约为 40%左右，同时农村的心血管死亡率一直高于城市水平。心血管疾病给人们带来的负担不断加重，对于农村居民的负面影响尤为显著。由于心血管的高患病率和高死亡率，其逐渐成为了相关学者研究的热点课题。心律不齐疾病是心血管疾病重要的分支，对其作出尽早的预防和诊断，具有十分重要的临床意义。
第三章 基于传统机器学习方法的心电信号分类识别...................................271.1 课题的研究背景及意义
近年来，经济飞速发展，人们的生活水平有了显著的提高，同时人口老龄化进程和城市化进程也在不断加快，心血管疾病（Cardiovascular diseases，CVDs）导致的危害在持续升高，居民的患病率以及死亡率也在逐年递增。《中国心血管病报告 2017》[1]显示，中国心血管病患病率总体处于上升趋势。数据显示，国内约有 2.9 亿心血管疾病患者。包括 1300 万脑卒疾病患者、1100 万冠心病患者、500 万肺原性心脏病患者、450 万心力衰竭患者、250 万风湿性心脏病患者、200 万先天性心脏病患者、2.7 亿高血压病患者。预计在未来，心血管疾病的患者数量将进一步增加。在人类死亡原因的分析中，心血管死亡比例最大，约为 40%左右，同时农村的心血管死亡率一直高于城市水平。心血管疾病给人们带来的负担不断加重，对于农村居民的负面影响尤为显著。由于心血管的高患病率和高死亡率，其逐渐成为了相关学者研究的热点课题。心律不齐疾病是心血管疾病重要的分支，对其作出尽早的预防和诊断，具有十分重要的临床意义。
心血管疾病的诊断方法主要包括影像学诊断、心电诊断以及疾病相关的生化标志物分析诊断等。伴随着科学技术的持续创新改进以及新型设备的不断研发，心血管疾病诊断的准确率和特异性大幅度提高，给临床治疗工作提供了极为重要的信息。另一方面医学技术的迅猛发展也促进了电子诊疗仪器的更新换代。而在心血管疾病的检测方面，心电诊断一直起着中流砥柱的作用。心电诊断主要包括心电图、动态心电图、心电向量图、心率变异性以及信号平均心电图等[2]。
心电图（Electrocardiogram，ECG）是心脏在心动周期中心肌细胞产生的生物电变化，通过检测体表的电位变化来描绘成的图形[3]。心电图作为一种自由以及非侵入性的测试方法，一直有着广泛的使用[4]。心电图包含了丰富的生理信息，是诊断居民是否患有心血管疾病的重要依据。
........................
1.2 课题研究的国内外现状
通过计算机技术对心电信号进行分类识别的研究已经持续了几十年时间[5]。本节主要对近些年来心电信号分析领域的相关研究进行总结。心电分析算法主要包括如下几个步骤：1）心电信号预处理；2）心电信号特征检测；3）疾病分类识别。本文算法的流程如图 1.1 所示。
1.2.1 心电信号预处理
心电信号作为一种生物电信号，反映了心脏在体表的活动情况。心电信号为低频信号，并且信号十分微弱，通常为 mV 量级。所以在采集过程中，心电信号很容易受到各种因素的干扰，例如工频干扰、呼吸干扰、肌电信号干扰以及其他设备的干扰等[6]。在对信号进行分析和处理时，很关键的一步就是预处理。预处理步骤的主要内容是对信号噪声的去除。
心电图（Electrocardiogram，ECG）是心脏在心动周期中心肌细胞产生的生物电变化，通过检测体表的电位变化来描绘成的图形[3]。心电图作为一种自由以及非侵入性的测试方法，一直有着广泛的使用[4]。心电图包含了丰富的生理信息，是诊断居民是否患有心血管疾病的重要依据。
........................
1.2 课题研究的国内外现状
通过计算机技术对心电信号进行分类识别的研究已经持续了几十年时间[5]。本节主要对近些年来心电信号分析领域的相关研究进行总结。心电分析算法主要包括如下几个步骤：1）心电信号预处理；2）心电信号特征检测；3）疾病分类识别。本文算法的流程如图 1.1 所示。
1.2.1 心电信号预处理
心电信号作为一种生物电信号，反映了心脏在体表的活动情况。心电信号为低频信号，并且信号十分微弱，通常为 mV 量级。所以在采集过程中，心电信号很容易受到各种因素的干扰，例如工频干扰、呼吸干扰、肌电信号干扰以及其他设备的干扰等[6]。在对信号进行分析和处理时，很关键的一步就是预处理。预处理步骤的主要内容是对信号噪声的去除。
信号噪声去除的方法主要是包括了三类：1）基于滤波器噪声去除；2）基于经验模态分解法（Empirical Mode Decomposition，EMD）的噪声去除；3）基于小波变换的噪声去除。基于滤波器的噪声去除主要依据噪声对应的频率响应来对噪声进行去除[7]。主要包括以下几种：移动平均滤波去噪、巴特沃斯低通滤波去噪、中值滤波去噪和 FIR 低通滤波去噪。关于经验模态分解法[8]，第一步把原始信号进行变换，把信号分解成有限个固有模态函数（Intrinsic Mode Function，IMF），随后重构分解后的固有模态函数，最后即可得到去噪后的信号。关于小波变换去噪方法，首先通过小波变换多尺度分解心电信号，并在信号重构时去除干扰信号，最后得到干净可用的信号[9]。因为小波变换对非平稳信号表现出了较好的处理能力，所以在心电信号的噪声去除方面，具有显著的优越性。
............................
第二章 心电信号的预处理
............................
第二章 心电信号的预处理
2.1 心电信号噪声
人体的心电信号十分微弱，通常心电信号的范围维持在 0.05~100Hz 之间，然而研究发现，90%的心电频谱能量集中在 0.25~35Hz 之间[37]。心电信号在采集的过程中会被外界条件和自身所干扰。研究结果显示这些干扰通常表现为以下几种：
人体的心电信号十分微弱，通常心电信号的范围维持在 0.05~100Hz 之间，然而研究发现，90%的心电频谱能量集中在 0.25~35Hz 之间[37]。心电信号在采集的过程中会被外界条件和自身所干扰。研究结果显示这些干扰通常表现为以下几种：
（1） 工频干扰
心电图仪、电磁场以及人体组成的环路电路将产生工频干扰。工频干扰的波形通常显示为正弦波的堆叠，频率则集中在 50Hz，为高频干扰。工频干扰属于一种常见的、不可以避免的噪声。干扰的幅度可达信号峰值的 50%。
（2） 基线漂移
人体的呼吸与运动会造成心电波形随着时间缓慢变化，这也就是基线漂移。基线漂移的幅值以及频率不断变换，而频率范围通常低于 1Hz，属于低频干扰。基线漂移的波形也类似于正弦曲线。
（3） 肌电干扰
当采集心电信号时，人体轻微运动和肌肉的紧绷都会导致肌电干扰。肌电信号没有规律，表现出来则是快速变化且不规则的波形。肌电干扰的频带范围较宽，为 5~2000Hz。其频谱特性接近于白噪声。
........................
心电图仪、电磁场以及人体组成的环路电路将产生工频干扰。工频干扰的波形通常显示为正弦波的堆叠，频率则集中在 50Hz，为高频干扰。工频干扰属于一种常见的、不可以避免的噪声。干扰的幅度可达信号峰值的 50%。
（2） 基线漂移
人体的呼吸与运动会造成心电波形随着时间缓慢变化，这也就是基线漂移。基线漂移的幅值以及频率不断变换，而频率范围通常低于 1Hz，属于低频干扰。基线漂移的波形也类似于正弦曲线。
（3） 肌电干扰
当采集心电信号时，人体轻微运动和肌肉的紧绷都会导致肌电干扰。肌电信号没有规律，表现出来则是快速变化且不规则的波形。肌电干扰的频带范围较宽，为 5~2000Hz。其频谱特性接近于白噪声。
........................
2.2 小波变换原理
心电信号通常较为微弱，表现出低频、低幅等特性。心电信号是非平稳性信号，所以在采集过程中会出现较多的噪声。传统分析方法主要是基于傅里叶变换（FourierTransform，FT），其只能对信号的频域进行分析，而不能时域和频域一起分析[38]。相比于傅里叶变换，小波变换（Wavelet Transform，WT）不但继承并发展了短时傅立叶变换局部化的思想，同时还可进行时频变换，是对信号进行时域以及频域分析的最为理想工具。小波变换同时还有多分辨分析的特点，更加适合非平稳的心电信号处理。小波变换方式分为连续小波变换（Continuous Wavelet Transform，CWT）[39]和离散小波变换（Discrete Wavelet Transform，DWT）[40]。
...........................
心电信号通常较为微弱，表现出低频、低幅等特性。心电信号是非平稳性信号，所以在采集过程中会出现较多的噪声。传统分析方法主要是基于傅里叶变换（FourierTransform，FT），其只能对信号的频域进行分析，而不能时域和频域一起分析[38]。相比于傅里叶变换，小波变换（Wavelet Transform，WT）不但继承并发展了短时傅立叶变换局部化的思想，同时还可进行时频变换，是对信号进行时域以及频域分析的最为理想工具。小波变换同时还有多分辨分析的特点，更加适合非平稳的心电信号处理。小波变换方式分为连续小波变换（Continuous Wavelet Transform，CWT）[39]和离散小波变换（Discrete Wavelet Transform，DWT）[40]。
...........................
3.1 心拍的分割...........................................27
3.2 心电特征提取.....................................27
3.3 特征降维...............................29
第四章 基于深度学习的心电信号分类识别........................................37
4.1 卷积神经网络基础理论................................43
4.2 基于卷积神经网络的分类模型设计....................................43
4.3 仿真实验.....................................44
第五章 总结与展望............................................47
5.1 本文研究工作总结............................47
5.2 存在的问题与展望......................................48
第四章 基于深度学习的心电信号分类识别
4.1 卷积神经网络基础理论目前，
CNN[61]已经成为一种重要的方法论成功应用于计算机视觉、模式识别和生物信息学。CNN 是一类前馈神经网络，其包含卷积计算且具有深度结构，也是最具代表的深度学习算法之一。CNN 对图像进行分类识别的灵感来自于生物神经元网络解决分类问题。与传统的机器学习方法相比较，CNN 具有很多优势，例如：
（1） 传统的机器学习需要专业知识来手动提取一组合适的特征进行分类。而 CNN 能够自动提取特征和完成分类任务。
（2） 传统的机器学习算法对于小样本数据分类效果较好，一旦数据量变得很大，不仅分类效果会变差且耗时很长。而 CNN 不仅可以对大样本数据进行很好的分类，同时也减少计算量，节省计算时间。
CNN 作为最受欢迎的神经网络之一，包含许多参数和一些隐藏的网络层。一个典型的 CNN 通常由一个输入层、一个隐含层和一个输出层组成[62]。而对于 CNN 中的隐藏层而言，往往包括多个卷积层、多个池化层和一个全连接层。
........................
（2） 传统的机器学习算法对于小样本数据分类效果较好，一旦数据量变得很大，不仅分类效果会变差且耗时很长。而 CNN 不仅可以对大样本数据进行很好的分类，同时也减少计算量，节省计算时间。
CNN 作为最受欢迎的神经网络之一，包含许多参数和一些隐藏的网络层。一个典型的 CNN 通常由一个输入层、一个隐含层和一个输出层组成[62]。而对于 CNN 中的隐藏层而言，往往包括多个卷积层、多个池化层和一个全连接层。
........................
5.1 本文研究工作总结
心血管疾病是一种常见的疾病，它发病率很高、致死率也很高，因此严重影响着人们的生活。基于此，本文基于计算机技术，提出了面向心血管疾病识别的心电信号分类的方法。本文主要包括两部分内容，第一部分为心电信号的预处理，第二部分为心血管疾病的分类识别。具体工作如下：
（1） 心电信号预处理。预处理包含了噪声去除和 QRS 波检测两部分。针对心电信号不同种类的噪声，设计基于小波软阈值的滤波器。首先对心电信号进行了小波 9尺度变换，从而可以对信号进行了时域和频域分析。然后对心电信号中的主要噪声实施了软阈值处理，对其中的噪声进行了有效的去除。最后将处理后的小波系数进行重构，得到了干净可用的信号。针对心电波形的特点，采用了自适应双阈值算法，对心电信号的 R 波峰进行较为准确的定位分析。首先对信号预处理，主要对信号进行了滤波变换处理，将信号变成了单峰信号。接着利用自适应双阈值算法，设置一高一低双阈值，对信号的 R 波峰进行了准确的定位。最后以 R 波为基准点，分别向前和向后取点，组成相应的待检测区域，对信号的 Q 波和 S波进行了定位。#p#分页标题#e#
（2） 基于传统机器学习方法，对小样本心电信号分类识别。首先使用离散小波变换对干净的信号样本进行 5 尺度分解，然后在不同尺度上，对信号实现特征提取，本文共提取了 24 个特征。接着使用了信息增益法，对信号的特征做了降维处理，得到更为有效的 10 个特征。最后将这 10 个特征输入到 RF、KNN 和 C4.5 分类器中，对信号进行分类，获得了 98.08%的正确率。
参考文献（略）
