摘要
心血管疾病是为人类的生命健康带来威胁的一把利剑，心律失常在心血管疾病中最常见，一直都是生物医学研究领域关注的热点研究问题。心电信号记录了心脏跳动时产生的电活动，大多数心脏疾病可以通过心电图进行初步诊断。医生通过观察心电信号的波形能够判断心律失常的类别，但是这种传统的诊断方式十分依赖医生的知识和经验，不仅费时，而且对医生的资质要求较高，可能会导致医生负担过重，进而影响医生的诊断。因此基于12导联心电信号的心律失常智能分类研究具有重要的医学意义以及现实意义。 深度学习能够自动提取高层次的抽象特征，代替了传统手工提取特征的过程，因此随着智慧医疗的迅速发展，研究者们提出许多基于深度学习对心电信号的心律失常进行分类诊断的方法，但这些研究大多将重点聚焦于心电信号时间维度的特征，忽略了导联维度特征，进而影响网络预测的准确性。本文利用注意力机制、卷积核变换等深度学习技术设计深度神经网络，网络兼顾了心电信号的时间维度的特征以及导联维度的特征，并且取得了良好的分类结果。 本文的主要工作如下: (1)提出基于分组卷积和导联注意力的深度监督心律失常分类网络(Deepsupervised network based on grouping convolution and lead attention for arrhythmia classification，GLADNet)。该网络首先利用短时傅里叶变换对心电信号进行时频转换，得到心电信号的3维矩阵表示，以此作为网络的输入，其次基于分组卷积的思想从多个角度理解信号特征，从而得到更具有完整性和多样性的心电特征表示。再次，该网络的导联注意力机制能够自适应地赋予不同导联相应的权重，充分利用了导联间的多样性。最后为了增强隐藏层学习过程的直接性和透明度，该网络还融入了深度监督的思想，通过在主干网络的每一个残差块后增加辅助分类器，对该残差块提供直接监督，作为学习过程中的附加约束，使模型能够做出更准确的决策。在中国生理信号挑战赛2018(China PhysiologicalSignal Challenge，CPSC2018)提供的数据集中，对所提出网络——GLADNet进行训练和测试，并和目前主流心律失常分类网络进行了对比性评估，实验结果证明该结构性能较已有方法有一定的提升。 (2)提出基于可变和空洞卷积的自适应心律失常分类网络(Adaptive network based on residual deformed and dilated Convolution for arrhythmia classification,ADDNet)。在该网络中提出了残差可变卷积模块，该模块借鉴了可变卷积能够自适应调整感受野形状的特点，从而可以充分利用12导联心电图导联之间的特征信息;提出了残差空洞卷积模块，该模块借鉴了空洞卷积能够增大感受野又不会增加参数量的特点，从而可以充分利用时间维度上的特征信息。此外为了合理发挥上述两个模块的作用，本工作将残差可变卷积模块和残差空洞卷积模块得到的特征图以串联、并联以及自适应三种不同的方式进行融合。在2018年中国生理信号挑战赛(CPSC2018)的12导联心电图数据集上，对本章所提出的网络——ADDNet进行训练和测试。实验结果证明本文提出的网络优于该数据集上的其他心律失常分类方法，证明了该网络性能的优越性。 (3)提出基于可变卷积和双向LSTM (Long Short Term)的自适应心律失常分类网络(Adaptive network based on residual deformable convolution and bidirectional LSTM for arrhythmia classification，ADLNet)。该网络引入双向LSTM来增强模型对心电信号时间维度上下文的理解能力，进而获得心电信号中的时间特征信息;采用(2)中提出的残差可变卷积模块，提取心电信号导联间的特征信息;并且使用改进后的自适应融合模块将二者结合，以达到在训练过程中为二者分配权重的作用。在2018年中国生理信号挑战赛(CPSC2018)的12导联心电图数据集上，对本章提出的网络——ADLNet进行训练和测试。实验结果表明，基于可变卷积和双向LSTM的心律失常分类自适应网络结果高于目前已有的心律失常分类网络，证明了ADLNet在心律失常分类任务中的有效性。
NETL