摘要
当今社会，心血管疾病逐渐成为人类死亡率升高的主要原因之一。心电信号分析技术可以帮助医生及时了解患者的心脏状况，提高诊断和治疗的准确性。但是，由于心电信号（ECG）诊断规则的复杂性以及采集环境带来的多重噪声干扰，如何准确地识别心电信号中的特征，如能够反映心室异常的QRS波，并且根据这些特征点的定位，准确区分危害性更大的各类心室异常心电图，是一个紧迫并且重要的问题。本文针对五类在QRS波上相似度较高、临床上识别难度较大的心室异常心电图识别问题，提出了一种改进的传统学习结合深度学习的方法。面对质量较差且采集时间较长的长期监测设备采集数据，设计了一种结合光电容积脉搏波（PPG）对ECG信号的R波识别序列进行矫正的方法，能够准确定位R波位置；同时本文提出的改进模型架构结合了不同网络模块特点，面对原始数据集和根据R波位置得到的心拍数据集，可以有效提取其多角度和深层次特征。最后，针对经过模型提取并筛选后的特征集，使用集成学习方法进行融合得到最终预测精度较高的结果。 在数据预处理方面，本文将PPG信号中的收缩期波峰与ECG信号中的R波进行相关性分析，并将其结合起来以提高ECG信号中R波的识别率。在数据集划分方面，本文利用优化后的R波位置信息划分采集的原始长期心电图数据，得到心拍数据集并进行筛选，丰富模型训练的数据集，分别提取局部细节和全面整体的特征，用于下一步的模型融合。 在特征提取方面，本文提出的深度神经网络模型可以从时域和频域两个角度提取心电信号的特征。使用ResNeXt块和GRU块搭配使用构建网络结构，并引入改进的双通道层分解方法，减少全连接层参数量的同时，保证了网络学习效率。在将原始数据集和心拍数据集分别输入此改进网络结构，得到原始数据模型和心拍数据模型，这样可以有效提取长ECG信号的全面特征向量和QRS波的细节特征向量，并将其汇总得到完整特征集。 模型融合方面，先使用XGBoost对全部特征向量进行筛选，保留对模型精度贡献较大的部分，然后再对筛选后特征集采用随机抽样组合方式训练得到对应不同XGBoost模型，最后使用加权平均多个XGBoost模型的结果来得到最终预测结果，提高了整个模型的鲁棒性。 最后，通过在经过专家医生标注的临床环境采集数据集上进行实验，并进行了模型与其他医生诊断结果对比，这些实验结果验证了本文提出的分类方法在解决复杂异常心电图的分类问题方面的有效性；这是一种新的、有效的心电信号分析方法，可以为医生提供更准确的临床诊断辅助。
NETL