摘要
心血管疾病是全球死亡率最高的疾病之一。为了提高患者生存率，早期诊断和治疗至关重要。然而，传统的心血管疾病诊断方法存在误诊率高和检测精度低等问题，难以实现早期精准诊断。本文采用深度学习方法，结合心电信号和多维结构化心血管疾病数据，探索自动化辅助诊断心血管疾病的可能性。通过这种方法，可以为患者提供更加准确的早期预防和治疗依据。主要完成以下研究工作： 1.针对心电信号数据，提出了一种基于卷积神经网络和门控循环单元的心电信号自动诊断分类模型MECNN-GRU。在心电信号分类过程中，噪声会影响准确性，因此首先采用daubechies4（db4）小波函数对心电信号进行尺度分解，并使用适当的阈值函数对各个尺度的小波系数进行滤波处理，去除心电信号中的噪声成分，最终实现心电信号重构，得到去除噪声后的心电信号。接着，将预处理后的数据输入到MECNN-GRU模型中对心拍类别进行分类。在该模型中，先使用多头卷积模块，利用不同大小的卷积核从不同尺度充分提取心电信号的空间特征，然后使用GRU模块提取心电信号中的时间特征，此外，还构建了一个自动编码器来提取MIT-BIH数据库头文件注释信息中的潜在特征信息。实验结果表明，构建的MECNN-GRU模型对心拍类别分类的总体准确率达到了99.02%。 2.针对多维结构化心血管疾病数据，提出了一种基于残差卷积神经网络的诊断分类模型CVDCNN。首先对多维心血管疾病数据进行缺失值和异常值处理，并通过数据可视化识别出特征之间的相互作用。接着，将预处理后的数据输入到CVDCNN模型中对此多维数据进行分类诊断。在CVDCNN模型中，先通过全连接层增加特征维度，引入更多非线性变换提高特征表达能力，然后将数据重塑为多通道形式，让模型更好地学习心血管疾病数据多维特征之间的关联。此外，在模型中采用R-Drop用来缓解由于Dropout导致的模型训练和推理不一致问题，最后，采用SHAP框架对模型进行解释性分析，增强模型的可解释性。实验结果表明，构建的CVDCNN模型对多维结构化心血管疾病数据进行分类的AUC值达到了80.05%，优于所列举的对比方法，并且使用SHAP识别出了影响心血管疾病的关键因素，证明了本文方法的有效性。
NETL