摘要
临床上诊断心肌梗死的方法有很多，其中心电图检查始终在心肌梗死检测领域占有最重要的地位。近些年来随着计算机技术的迅速发展，利用深度学习的方法自动“解读”心电图的技术也愈发成熟。 医生能够通过观察心电图诊断心肌梗死，这是基于多导联心电信号的心肌梗死自动诊断研究的理论基础。通过搭建深层神经网络能够有效地模拟这一诊断过程。为了充分利用心电信号的多维特征，实现端到端的心肌梗死定位，本文的研究基于深度学习的方法实现，主要研究内容如下： 首先，针对心电信号的去噪任务，本文通过小波变换将原始心电信号进行多层次分解，然后以软阈值的方法进行心电信号噪声过滤，最终通过信号重构得到纯净信号。MATLAB仿真结果表明，该方法能够有效过滤心电信号中的基线漂移、肌电干扰、工频干扰等噪声。 其次，针对心电信号的波形定位任务，在对心肌梗死发生后的波形形态变化进行研究以后发现R波波形特征最为明显，因此波形定位工作主要围绕R波展开。定位算法由预处理和双阈值两部分组成，预处理的操作保证信号不受无关波形干扰，降低系统误检概率，双阈值的设置能够保证R波检测性能，进一步降低系统漏检概率。根据实验表明，该定位算法在公共数据集上的平均灵敏度为99.67%，整体性优于经典Pan-Tompkins算法。 最后，针对心肌梗死的检测与定位任务，本文提出了专业领域知识结合多特征分支网络模型，该模型利用十二导联心电信号自动检测并定位心肌梗死。模型从心脏多角度提取不同层次特征，在通用特征的基础上进一步提取导联内部细节特征与导联之间隐含特征。通过加入医学领域先验知识提高模型精度，心肌梗死定位的准确率在分支模型的基础上获得1.76%的提升。该模型在真实的心电信号数据集中的心肌梗死检测准确率为99.95%，心肌梗死定位准确率为99.53%。
NETL