基于CNN＆RNN组合模型的异常心率数据自动识别算法及实现开题报告

1. 研究目的与意义

根据世卫组织发布的《2019年全球卫生估计报告》，过去20年来，心脏病一直是全球首要死因。心脏病死亡人数比以往任何时候都多。自2000年以来，心脏病死亡人数增加了200多万，2019年增至近900万。心脏病现在占所有死因总数的16%。随着人类社会高速发展，科学技术的进步的同时也带来了身体心理的压力，生活压力的增大使心血管健康也越来越受到人们的关注。传统的医生问诊的手段存在误诊率高、诊断不及时的弊端，而心血管疾病又有着发病急、宜早治疗的特点，因此有必要设法降低各种心脏病的误诊率，及时发现病情、尽早治疗。因而，心血管疾病防治工作已成为当务之急。心电信号可以准确地检测人体心脏的活动信息，反映出心脏的健康状况，被广泛用于心血管疾病的检查和诊断，是医学上常常用来检测不同的情况下的电势在心脏整个复极化过程中心肌变化的反映。作为人体心电数据的可视化形式，反映了心脏跳动过程中产生的生物电变化在体表形成的微弱电反应，临床医学上常常用来检测心肌细胞除极和复极的周期性动态电位变化过程，是诊断心脏性疾病的重要手段，如图1.2所示。ECG 因检测便捷、成本较低、速度快和体外无创性等特点，成为最有效的心律失常诊断手段之一。

2. 研究内容和预期目标

随着近年来信息学技术的发展，计算机辅助解释在临床ecg工作流程中已变得越来越重要，在许多临床环境中成为医生诊断的重要辅助手段。

然而，现有的商业心电图解释算法仍然存在较高的误诊率。

传统的机器学习算法需要手工进行滤波、特征提取、小波变换等复杂操作，这些数据操作很大程度上依赖于医疗行业经验，而且对最终的模型结果影响较大。

3. 国内外研究现状

ecg是人体重要的生理信号，对于心血管疾病的诊断有重要的指导意义。但是由于其易于被外界干扰，噪声导致其波形难以分辨，影响后续的诊断结果。因此基于ecg信号的降噪处理与分类识别一直是计算医疗领域的研究热点。

从降噪方法的研究上来看，既有从硬件上设计电路进行滤波处理，也有基于ecg信号特点的软件滤波。目前ecg降噪的主要方法有经验模态法（empirical mode decomposition，emd）、小波变换法、盲源分离法（blind source separation，bbs）等。但是在降噪时，使用emd可能会由于误差频谱与噪声的重叠部分导致去除微弱的p波和t波；而小波降噪算法受阈值影响的局限性，增大了运算次数与成本，导致无法满足实际应用的实时性；bbs算法可以在心电信号中分辨出影响较大的噪声，但无法处理复杂的噪声情况。

而在心电信号的分类识别问题上，随着深度学习技术的兴起，最近的许多研究已经使用了非常深的网络来进行心电图节拍分类。acharya等人使用cnn算法开发了一种检测心肌梗死的方法，获得了平均95.22%的分类准确率。在另一项研究中，acharya等人实现了一个基于9层深度cnn的分类器，对5种不同类型的心跳进行了分类，准确率为94.03%。sannino和pietro提出了一种基于深度学习的ecg搏动分类器，总体准确率为99.83%。伊辛等人利用深度学习对ecg搏动进行分类，获得了92%的准确率。基于深度学习的充血性心力衰竭自动诊断系统也已使用11层深度cnn模型开发，获得98.97%的准确率和98.87%的灵敏度。

4. 计划与进度安排

- 研读该领域近几年研究综述，对该领域的进展有一个整体上的认识，进一步精读其中的经典论文，掌握基本的深度学习算法；- 调查世界上现有的数据库，重点关注不同数据库的数据标签、采样频率、导联方式等能够影响深度学习模型的信息；- 根据上一步中的调研，选择合适的数据库，从中选出最终想要分类的标签（根据数量选择），处理不同的数据库的频率，然后合并数据库- 对心电信号进行滤波、切割、标准化等预处理（滤波可以尝试省去）；- 使用深度学习模型对预处理之后的信号进行分类；- 利用心电模块采集人体心电信号，将模型部署到硬件实现测试

5. 参考文献

World Health Organization. Cardiovascular diseases (CVDs)[EB/OL].[2017-07-05].http://www.who.int/mediacentre/factsheets/fs317/en宋俊雅, 袁永峰, 王宽全. 心室电传导模型的心律失常机制仿真分析[J]. 哈尔滨工业大学学报, 2014, 46(1): 34.SONG Junya, YUAN Yongfeng, WANG Kuanquan. Simulation of arrhythmia mechanism based on ventricular electrical conduction model[J]. Journal of Harbin Institute of Technology, 2014, 46(1): 34.ANNAM J R, SURAMPUDI B R. AAMI based ECG heart-beat time-series clustering using unsupervised ELM and decision rule[C]//International Conference on Information Technology (ICIT). Bhubaneswar, India: IEEE, 2017. DOI: 10.1109/ICIT.2016.039STOJANOVI R, KARADAGLI D, MIRKOVI M, et al. A FPGA system for QRS complex detection based on integer wavelet transform[J]. Measurement Science Review, 2011, 11(4): 131. DOI:10.2478/v10048-011-0024-zNAKAI Y, IZUMI S, NAKANO M, et al. Noise tolerant QRS detection using template matching with short-term autocorrelation[C]//Proceedings of the 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Chicago, IL: IEEE, 2014. DOI: 10.1109/EMBC.2014.6943522CHRISTOV I, GMEZ-HERRERO G, KRASTEVA V, et al. Comparative study of morphological and time-frequency ECG descriptors for heartbeat classification[J]. Medical Engineering amp; Physics, 2006, 28(9): 876. DOI:10.1016/j.medengphy.2005.12.010CHOUHAN V S, MEHTA S S. Detection of QRS complexes in 12-lead ECG using adaptive quantized threshold[J]. International Journal of Computer Science and Network Security, 2008(1): 155.MINHAS F, ARIF M. Robust electrocardiogram (ECG) beat classification using discrete wavelet transform[J]. Physiological Measurement, 2008, 29(5): 555. DOI:10.1016/j.vaccine.2009.01.115ZHANG Yatao, LIU Chengyu, WEI Shoushui, et al. ECG quality assessment based on a kernel support vector machine and genetic algorithm with a feature matrix[J]. Journal of Zhejiang University Science C: Computer amp; Electronics, 2014, 15(7): 564. DOI:10.1631/jzus.C1300264KUTLU Y, KUNTALP D. Feature extraction for ECG heartbeats using higher order statistics of WPD coefficients[J]. Computer Methods and Programs in Biomedicine, 2012, 105(3): 257. DOI:10.1016/j.cmpb.2011.10.002MARTIS R J, ACHARYA U R, MIN L C. ECG beat classification using PCA, LDA, ICA and discrete wavelet transform[J]. Biomedical Signal Processing and Control, 2013, 8(5): 437. DOI:10.1016/j.bspc.2013.01.005李坤阳, 胡广书. 基于心电图分析的心律失常分类[J]. 清华大学学报(自然科学版), 2009, 49(3): 416.LI Kunyang, HU Guangshu. Arrhythmia classification based on ECG analysis[J]. Journal of Tsinghua University (Science and Technology), 2009, 49(3): 416. DOI:10.16511/j.cnki.qhdxxb.2009.03.024LI Taiyong, ZHOU Min. ECG classification using wavelet packet entropy and random forests[J]. Entropy, 2016, 18(8): 285. DOI:10.3390/e18080285KHAZAEE A, EBRAHIMZADEH A. Classification of electrocardiogram signals with support vector machines and genetic algorithms using power spectral features[J]. Biomedical Signal Processing and Control, 2010, 5(4): 252. DOI:10.1016/j.bspc.2010.07.006ELHAJ F A, SALIM N, HARRIS A R, et al. Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals[J]. Computer Methods and Programs in Biomedicine, 2016, 127(C): 52. DOI:10.1016/j.cmpb.2015.12.024KIRANYAZ S, INCE T, HAMILA R, et al. Convolutional Neural Networks for patient-specific ECG classification[C]// Proceedings of the 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). Milan, Italy: IEEE, 2015. DOI: 10.1109/EMBC.2015.7318926CHAUHAN S, VIG L. Anomaly detection in ECG time signals via deep long short-term memory networks[C]//IEEE International Conference on Data Science amp; Advanced Analytics (DSAA). Paris, France: IEEE, 2015. DOI: 10.1109/DSAA.2015.7344872GU Jiuxiang, WANG Zhenhua, KUEN J, et al. Recent advances in convolutional neural networks[J/OL]. Pattern Recognition, 2015. http://hgpu.org/?p=11941DONAHUE J, HENDRICKS L A, GUADARRAMA S, et al. Long-term recurrent convolutional networks for visual recognition and description[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA: IEEE, 2015: 2625. DOI: 10.1109/CVPR.2015.7298878PhysioNet. MIT-BIH arrhythmias database[EB/OL]. (2005-02-24). http://www.physionet.org/physiobank/database/mitdbACHARYA U R, OH S L, HAGIWARA Y, et al. A deep convolutional neural network model to classify heartbeats[J]. Computers in Biology and Medicine, 2017, 89: 389. DOI:10.1016/j.compbiomed.2017.08.022LIN Chuncheng, YANG Chunmin. Heartbeat classification using normalized RR intervals and morphological features[C]// Proceedings of the International Symposium on Computer, Consumer and Control. Taichung, Taiwan: IEEE, 2014. DOI: 10.1109/IS3C.2014.175CAN Ye, COIMBRA M T, KUMAR B V K V. Arrhythmia detection and classification using morphological and dynamic features of ECG signals[C]//Annual International Conference of the IEEE Engineering in Medicine and Biology. Buenos Aires, Argentina: IEEE, 2010. DOI: 10.1109/IEMBS.2010.5627645MARTIS R J, ACHARYA U R, MANDANA K M, et al. Cardiac decision making using higher order spectra[J]. Biomedical Signal Processing and Control, 2013, 8(2): 193. DOI:10.1016/j.bspc.2012.08.004