心律失常是心血管疾病中最常见的一组疾病。临床上心律失常的诊断由专业医生对病人的十二导联心电图(Electrocardiogram,ECG)进行分析推断得出。近些年数字医疗的发Image- guided biopsy展使得心selleck GSI-IX电数据呈现爆炸式增长。同时由于心律失常类型多,病理情况复杂,使得误诊时有发生。因此实现心律失常的自动化、智能化识别成为热点研究方向。基于机器学习的心律失常自动识别算法严重依赖人工特征的设计,这使得识别过程及结果具有较高的主观性,且无法捕捉到心电图深层次的特征。基于深度学习的心律失常自动识别算法通常专注于单导联心电图的特征提取,继而融合不同导联训练后的特征进行再训练。这种方法在训练初期忽视了不同导联之间的相关联系,导致所提出的模型在部分心律失常类型分类性能低下。在算法不断精进的这段时间里,市面上出现的多种便携式设备也增添了实时记录心电图的功能,这为预防心律失常和提供自动识别创造了条件。受制于电极数量便携式设备无法同时获取完整十二导联ECG信号,这为利用十二导联ECG进行自动识别的算法造成了障碍。基于以上背景,本文主要进行了如下四项内容研究:(1)本文提出了一种二维化十二导联ECG的方法并进行改进。十二导联ECG信号被转化为二维化数据作为深度学习模型的输入,该二维化数据既具备单导联信号在时间上的连续性又具有不同导联信号在空间上的相邻性。(2)本文提出了一个通用的能够处理二维化数据的深度学习模型DSE-ResNet。该模型能够在训练初期同时关注导联内部与导联之间的相关联系,实现二维化十二导联ECG在时间维度以及空间维度的特征提取。实验过程中引入了正交试验挑选超参数,并利用集成模型提升模型分类性能。(3)本文对深度学习过程中导联信息的冗余性问题进行分析研究,旨在验证能否以损失小部分识别性能为代价换取兼容多种便携性设备进行高性能心律失常自动识别的可能性。换言之是在验证所有十二导联信息在智能识别过程是否需要全部使用。(4)本文基于Flask框架构建了线上心律失常自动分类平台。用户可自主上传十二导联ECG采样文件,平台通过解析文件、加载数据和模型,最终给出识别结果并反馈至用户。与近几年利用同一数https://www.selleck.cn/products/q-vd-oph.html据库的研究进行对比,结果表明本文建立的基于二维化心电图的深度学习模型在所有心律失常分类中取得的平均F_1=0.817,在部分心律失常类型(例如心房颤动和传导阻滞)的自动识别中取得最高F_1分数。针对导联信号冗余性的研究表明,双极肢体导联和单极加压肢体导联的捆绑在深度学习过程中存在信号冗余。综上,本文基于二维化十二导联ECG信号,使用DSE-ResNet模型增强了心律失常分类的精确性,可作为心律失常诊断方向的辅助检测算法。同时本文对导联信息的冗余性进行了研究,验证了深度学习过程中部分导联信息缺失的可能性,为便携式设备减少测量复杂性和增强识别性能提供理论基础。