(3.236.214.19) 您好!臺灣時間:2021/05/09 22:13
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:鄭杰昀
研究生(外文):Cheng,Chieh-Yun
論文名稱:利用2維心電圖圖像進行病徵分類
論文名稱(外文):Using two-dimensional ECG feature image for disease classification
指導教授:徐良育徐良育引用關係
指導教授(外文):SHYU, LIANG YU
學位類別:碩士
校院名稱:中原大學
系所名稱:生物醫學工程研究所
學門:工程學門
學類:生醫工程學類
論文種類:學術論文
論文出版年:2017
畢業學年度:105
語文別:中文
論文頁數:78
中文關鍵詞:2維心電圖深度學習卷積神經網路
外文關鍵詞:2D electrocardiogramDeep learningConvolutional Neural Network
相關次數:
  • 被引用被引用:0
  • 點閱點閱:721
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
近年來大多數的心電訊號的研究都是以一維心電圖為基礎。這些研究利用許多不同的方法將疾病分析更加精準,但都有雜訊干擾與偵測錯誤的困擾。本研究使用2維心電圖特徵影像進行病徵分類,並利用Keras建構的深度類神經網路進行分析準確的進行病徵分類。
本研究透過MIT-BIH 資料庫中的心電圖訊號建構2維心電圖特徵影像並依據其註釋進行心臟疾病的分類性能測試。本研究所使用卷積神經網路(convolution neural network, CNN)進行心臟疾病分類,所分的類別為正常竇性心律、心室期外收縮以及其他病徵。
由測試結果可以得知,所使用的像素在150*150時效果會比100*100與75*75來的好。並且512*512像素的結果是最不好的。同時,可以得知神經網路的世代會影響神經網路的遺失率以及準確率,當訓練世代增加,遺失率會減少準確率會上升。
最後本研究得到的結果顯示,在150*150、100*100以及75*75三種像素的分類準確率均可以達到90%以上而且遺失率均在15%以下。另一方面,網路訓練所消耗的時間以150*150像素為最高而75*75像素最低。
In recent years, most of the ECG signal research is based on one dimensional electrocardiogram. These studies used many different methods to analyze disease more accurately, but all of them were troubled by noise interference and detect errors.
In this study, two-dimensional electrocardiogram (ECG) feature images were used for disease classification. These images were analyzed by deep neural network that was constructed using Keras, and perform accurate disease classification.
In this study, 2-dimensional electrocardiogram feature images were constructed using ECG signals in the MIT-BIH database and the performance of heart disease classification was based on its annotation. In this study, convolution neural network (CNN) was used to classify heart disease. The categories were normal sinus rhythm, premature ventricular contraction, and other symptoms.
From the test results can be learned that images with 150 by 150 pixels perform better than 100 by 100 and 75 by 75 images. Additionally, using images with 512 by 512 pixels the result is the worst. At the same time, it can be learned that the generation of the neural network training epoch will affect the loss rate and the accuracy rate of the neural network, when the training epoch increases, the loss rate will reduce the accuracy rate will increase.
On the other hand, the 150 by 150 pixels image will take the longest time to complete the training and the 75 by 75 will take the least time.
目錄
摘要 I
Abstract III
目錄 V
圖目錄 VIII
表目錄 XI
第一章 緒論 1
1-1 前言 1
1-2 研究目的 3
1-3 論文架構 3
第二章 研究理論與背景 4
2-1心電圖基本簡介 4
2-2心室期外收縮 7
2-3 深度學習 10
2-3.1卷積神經網路(CNN) 10
2-4文獻回顧 13
第三章 系統架構與研究方法 19
3-1 系統架構 19
3-1.1數據集與前處理 20
3-1.2 神經網路架設 22
3-1.3 數據測試與Model係數 22
3-1.4 硬體設備 23
3-2二維心電特徵圖之優勢 23
第四章 結果與討論 25
4-1 結果 25
4-1.1 系統測試 25
4-1.2 輸入資料 27
4-1.3 測試結果. 29
4-1.4 保存數據 37
4-2討論 38
第五章 結論與未來展望 43
5-1結論 43
5-2未來展望 43
參考資料 44
附錄 A 47
附錄B 63

圖目錄
圖1-1 103年VS. 93年十大死因死亡率[1] 2
圖1-2 25-44歲103年VS. 93年十大死因死亡率[1] 2
圖2-1 正常竇性心律心臟心電圖[2] 5
圖2-2 十二導程心電圖紀錄[5] 6
圖2-3 心電圖傳導路徑[2] 7
圖2-4 心室期外收縮[4] 8
圖2-5 雙聯律[4] 8
圖2-6 三聯律[4] 9
圖2-7 COUPLET[4] 9
圖2-8 卷積神經網路框架[23] 11
圖2-9 最大池化示意圖[8] 12
圖2-10 PHILIP DE CHAZAL等人提出的分類流程[11] 14
圖2-11 TSIPOURAS等人提出實驗流程[17] 14
圖2-12 TSIPOURAS等人提出分類流程[17] 15
圖2-13 SZI-WEN CHEN等人提出流程圖[16] 16
圖2-14 HÉCTOR P. MARTÍNEZ等人提出深度學習模型架構[12] 17
圖2-15 金林鵬等人提出特徵提取架構[13] 18
圖3-1 系統架構 19
圖3-2 前處理系統流程 20
圖3-3 (A)原始訊號(B)利用(A)的原始訊號,以二導程做為橫軸,V1導程為豎軸繪製出的2維特徵圖。 21
圖3-4 心電圖[3]。上圖為完整正常竇性心律週期,下圖為不完整正常竇性心律週期 24
圖4-1 原始數據集中手寫的"0"圖形 25
圖4-2 測試結果(A)輸入資料資訊(B)訓練結果。 26
圖4-3 輸入資料。(A)(C)(E)分別為PYTHON所擷取的訓練、驗證與測試影像與測試影像,而(B)(D)(F)則為對應的原始影像,由圖可得知PYTHON可以正確的輸入本研究的2維影像。 28
圖4-4 512*512實際測試結果 29
圖4-5 存取MODEL與使用存取MODEL 37
圖4-6 30世代準確率 41
圖4-7 30世代遺失率 41
附錄B圖-1 5世代準確率與遺失率 63
附錄B圖-2 10世代準確率與遺失率 64
附錄B圖-3 15世代準確率與遺失率 64
附錄B圖-4 20世代準確率與遺失率 65
附錄B圖-5 25世代準確率與遺失率 65
附錄B圖-6 30世代準確率與遺失率 66

表目錄
表3-1 硬體規格 23
表4-1 512*512訓練30世代 30
表4-2 150*150訓練30世代 31
表4-3 100*100訓練30世代 33
表4-4 75*75訓練30世代 35
表4-5 512*512像素平均結果 39
表4-6 150*150像素平均結果 39
表4-7 100*100像素平均結果 39
表4-8 75*75像素平均結果 40
附錄A表-1 512*512訓練5世代 47
附錄A表-2 512*512訓練10世代 47
附錄A表-3 512*512訓練15世代 47
附錄A表-4 512*512訓練20世代 48
附錄A表-5 512*512訓練25世代 49
附錄A表-6 512*512訓練30世代 50
附錄A表-7 150*150訓練5世代 51
附錄A表-8 150*150訓練10世代 51
附錄A表-9 150*150訓練15世代 51
附錄A表-10 150*150訓練20世代 52
附錄A表-11 150*150訓練25世代 53
附錄A表-12 150*150訓練30世代 54
附錄A表-13 100*100訓練5世代 55
附錄A表-14 100*100訓練10世代 55
附錄A表-15 100*100訓練15世代 55
附錄A表-16 100*100訓練20世代 56
附錄A表-17 100*100訓練25世代 57
附錄A表-18 100*100訓練30世代 58
附錄A表-19 75*75訓練5世代 59
附錄A表-20 75*75訓練10世代 59
附錄A表-21 75*75訓練15世代 59
附錄A表-22 75*75訓練20世代 60
附錄A表-23 75*75訓練25世代 61
附錄A表-24 75*75訓練30世代 62
[1]行政院衛生署.103年國人主要死因分析 Available: http://www.mohw.gov.tw/cht/DOS/Statistic.aspx?f_list_no=312&fod_list_no=5488
[2]A+醫學百科:心電圖Available: http://cht.a-hospital.com/w/%E5%BF%83%E7%94%B5%E5%9B%BE
[3]維基百科:心電圖Available: https://zh.wikipedia.org/wiki/%E5%BF%83%E7%94%B5%E5%9B%BE
[4]王多柏:心電圖訊號原理及特性Available: www.cc.ntut.edu.tw/~tpwang/tpwang.files/BioElectronic2012/ECG_tpwang.pdf
[5]三總急診部 : 快速心律判讀準則及方法Available: wwwu.tsgh.ndmctsgh.edu.tw/ERM/article/EKG.pdf_protected.pdf
[6] 心電圖學必備, ”合記圖書出版社” , 2012出版
[7] KerasAvailable: https://github.com/fchollet/keras
[8] CNNAvailable: http://ml4a.github.io/guides/convolutional_neural_networks/
[9]莫煩 PythonAvailable: https://morvanzhou.github.io/tutorials/
[10] Keras DocumentationAvailable: https://keras.io/



[11]De Chazal, Philip, Maria O''Dwyer, and Richard B. Reilly. "Automatic classification of heartbeats using ECG morphology and heartbeat interval features." IEEE Transactions on Biomedical Engineering 51.7 (2004): 1196-1206.
[12] Martinez, Hector P., Yoshua Bengio, and Georgios N. Yannakakis. "Learning deep physiological models of affect." IEEE Computational Intelligence Magazine 8.2 (2013): 20-33.
[13]金林鹏, 董军,"面向临床心电图分析的深层学习算法", Available from: Linpeng Jin Retrieved on: 04 October 2016
[14] Muduli, Priya Ranjan, Rakesh Reddy Gunukula, and Anirban Mukherjee. "A deep learning approach to fetal-ECG signal reconstruction." Communication (NCC), 2016 Twenty Second National Conference on. IEEE, 2016.
[15] Wang, Kai, et al. "Research on Healthy Anomaly Detection Model Based on Deep Learning from Multiple Time-Series Physiological Signals." Scientific Programming 2016 (2016).
[16] Chen, Szi-Wen, Hsiao-Chen Chen, and Hsiao-Lung Chan. "A real-time QRS detection method based on moving-averaging incorporating with wavelet denoising." Computer methods and programs in biomedicine 82.3 (2006): 187-195.
[17] Tsipouras, Markos G., Dimitrios I. Fotiadis, and D. Sideris. "An arrhythmia classification system based on the RR-interval signal." Artificial intelligence in medicine 33.3 (2005): 237-250.

[18]Ye, Can, BVK Vijaya Kumar, and Miguel Tavares Coimbra. "Heartbeat classification using morphological and dynamic features of ECG signals." IEEE Transactions on Biomedical Engineering 59.10 (2012): 2930-2941.
[19] Kutlu, Yakup, and Damla Kuntalp. "A multi-stage automatic arrhythmia recognition and classification system." Computers in Biology and Medicine 41.1 (2011): 37-45.
[20] De Chazal, Philip, Maria O''Dwyer, and Richard B. Reilly. "Automatic classification of heartbeats using ECG morphology and heartbeat interval features." IEEE Transactions on Biomedical Engineering 51.7 (2004): 1196-1206.
[21] Wang, Kai, et al. "Research on Healthy Anomaly Detection Model Based on Deep Learning from Multiple Time-Series Physiological Signals." Scientific Programming 2016 (2016).
[22] Clayton, R. H., A. Murray, and R. WF Campbell. "Recognition of ventricular fibrillation using neural networks." Medical and Biological Engineering and Computing 32.2 (1994): 217-220.
[23]深度學習vs 機器學習vs模式識別Available: http://dataunion.org/13071.html
[24] 維基百科:深度學習
Available: https://zh.wikipedia.org/wiki/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔