基于深度生成模型的临床心电图数据增强方法研究.pdf

广西师范大学硕士学位论文

基于深度生成模型的临床心电图数据增强方法研究

研究生姓名：李佳佳导师姓名：周飞燕副教授

学科：软件工程研究方向：计算机辅助心电图分析年级：2021级

摘要

计算机辅助心电图（Electrocardiogram，ECG）分类是指运用计算机技术和机器

学习方法对心电图信号进行自动分类和识别，以实现对心脏相关疾病和异常心律等情

况的有效分类和诊断。近年来，深度学习技术在心律失常检测领域方面表现突出，弥

补了人工检测的不足，提供了更加精确可靠的诊断手段。然而，由于ECG数据库中

正常类样本的数量远多于异常类样本的数量，数据分布极度不均衡。这使得利用深度

学习模型进行心律失常分类时，模型更偏向于学习多数正常样本的特征，而忽略对少

数异常样本的学习，训练出的模型容易过拟合。解决ECG数据库数据不均衡的有效

策略之一是对少数异常类样本进行数据增强，以此确保模型能够充分学习每个类别样

本的特征，从而提升分类模型的整体性能。本文旨在探索对ECG数据进行数据增强

的有效方法，着重研究两种深度生成模型在该领域的效果。

（1）在生成对抗网络原始框架的基础上，设计了结合双向长短期记忆网络和卷

积注意力模块的生成器，以及基于卷积神经网络的判别器，将其称为BC-GAN。以

MIT-BIH心律失常数据库和中国心血管疾病数据库作为实验数据集。同时，利用可视

化技术和定量评价指标来评估生成结果的质量。最后，利用生成的ECG数据对训练

集进行扩充，并进行分类任务，以验证分类模型性能的改善效果。在MIT-BIH心律

失常数据库的15分类任务上，经过数据增强后，特异性指标从71.21%提升至91.91%，

总体准确率从99.03%提升至99.46%。在中国心血管疾病数据库的二分类任务上，数

据增强后室性早搏类灵敏度从50.70%上升到83.15%，总体准确率从99.03%提升至

99.15%。

（2）在去噪扩散概率模型的基础上，嵌入挤压-激励注意力机制来改进U-net骨

干网络，从而增强模型对整条ECG记录数据的处理能力。在中国心血管疾病数据库

的二分类任务上，数据增强后室性早搏类灵敏度从50.70%上升到86.69%，总体准确

率从99.03%提升至99.10%。

综上所述，采用生成模型来增强ECG数据具有显著的优势，能够有效提高分类

模型对少数异常类样本的识别能力，进而改善分类模型的整体性能。

关键词：生成对抗网络；心电图数据增强；去噪扩散概率模型；双向长短期记忆网络；

卷积注意力模块

I

广西师范大学硕士学位论文

Researchonclinicalelectrocardiogramdataaugmentation

methodbasedondeepgenerativemodel

Graduatestudent:JiajiaLi

Supervisor:A.P.FeiyanZhou

Major:SoftwareEngineering

Researchdirection:ComputerAidedElectrocardiogramAnalysis

Grate:2021

Abstract

Computer-aidedECGclassificationreferstotheuseofcomputertechnologyand

machin