3.1 房颤检测算法研究框架 ........................ 17
3.2 数据预处理 ............................... 17
第 4 章 基于多特征融合的房颤检测算法 ............................. 31
4.1 特征融合概述 ............................... 31
4.2 基于特征融合的房颤信号检测 ..................... 32
第 5 章 总结与展望 ........................... 51
5.1 全文总结 ........................... 51
5.2 未来工作展望 ....................... 52
第 4 章 基于多特征融合的房颤检测算法
4.1 特征融合概述
信息融合是一种新兴的数据处理技术。信息融合一般分为四个层次:一种是在像素层面，一种在特征层面，一种是规模层面，最后一种是在决策层面上的。事实上，特征融合和决策融合是数据融合的两个层次。但近年来，以多分类器或多专家组合策略为代表的决策级融合一直备受关注。相比之下，特征级融合可能还没有得到应有的重视。然而，特征级融合在数据融合过程中起着非常重要的作用。特征的组合与优化过程在保留特征识别信息的同时，也在一定程度上剔除冗余信息。这在模式分类和识别中是非常重要的[56]。
特征级层次的融合最终将多个输入特征向量变成一个，期望该特征向量比任何一个输入特征向量都取得更高的分类效果。即融合是对组合特征进行再次处理的过程，保留更有利更具有鉴别性的特征，去除不利于分类的冗余或者冲突信息。比较著名的两类特征融合方法是:串联特征融合[57]和并行特征融合[58,[59]。串联融合的工作原理是将两组特征拼接起来成为一个单一的特征向量。显然，如果第一个向量 x 是 p 维的，第二个向量 y 是 q 维的，那么融合的向量 z 将是(p+q)维的。另一方面，并行方法的融合是将两个向量组合成一个复向量 z =x+iy (i 为虚单位)。如果两个输入向量的维数不相等，则较低维数的将被填充为零，这两种方法都能提高识别率。Rattani 等人[60]研究了面部和指纹的特征级融合。分别从每个模态中提取特征，然后通过串联两个兼容的特征集来完成特征融合。取得了比较显著的效果。Gupta 等人[61]提出使用串行方法融合了三种模态的匹配分数：拍打指纹，红外线手部几何形状和掌背静脉。然而，对于不兼容的特征集，由于特征表示的内在变化，直接执行级联变得困难。除此之外尽管这些方法很简单，但不同的特征信息并未得到同等的度量，并且忽略了特征集的内在关系。
.................................
第 5 章 总结与展望
5.1 全文总结
房颤是临床上最常见的心律失常，它是发病率、死亡率和生活质量下降的主要因素，并且是心律失常医疗卫生支出的主要项目。然而,由于房颤在临床上的表现为无症状性,因此不容易被诊断出来，或者被确诊为时过晚，以至于已经出现了相关的健康问题。因此，开发一种计算机辅助诊断算法具有重要意义，以便在任何时候都可以检测到房颤并在医院外及早进行干预治疗。本文基于特征融合的角度提出一种使用特征融合对房颤进行自动检测的算法，主要工作内容包括以下几点：
（1）提出了一种基于 ResNet 和 GRU 的房颤检测算法。传统方法波形特征难以提取，且预处理步骤复杂。这里使用深度学习方法进行分类，具体的包括将数据进行数据预处理后通过残差网络提取其空间特征，然后再经过门控循环单元提取其时序上的特征，将两者结合，提取不同类型的特征对心电进行分类取得了不错的结果。
（2）提出了将传统特征和深度学习相结合的方法。基于传统机器学习方法的统计特征和时频特征依赖于领域知识，具有临床意义。然而，这类特征的提取对波形依赖性过高。近年来，深度神经网络模型被提出，并在心电分类中显示了有希望的结果。这种模型虽然有效，但它学习的模式往往与人的概念不匹配，因此很难用解释方法得到令人信服的解释。这一局限性大大影响了它的适用性，因为对于心脏科医生来说，深度学习无法解释的结果很难被接受。为了解决这样的问题，我们将这两种方法进行融合，具体来说，我们利用残差网络和门控循环单元作为分类框架，在该框架下，基于传统的领域知识特征纳入学习过程。融合后的特征使得模型更加关注心电中的关键特征点。根据第三章和第四章的实验结果，和基于深度学习或者基于传统特征的 ECG 分类方法相比，该方法具有更好的分类性能，并且模型学习的模式更易于解释。
（3）提出了使用，序列或者并联的特征融合没有考虑类内类间的关系，仅仅是将两者进行简单的拼接，在数据集不一致时存在困难，而且融合后的特征计算量大，冗余度高，对实验环境要求太高，甚至在融合不当时会出现精度不升反降的情况，判别相关分析进行特征融合充分考虑了类内类间的关系，在 CCA 基础上,对融合后的信息进行判别特征提取,也是一个特征选择的过程，使样本之间类内最大相关，类间最小相关，相对序列融合算法，基于 DCCA 的特征融合分类方法在 2017 房颤比赛数据库上 F1 的取值为 89%。同时本文针对 AF 自动检测算法应用性不强的问题，提出一种 AF 自动检测算法在十二导联心电衣及辅助诊疗平台的应用方法。实现了对本文提出的基于特征融合的 AF 检测算法的调用，通过测试表明了该算法具有良好的应用前景。
参考文献（略）
