哈尔滨理工大学工学硕士学位论文
基于深度学习的心电时序信号异常检测方法研究
摘要
心电信号是用于监测心脏电活动变化的生理信号。心电时序信号异常检测
旨在从大量心电信号中识别出与正常心电信号存在显著差异的异常心电信号，
进而协助医生进行心血管疾病的诊断，对于提高医生诊断的准确性和效率具有
重要意义。然而，现有的心电时序信号异常检测方法通常只注重学习原始心电
信号的特征分布，忽略了心电时序信号在不同变换模式、不同模态下的有效信
息，且缺少适合心电时序信号的自监督辅助任务来帮助模型更好地提取特征，
导致其无法充分利用现有信息，异常检测效果不佳。本文针对上述问题，对心
电时序信号异常检测方法展开深入研究，提出了基于自监督多变换学习的心电
时序信号异常检测方法，以及基于多模态时频伪异常的房颤异常检测方法。
为了充分利用心电时序信号的现有信息，本文提出了一种基于自监督多变
换学习的心电时序信号异常检测方法，该方法在自监督噪声分类任务的辅助下，
联合学习正常心电信号的加噪变换和滤波变换，研究正常心电信号的不同视角，
学习更全面的正常模式表示，并结合两种变换模式下的重构误差来度量异常，
实现更有效的异常检测。在Icentia11k和Ptbxl两个心电时序信号数据集上进行
了对比实验、消融实验、参数敏感性试验、模块选择实验、可视化实验以及计
算分析，验证了所提方法的有效性。
为了充分结合心电医学规则，设计更适用于心电领域的异常检测方法，本
文在自监督多变换学习心电时序信号异常检测方法的基础上，结合多模态技术
以及医学规则，提出了一种基于多模态时频伪异常的房颤异常检测方法。该方
法引入医学规则来构建房颤伪异常心电信号，使用伪异常心电信号来修正由正
常心电信号联合时域和频域信息学习出的超球边界，得到更具判别力的超球，
最后通过心电信号在时域和频域上的超球映射与超球中心的距离来度量异常，
实现更准确的异常检测。在CPSC2021、Icentia11k和Ptbxl三个心电时序信号
数据集上进行了对比实验、消融实验、参数敏感性实验、可视化实验以及计算
分析，实验结果表明，本文方法优于对比方法，能够实现更有效的异常检测。
关键词心电时序信号；异常检测；深度学习；自监督学习
-I-
哈尔滨理工大学工学硕士学位论文
ResearchonECGTimeSeriesAnomalyDetection
MethodBasedonDeepLearning
Abstract
Theelectrocardiogram(ECG)signalisaphysiologicalsignalusedtomonitor
changesincardiacelectricalactivity.AbnormaldetectionofECGtime-seriessignals
aimstoidentifyabnormalECGsignalswithsignificantdifferencesfromnormalones
amongalargenumberofECGsignals,therebyassistingdoctorsindiagnosing
cardiovasculardiseases.Thisisofgreatsignificanceforimprovingtheaccuracyand
efficiencyofdiagnosisbydoctors.However,existingabnormaldetectionmethods
forECGtimeseriessignalstypicallyfocusonlyonlearningthefeaturedistribution
ofrawECGsignals,ignoringtheeffectiveinfor