史健婷， 孙 骏

(黑龙江科技大学 计算机与信息工程学院， 哈尔滨 150022)

0 引 言

煤矿产业是我国国民经济支柱产业之一。据估计，我国煤矿井下作业人员人数超过600万[1]。这些工人在从事劳动生产过程中，长期处于粉尘、噪声、局部振动和高温高湿等环境中[2]。长期结果会导致尘源性肺气肿，使肺血管阻力增加，产生肺动脉高压，进而引起心肌收缩抑制与心室复极延缓、复极化不均，从而导致心律失常的发生[3]。目前，国内外很重视对煤矿工人心律失常方面的研究，在心律失常的检测诊断中，心电图起着重要的作用。心电图反映了心脏兴奋的产生、传导和恢复过程中的生物电变化，可以检测并比较煤矿工人在不同生产环境下的各种心率指标[4]。在心电图的分析中，T波代表心室复极，T波显著抬高、T波倒置是诊断煤矿工人有无心肌缺血、心肌梗死、电解质紊乱的重要指标。因此，T波识别是检测心律失常的一种有效手段，然而T波噪声较大，形态多样，往往识别的效果不理想。笔者基于长短时记忆网络(Long short-term memory，LSTM)和卷积神经网络(Convolutional neural networks，CNN)结合的模型，提出一种经过鲸鱼优化算法(Whale optimization algorithm，WOA)优化的T波识别方法，以提升T波识别的准确率。

1 数据预处理

采用卡尔曼滤波对心电信号进行数据预处理去噪。卡尔曼滤波采用状态空间方法描述系统，算法采用递推形式，数据存储量少，不仅可以处理平稳随机过程，也可以处理多维和非平稳随机过程[5]。卡尔曼滤波器递推迭代过程分为预测和更新两步递推算法主要有三步。……