没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
2019 年第 32 卷第 11 期
Electronic Sci & Tech / Nov 15ꎬ2019
http: //journal xidian edu cn
收稿日期:2018 ̄11 ̄ 06
基金项目:浙江省自然基金重点项目(LZ14F020002)
The Key Project Supported by Zhejiang Provincial Natural Science
Foundation of China (LZ14F020002)
作者简介:韦张跃昊(1994 - )ꎬ男ꎬ硕士研究生ꎮ 研究方向:信
号处理、深度学习ꎮ
基于滤波重构和卷积神经网络的心电信号分类
韦张跃昊ꎬ钱升谊
(杭州电子科技大学 电子信息学院ꎬ浙江 杭州 310018)
摘 要 计算机自动分类心电信号能够减轻医生工作压力并大幅提高诊断速度和准确率ꎮ 文中针对传统算法中特
征提取过程复杂及抗干扰能力弱的问题ꎬ提出了一种结合滤波重构和卷积神经网络的心电信号分类算法ꎮ 该算法首先
通过传统信号滤波和心拍序列重构去除原始心电信号中的噪声干扰ꎬ然后构建卷积神经网络来自动学习心电信号特征
并完成分类ꎮ 在 PhysioNet / CinC Challenge 2017 数据集上的分类实验结果表明ꎬ该方法的平均 F
1
(查准率、召回率的调和
平均)达到了 0. 8471ꎬ优于人工特征提取和常规卷积网络方法ꎬ且具有很强的抗干扰能力ꎮ
关键词 卷积神经网络ꎻ心电信号ꎻ特征自动提取ꎻ序列重构ꎻ信号滤波ꎻ分类算法
中图分类号 TP391 文献标识码 A 文章编号 1007 - 7820(2019)11 - 007 - 05
doi:10 16180 / j cnki issn1007 - 7820 2019 11 002
ECG Signal Classification Based on Filtering - Reconstruction and Convolutional Neural Network
WEI ZhangyuehaoꎬQIAN Shengyi
(School of Electronic InformationꎬHangzhou Dianzi Universityꎬ Hangzhou 310018ꎬChina)
Abstract Automatic classification of ECG signals by computers can relieve work pressure of doctors and greatly
improve diagnosis speed and accuracy. Aiming at the problem of complex feature extraction process and weak anti -
interference ability in traditional algorithmsꎬ this paper proposed an ECG signal classification algorithm combined with
filtering - reconstruction and convolutional neural networks. Firstlyꎬ the traditional signal filtering and heartbeat se ̄
quence reconstruction were used to remove the noise interference in the original ECG signalꎬ and then the convolu ̄
tional neural network was constructed to automatically learn the ECG signal feature and completed the classification.
The results of the classification experiments on the PhysioNet / CinC Challenge 2017 dataset showed that this method had
an average F
1
(the average of the precision and recall ratio) of 0. 8471ꎬ which was better than the methods based on ar ̄
tificial feature extraction and conventional convolutional networkꎬ and had strong anti - interference ability.
Keywords convolutional neural networkꎻ electrocardiogram signalꎻ automatic feature extractionꎻ sequence re ̄
constructionꎻ signal filteringꎻ classification algorithm
心电图(Electro Cardio Gramꎬ ECG)是放置于皮肤
上的电极所记录下的人体心脏电生理活动的可视化结
果ꎬ通过心电图展现的心率、S - T 段、P 波、QRS 波群
的形态及出现位置等特征能够对出窦性心动过速、窦
性心律不齐、室性早搏和心房颤动等心律失常
[1]
进行
诊断ꎮ 医务工作者在长期实践中积累了大量的 ECG
诊断规则ꎬ但也正因为心电图分析中存在大量的规则
和经验知识的积累ꎬ心电图分析技能的学习相当耗时ꎬ
专业的心电图医生数量不足以应对海量的心电图ꎬ因
此需要计算机辅助诊断分类来提高诊断效率ꎮ
基于此需求ꎬ各种基于医学经验知识的心电图自
动分类算法被提出ꎬTateno K 等人提出基于 R 峰间期
序列对心房颤动进行分析诊断
[2]
ꎻ宋莉、孟庆建等人基
于小波变换与 QRS 心拍检测算法提取 5 个时域特征、
32 个小波域特征和 18 个高阶统计量特征并使用支持
向量机分类
[3]
ꎻElhaj F A、Salim N 等人在使用小波分
析和 QRS 复合波群检测算法提取线性和非线性波形
特征后使用支持向量机和神经网络进行分类
[4]
ꎮ 然而
此类方法极度依赖提取特征的准确性ꎬ现有波形特征
识别算法在公开数据集上表现良好ꎬ但在临床数据上
性能并不能很好满足需求ꎮ 近年也有学者提出基于深
度神经网络的自动分类算法ꎬ如 Acharya U R、Fujita H
等人利用卷积神经网络在 2 ~ 5 s 的心电信号上进行
分类
[5]
ꎬ减少了医学先验知识需求ꎬ但是该方法处理的
7
资源评论
数据资源
- 粉丝: 113
- 资源: 23万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功