基于深度学习的心电信号异常识别方法

发布时间：2021-07-13 00:09

　　针对心电信号的异常识别问题,提出了一个基于深度学习的改进型Cifar网络模型,可以自动提取心电特征,并将提取的特征馈送到Logistic分类器中进行分类。运用缩放变换获得图像的多分辨率表达,该表达符合心电图时序特点,克服了因数据量较少造成的网络过拟合问题。利用心电传感器采集志愿者心电信号,并结合正常窦性心律数据库（NSRDB）和突发心脏病死亡数据库（SDDB）建立训练测试集,用于验证方法的有效性。在对正异常心电信号的分类实验中,改进型Cifar网络模型可达到92%的准确率,灵敏度达到了94%,曲线下面积（AUC）值为0. 969,优于传统的尺度不变特征变换（SIFT）+支持向量机（SVM）算法和反向传播（BP）算法,取得了较好的辅助诊断效果。 

【文章来源】：传感器与微系统. 2020,39(01)CSCD

【文章页数】：4 页

【部分图文】：

改进型Cifar网络结构示意

工作流程图如图2所示，共获得增强数据20 000个。本文获得原始数据的时间轴长度大于幅度轴长度，为了获得更符合方形卷积核特征提取的输入图像，对原始图像做正规化处理，在时间轴上按照比例缩放原始图像，将原始图像转换成方形图像。利用图像尺寸缩放变换获得图像金字塔，通过图像的多分辨率表达扩充数据集。利用这种方法进行数据增强不会改变时间轴和幅度轴的时序关系，符合心电图像特点。

训练结果


本文编号：3280927