改进的深度卷积神经网络对T波分类的应用

发布时间：2022-01-03 12:50

　　针对心电信号T波分类问题和深度卷积神经网络（deep convolutional neural networks,DCNN）出现的过拟合问题,提出了一种改进的深度神经网络算法,通过引入Dropout概念优化网络训练过程,提高算法的泛化能力。就分类准确率、训练次数、卷积核、算法的泛化能力4个方面进行实验对比,结果表明:在分类准确率方面,所提算法的标注结果与专家人工的标注结果接近,且标注重复率均可达98.9%以上;在训练次数方面,可有效减少训练次数,且测试集识别率可达99.31%;选择合适的卷积核个数,最终的测试集识别率可达99.31%。所提算法与BP神经网络、循环神经网络（recurrent neural network, RNN）、DCNN这3种方法相比较,可有效降低DCNN的过拟合问题,提高算法的泛化能力。 

【文章来源】：中国科技论文. 2020,15(07)北大核心

【文章页数】：6 页

【部分图文】：

数据库组成框图

T波检测方法流程

含有噪声的原始心电信号

【参考文献】：
期刊论文
[1]基于SWT和双变量阈值函数的ECG信号去噪[J]. 汤伟,王玲利,税宇阳,王帅.  计算机工程与设计. 2019(03)
[2]心电信号识别分类算法综述[J]. 马金伟,刘盛平.  重庆理工大学学报(自然科学). 2018(12)
[3]基于Dropout深度卷积神经网络的ST段波形分类算法[J]. 任晓霞.  传感技术学报. 2018(08)
[4]基于双卷积神经网络的行人精细化识别[J]. 王枫,刘青山.  中国科技论文. 2017(14)
[5]基于卷积神经网络的T波形态分类[J]. 刘明,李国军,郝华青,侯增广,刘秀玲.  自动化学报. 2016(09)
[6]基于单心拍心房活动特征与卷积神经网络的房颤检测[J]. 刘明,韩小岑.  激光杂志. 2015(12)
[7]面向临床心电图分析的深层学习算法[J]. 金林鹏,董军.  中国科学:信息科学. 2015(03)
[8]基于多层卷积神经网络学习的单帧图像超分辨率重建方法[J]. 刘娜,李翠华.  中国科技论文. 2015(02)
[9]心电信号多形态T波检测方法研究[J]. 王云鹤,钱梦瑶,刘定宇,饶妮妮.  航天医学与医学工程. 2013(04)
[10]心电图T波异常在冠心病诊断中的临床价值[J]. 赵立朝,王晋丽,牛卢芳,郭艳,郜玲,赵成辉,文冬凌,王小鹏,石亚君.  中华保健医学杂志. 2012(04)

硕士论文
[1]心电信号中T波交替的检测方法研究[D]. 张世杰.武汉理工大学 2009



本文编号：3566304