基于金字塔卷积结构的深度残差网络心电信号分类方法研究

发布时间：2022-01-06 09:03

　　近年来,深度神经网络（DNNs）已广泛应用于心电图（ECG）信号分类领域,但是以往的模型从原始ECG数据中提取特征信息受限。因此,本文提出了一种基于金字塔型卷积层的深度残差网络（PC-DRN）算法,该算法中包含的金字塔型卷积（PC）层可以从原始ECG数据中同时提取多尺度特征,并采用深度残差网络训练ECG信号分类模型,可以实现对ECG信号的分类。本文使用2017心脏病学挑战赛（CinC2017）提供的公开数据集,验证本文提出方法对4类ECG数据的分类效果。本文选取精度和召回率之间的谐波均值F₁作为主要评价指标。实验结果表明,PC-DRN的平均序列级别F₁（SeqF₁）从0.857提升到了0.920,平均集合级别F₁（SetF₁）从0.876提升到了0.925。因此,本文提出的PC-DRN算法为ECG信号的特征提取和分类提供了一种新的思路,为心律失常的分类诊断提供了有效的手段。 

【文章来源】：生物医学工程学杂志. 2020,37(04)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

PC-DRN架构

图1 PC-DRN架构其中，I hα表示第h个卷积层的第α通道输入，Ohα表示对应输出，f（·）为激励函数，x为ECG信号，Mα表示第h-1层特征图，i表示各个特征单元，xih-1表示第h-1个常规卷积层中第i个特征单元的输出，k hiα表示卷积核矩阵，bias是偏置项，“*”表示卷积操作符。

本文应用随机权重丢弃法避免过拟合，其参数设置为0.2；使用修正线性单元进一步标准化值来加速训练；使用批归一化规范化传递值。网络中的优化器选择自适应矩估计优化器，默认参数β1=0.9，β2=0.999，学习率初始化为1×10-3。开始训练前，随机初始化权重。在训练过程中，数据被分批输入网络，批尺寸设置为32，为了使每一层上的批次归一化，进行批量归一化操作，以确保整个网络的数值被缩放到相同的大小。2.3 实验评价标准

【参考文献】：
期刊论文
[1]基于深度残差卷积神经网络的心电信号心律不齐识别[J]. 李端,张洪欣,刘知青,黄菊香,王田.  生物医学工程学杂志. 2019(02)
[2]基于DenseNet的心电数据自动诊断算法[J]. 赖杰伟,陈韵岱,韩宝石,季磊,石亚君,黄志聪,阳维,冯前进.  南方医科大学学报. 2019(01)
[3]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)
[4]Detecting Premature Ventricular Contraction in Children with Deep Learning[J]. 刘宜修,黄玉娟,王健怡,刘莉,罗家佳.  Journal of Shanghai Jiaotong University（Science）. 2018(01)
[5]基于集成卷积神经网络的肺部肿瘤计算机辅助诊断模型[J]. 王媛媛,周涛,陆惠玲,吴翠颖,杨鹏飞.  生物医学工程学杂志. 2017(04)



本文编号：3572167