基于判别式深度置信网络的心律失常自动分类方法

发布时间：2024-05-10 20:46

　　现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和RR间期特征进行心律失常分类。为了进一步提高DDBNs的分类性能,本文将DDBNs转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIH AR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达99.84%±0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达99.31%±0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取ECG信号特征及分类提供了一种新的解决方法。

【文章页数】：9 页

【文章目录】：
引言
1 实验数据
2 特征提取与分类
    2.1 DDBNs模型构建
        2.1.1 GRBM
        2.1.2 DRBM
    2.2 DDBNs模型训练
    2.3 DDBNs模型有监督微调
3 实验与结果分析
    3.1 ECG信号预处理
    3.2 DDBNs模型训练与性能评估
    3.3 实验结果分析
    3.4 实用性深入测试
4 结论



本文编号：3968998