心律失常是常见的心血管疾病之一,目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常,但由于大多数心律失常数据样本较少,计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方...心律失常是常见的心血管疾病之一,目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常,但由于大多数心律失常数据样本较少,计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方法,该方法提取心电图的RR间期时域特征、希尔伯特-黄变换提取的频域特征和连续小波变换提取的时频域联合特征,经过特征融合后输入卷积神经网络训练分类模型,并采用Focal Loss作为网路的损失函数,实现对心律失常的分类.本文使用MIT-BIH(Massachusetts Institute of Technology-Boston’s Beth Israel Hospital)心律失常数据库验证本文提出方法对4类心电数据分类的结果,实验结果表明,与现有的分类算法相比,本文所提出的混合时频域特征方法能有效提升心律失常分类的准确性.展开更多
文摘心律失常是常见的心血管疾病之一,目前很多方法通过计算机辅助系统对心电图进行分析以识别心律失常,但由于大多数心律失常数据样本较少,计算机辅助系统识别心律失常效果不佳.本文提出了一种基于混合时频域分析特征提取的卷积神经网络方法,该方法提取心电图的RR间期时域特征、希尔伯特-黄变换提取的频域特征和连续小波变换提取的时频域联合特征,经过特征融合后输入卷积神经网络训练分类模型,并采用Focal Loss作为网路的损失函数,实现对心律失常的分类.本文使用MIT-BIH(Massachusetts Institute of Technology-Boston’s Beth Israel Hospital)心律失常数据库验证本文提出方法对4类心电数据分类的结果,实验结果表明,与现有的分类算法相比,本文所提出的混合时频域特征方法能有效提升心律失常分类的准确性.
