李端 1,2 , 张洪欣 1,3 , 刘知青 4 , 黄菊香 1 , 王田 5
  • 1. 北京邮电大学 电子工程学院(北京 100876);
  • 2. 郑州轻工业大学 计算机与通信工程学院(郑州 450002);
  • 3. 北京市安全生产智能监控重点实验室(北京 100876);
  • 4. 智慧康源(厦门)科技有限公司(福建厦门 361010);
  • 5. 北京航空航天大学 自动化科学与电气工程学院(北京 100191);
导出 下载 收藏 扫码 引用

心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的 ECG 信号形态特征差异较大,即使同一患者在不同时间和环境下其 ECG 信号也会有差异,因此 ECG 信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度。基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中。其中,使用小波自适应阈值技术完成 ECG 信号滤波,并设计了包含多个残差块(residual block)结构的 20 层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对 5 大类心律不齐 ECG 信号进行了识别。然后,本文采用残差块局部神经网络结构单元构建 DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了 CNN 随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛。按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中 94 091 个 ECG 心搏信号(2 个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验。实验结果表明,本文所提出的方法在 ECG 信号多分类、Veb 和 Sveb 识别中的准确率分别达到了 99.034 9%、99.498 0% 和 99.334 7%。在相同的数据集和实验平台下,DR-CNN 在分类准确率、特异性和灵敏度上均优于相同结构复杂度的 CNN、深度多层感知机等传统算法。DR-CNN 算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源。

  • 上一篇

    基于熵算法的孤独症谱系障碍儿童脑电特征提取与分类
  • 下一篇

    瓣膜高度对移植主动脉瓣开闭性能的影响