• 1. 哈尔滨理工大学 电气与电子工程学院(哈尔滨 150080);
  • 2. 哈尔滨理工大学 计算机科学与技术学院(哈尔滨 150080);
导出 下载 收藏 扫码 引用

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。

引用本文: 宋立新, 孙东梓, 王乾, 王玉静. 基于判别式深度置信网络的心律失常自动分类方法. 生物医学工程学杂志, 2019, 36(3): 444-452. doi: 10.7507/1001-5515.201810053 复制

  • 上一篇

    基于无创参数辨识急性呼吸窘迫综合征患者疾病严重程度的算法研究
  • 下一篇

    一种多标记融合水平集的脑部多发性硬化斑块分割方法