TSCNN:面向可穿戴心电信号监测与分析的卷积神经网络

• 作者: 孟琭 宋阳 杨东溟 葛康
• 来源期刊: 中国图象图形学报
• 学科: 工学
• 关键词: 可穿戴设备 可穿戴心电数据集 心脏监测 卷积神经网络 空间滤波
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 研究应用
• 页码范围: 2281-2292
• 页数: 12页
• 分类号: TP391
• 语种: 中文

摘要

目的 可穿戴设备能够长时间实时监测人体心脏状况,其在心电信号监测领域应用广泛.但目前仍没有公开的来自可穿戴设备的心电数据集,大部分心电信号分析算法都是针对医院设备所采集的心电数据.因此,本文使用IREALCARE 2.0柔性远程心电贴作为心电信号监测和采集设备制作了可穿戴设备的心电数据集.针对可穿戴心电数据干扰多、数据量大等特点,本文提出了一种针对可穿戴设备获得的心电信号进行自动分类的深层卷积神经网络,称之为时空卷积神经网络(time-spatial convolutional neural networks,TSCNN).方法 将原始的长时间心电信号分割为单个的心搏并与滤波后不同频段的心搏数据组合成十通道的数据输入到TSCNN中.TSCNN对每个心搏使用时间卷积和空间滤波来提取丰富的特征.采用小卷积核级联卷积的方式提高分类性能,并降低网络的参数量和计算量.结果 在本文制作的心电数据集上进行了测试,并与其他4种心电分类算法:CNN(convolutional neural networks)、RNN(recurrent neural networks)、1-DCNN(1-dimensional convolution neural networks)和DCN(dense convolutional networks)进行了比较.实验结果显示,本文方法的分类准确率达到91.16％,优于其他4种方法.结论 本文方法面向可穿戴心电数据,获得了较好的分类性能,可以有效监控穿戴者是否出现了心电异常情况.