卷积神经网络混合模型的心律失常分类算法

• 作者: 熊慧 梁美玲 刘近贞
• 来源期刊: 哈尔滨工业大学学报
• 学科: 工学
• 关键词: 心律失常分类 心电图 卷积神经网络 空间金字塔池化 极限学习机
• 年，卷（期）: 2021,（2）
• 页码范围: 33-39
• 页数: 7页
• 分类号: TP183
• 语种: 中文
• DOI: 10.11918/202008022

摘要

心律失常表现为不规则的心跳,心律失常类型的判断是心血管疾病早期预防和诊断的关键.为提高心律失常分类的准确率和速度,实现心律失常类型的自动识别,研究并提出了一种以卷积神经网络(convolutional neural network,CNN)为核心的7层混合模型结构.为保持心拍的完整性,根据R-R间期对心电信号进行动态分割得到不同长度的心拍.通过卷积层卷积核的滑动提取心拍的局部特征,平均池化层进行下采样,降低特征的维度.空间金字塔池化(spatial pyramid pooling,SPP)层以不同的池化步长二次提取心拍特征,不同长度的输入特征经过SPP层的特征融合后得到相同长度的输出特征.利用极限学习机(extreme learning machine,ELM)作为分类器可以提高分类的速度,缩短训练时间.使用MIT-BIH数据集和十折交叉验证方法验证心律失常4分类模型的有效性,最终得出在测试集上分类总体准确率为99.16％,灵敏度为99.85％,特异性为98.89％,精度为99.85％.在相同软件环境下验证混合模型与单个模型的准确率与训练时间,实验结果表明:混合模型能以更少的训练时间获得更高的准确率,为快速准确地识别心律失常类型提供了一种可行方案.