基于希尔伯特黄变换和深度卷积神经网络的房颤检测

• 作者: 郭一楠 邵慧杰 巩敦卫 李海泉 陈丽
• 来源期刊: 电子与信息学报
• 学科: 医学
• 关键词: 心电信号 房颤 希尔伯特黄变换 深度卷积神经网络
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 深度学习与智慧医疗专题|Special Topic on Deep Learning and Smart Mdicine
• 页码范围: 99-106
• 页数: 8页
• 分类号: R540.4+1|TN911.7
• 语种: 中文
• DOI: 10.11999/JEIT211171

摘要

房颤是一种常见的心律失常,其发病率会随着年龄增长而升高.因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率.为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法.1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征.进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型.该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信号竞赛(2017 PhysioNet Challenge)的房颤数据集上分别取得了99.11％和97.25％的检测准确率.此外,该文将希尔伯特黄变换与其他时频分析方法以及稠密网络(DenseNet)与其他卷积神经网络进行了对比.相比于其他检测方法,实验结果表明希尔伯特黄变换和深度卷积神经网络(DCNN)为房颤检测提供了更加准确的识别方式.