基于自适应位置编码的心电图重构算法

可穿戴心电检测的主要挑战是较多导联影响被测者的身体活动,如果减少导联会使心电数据信息减少使检测效果变差。为了平衡被测者日常穿戴舒适性和检测准确性,笔者设计了一个基于Transformer Encoder的自适应相对位置编码重构算法,通过前后重叠的切片方式使相邻片段的信息具备关联性,相对位置编码时加入可训练参数对任意片段进行重构,从而有效地提取位置信息。用3个导联的EGG信号重构标准12导联EGG信号,实验结果表明,重构的ECG数据均方根误差低至0.02758,平均相关系数高达98.43%,显示出本文算法在应用于可穿戴心电检测设备的应用前景。

基于空洞卷积神经网络的心律失常分类算法

本文提出了一种基于卷积网络的心电信号分类算法,设计了空洞卷积池化金字塔模块,通过不同尺寸的空洞卷积提取信息,再将各通道的信息聚合,在增强网络的特征提取能力的同时可以降低参数量。本文聚焦于窦性心律、房性早搏、心动过速以及心动过缓4种分类,使用的心电图数据集来自医院的实测数据,数据集包含75000名不同检测者的心电记录。经过测试,本文提出的模型在该数据集上取得了0.89的F1值,另外在CinC2017数据集上也达到了0.87的F1值。实验结果表明该分类算法具有优秀的特征提取和分类能力,在心电信号的实时分类中具备应用前景。