卷积神经网络在心拍类识别中的应用

心电图(ECG)心拍分类对心脏疾病的临床诊断具有重要意义,但是ECG四类心拍间数据不平衡问题严重制约着心拍分类性能的提升。针对这一问题,以卷积神经网络(CNN)为基础,首先在组合四类心拍等量数据基础上构建用于表达噪声及四类心拍间共性信息的通用CNN模型,接着以通用CNN模型为基础分别在四类心拍数据上构建四个更为有效表达对应心拍类别倾向性信息的类别CNN模型,最后综合四个类别CNN模型的输出判别心拍类型。在MIT-BIH心电图数据库上的实验结果显示,该方法的平均灵敏度为99. 68%、平均阳性检测率是98. 58%、综合指标是99. 12%,显著优于二级联合聚类法在MIT-BIH心电图数据库上的分类性能。

类内类间距离在CNN识别心拍类中的应用研究

心脏疾病严重威胁人类身体健康,心电图(Electrocardiogram,ECG)心拍分类对心脏疾病的临床诊断和自动诊断具有重要意义。现有基于深度学习生成的ECG心拍特征虽然优于基于传统方法生成的心拍特征,但是因ECG中各类间存在着严重的数据不平衡问题,致使现有基于深度学习方法生成的心拍特征的性能仍不甚理想。针对这一问题,以卷积神经网络(Convolutional Neural Network,CNN)为基础,在各类心拍等量数据基础上构建能有效表达各类心拍共性信息的共性CNN模型,以共性CNN模型和最小化类内距离最大化类间距离模型为基础,分别在各类心拍数据上构建能有效反映相应心拍类别倾向性信息的类别CNN模型,综合各心拍类别CNN模型的输出进行识别与分类。在MIT-BIH数据库上的实验结果显示,该方法识别分类心拍的各项指标均达到100%,解决了MIT-BIH数据库中ECG四类心拍自动识别分类的问题。

连续心电向量图的电脑诊断系统

目前的心电图机描记的一维曲线是空间心电向量环经二次投影的结果,不能如实地反映空间心电向量环每瞬间的方向和电压,以及环的转向和扭曲,而这些指标往往是诊断心肌梗塞、室内传导阻滞等病症的重要依据。而心电向量图机将心电信号的二维曲线都描绘在一个座标系中,不能显示出各环之间的时间关系,无法诊断心律失常。

QRS环最大向量、初始极向量用于室性期前收缩定位

目的 :探讨QRS环最大向量和初始极向量对室性期前收缩源点定位的可行性、准确性。方法 :5 0例室性期前收缩心电向量图QRS环最大向量和初始极向量方位角进行对比分析。结果 :室性期前收缩源点位于QRS环最大向量的对侧。结论 :用心电向量图QRS环最大向量定位室性期前收缩源点 ,较初始极向量定位易测量 ,且定位准确性高。