基于卷积神经网络的心电特征提取

提出一种基于卷积神经网络(CNN)的心电特征提取方法,以心拍R点前后75ms内的信号为QRS波群,提取QRS波群的180Hz下采样和RR间期,把QRS采样作为CNN的卷积层输入,把CNN的全连接层输出作为形态特征。对CNN特征进行分类能力测试,与文献方法对比结果表明,CNN特征在平均Se上有1.7%的提升,在平均P^+上有2.9%的提升,对于S类的Se提升7%,P^+提升9%,对V类的Se提升4%,P+提升2%;该方法在F类上性能低于文献最佳值,因为神经网络对训练样本数要求比支持向量机(SVM)高。

基于深度信念网的心电自动分类

提出一种基于深度信念网(deep belief network,DBN)和心电波形采样的心电自动分类算法。对心电信号进行滤波、R波定位后,以QRS波群的180Hz下采样表示心拍形态,结合RR间期特征,使用的DBN共6层,隐藏层神经元数目为30。使用标准数据库对DBN进行训练和测试,结果为平均Se88.6%,平均P^+62.1%,优于现有特征选择方法的结果,基于深度学习的心拍分类算法无需波形特征提取步骤,解决了目前的波形特征对心拍的人间差异没有鲁棒性的问题。