基于格拉姆角和场和改进的Inception-ResNet-v2的心律失常图像分类方法

心律失常是一种常见的威胁人类健康的心血管疾病,其主要的确诊手段靠心电图(ECG)。采用计算机技术实现心律失常自动分类可有效避免人工误差,提高诊断效率并降低成本。心律失常自动分类算法大多集中于一维时序信号的处理,其鲁棒性不足。为此,本文提出一种基于格拉姆角和场(GASF)和改进的InceptionResNet-v2的心律失常图像分类方法。首先使用变分模态分解进行去噪,用深度卷积生成对抗网络进行数据扩增,然后使用GASF将一维时序心电信号转换为二维图像,并使用改进的Inception-ResNet-v2网络实现AAMI推荐的五种(N、V、S、F和Q)心律失常分类。在MIT-BIH心律失常数据库测试实验表明:在患者内(intra-patient)和患者间(inter-patient)范式下分别获得了99.52%和95.48%的整体分类精度。本文改进的Inception-ResNetv2网络的心律失常分类表现优于其他方法,为基于深度学习的心律失常自动分类提供了一种新途径。