结合注意力机制的CNN-LSTM心电信号识别

心电信号形态复杂多样易导致识别准确率低、适应性差,通常依靠人工诊断,费时费力。为此提出注意力机制与卷积长短时记忆网络(CNN-LSTM)相结合的深度网络模型(Attention-Based CNN-LSTM,A-CNN-LSTM)以实现心电信号自动识别。模型以CNN为基础架构,引入了注意力机制帮助心电信号内空间特征的提取;LSTM捕捉空间特征内的时间特性,并将其用于信号分类。在MIT-BIH心律不齐数据库上进行实验,结果表明,该模型可对六种不同的心电信号进行分类,识别准确率达到99.23%,具有一定的临床应用意义。

采用动态双子群策略改进的灰狼算法及其在心电信号识别中的应用

针对基本灰狼优化算法(GWO)易陷入局部最优的缺点,将双子群策略引入灰狼算法,提出一种采用动态双子群策略改进的灰狼算法(DDGWO)。该算法动态的将灰狼种群划分为较优子群和较差子群,较优子群与较差子群采用不同的非线性收敛因子,在进行全局搜索时,能够有效避免陷入局部最优。本文将DDGWO应用于SVM参数优化,并建立DDGWO-SVM模型进行心电信号识别实验,并与其他算法进行性能测试对比。结果表明,DDGWO具有更好的寻优特性,所建立的DDGWO-SVM模型获得了更高的心电分类识别精度。

基于深度堆栈网络的心电信号识别

传统的心电信号识别算法依靠心电专家参与特征识别,费时费力,诊断成本高,心电信号形态复杂多样导致识别准确率低、适应性差。为解决上述问题,将栈式稀疏自编码器(SSAE,Stacked Sparse Autoencoder),与Softmax分类器相结合形成深度堆栈网络(DSN,Deep Stacked Network)完成对心电信号的自动识别。通过3个稀疏自编码器堆叠的方式完成心电信号特征提取,逐层刻画心电信号的高维特征,由Softmax分类器完成心电信号识别。详细评估了深度堆栈网络的模型特性,确定了该网络模型的超参数,训练集样本和测试集样本源于MIT-BIH数据库。实验结果表明采用本文所提方法对心电信号进行识别,总识别率达到99.69%,验证了所提方法的有效性。

基于CNN和SVM混合模型的心电信号识别方法

目前心血管疾病已成为危害人类生命健康的主要疾病之一,为实现对不同类型的心电图进行自动分析,并对异常心率进行实时预警,本文提出了基于卷积神经网络(CNN)和支持向量机(SVM)混合模型的心电信号分类模型,并使用MIT-BIH数据集来进行系统模型的训练与验证。考虑到CNN对数据的识别能力较强,能够充分提取数据局部特征,以及SVM在小样本数据上泛化能力较好的特点,将CNN+SVM的混合模型应用到小样本的心电信号数据分类中,取得了较好的效果。最后通过5倍交叉验证比较CNN+SVM、CNN、SVM三种模型的各项性能,结果表明,CNN+SVM各项指标均优于CNN与SVM。

基于PYNQ的智能识别心电图机设计研究

在当今社会,心血管疾病仍然是威胁人类健康的主要疾病之一。例如,心脏病具有突发性强、不易被人察觉的特点,对病人来说,早一刻接受医生的诊断和治疗,脱离危险的机会就越大。笔者采用PYNQ电子芯片技术,基于RegNet模型、ResNeSt模型、EfficientNet模型设计了一个智能识别心电图机,不仅可以大大减少医生的工作强度,还能提高诊断的准确率。

基于优化残差网络的动态心电信号分类算法研究

准确的动态心电信号异常检测依然是心电信号分析的难点。针对这种情况,本文设计了优化的Res-Net残差网络模型,该模型基于原Res-Net50模型在卷积层加入空洞卷积,并用评价指标相反数的近似公式代替损失函数,以获得较高的异常心电特征识别率。同时,对学习率、卷积核大小、衰减因子在内的多个超参数进行了测试和优化。为了验证该模型的可行性,本文选取了ICBEB心电数据库,对该数据库中12导联动态心电信号中所包含的9种心率失常进行自动分类,并对模型优化前后进行分类评价指标比较。实验结果表明,当设置参数lr=0.01,dropout=0.5,weightdecay=0.000 1时,优化Res-Net残差网络模型自动分类准确率达到0.95,模型分类评价指标F1得分0.89。该模型在提取动态心电图特征的同时进行了分类,获得较好效果,具有潜在的临床指导意义。

ANALYSIS OF AFFECTIVE ECG SIGNALS TOWARD EMOTION RECOGNITION

Recently,as recognizing emotion has been one of the hallmarks of affective computing,more attention has been paid to physiological signals for emotion recognition.This paper presented an approach to emotion recognition using ElectroCardioGraphy(ECG) signals from multiple subjects.To collect reliable affective ECG data,we applied an arousal method by movie clips to make subjects experience specific emotions without external interference.Through precise location of P-QRS-T wave by continuous wavelet transform,an amount of ECG features was extracted sufficiently.Since feature selection is a combination optimization problem,Improved Binary Particle Swarm Optimization(IBPSO) based on neighborhood search was applied to search out effective features to improve classification results of emotion states with the help of fisher or K-Nearest Neighbor(KNN) classifier.In the experiment,it is shown that the approach is successful and the effective features got from ECG signals can express emotion states excellently.