基于1D-ECNN的短时心电信号疲劳分类

提出一维双卷积神经网络(1D-ECNN),基于采集的心电信号检测操作员的疲劳状态。1D-ECNN包括4个卷积层、2个最大池化层、1个全连接层和1个softmax输出层。本研究仅使用较少的卷积核数量,这将减少模型参数的数量,降低模型的复杂程度,提高模型训练的速度,同时避免传统方法中复杂的特征提取过程或特征选择过程。将心电信号分成时间长度为1 s的样本,送入1D-ECNN,基于短时心电信号进行操作员疲劳状态分类。仿真结果表明,本文方法的平均分类准确率高达95.72%,能够实时准确地检测操作员的疲劳状态。此外,可以较好地消除个体差异性的影响。

基于短时心电信号的身份识别方法

为了提高基于短时 (1 s) 心电信号进行身份识别的准确率,本文提出了一种残差块的一维卷积神经网络 (one-dimensional convolutional neural network,1D-CNN) 的短时心电信号身份识别方法。该方法采用快捷连接设 计以解决深层卷积网络随着卷积层数增加而性能退化的问题,并通过增加卷积层数和卷积核数量来保证网络能够 更充分地提取特征,进而提升网络的分类性能。本文方法在两个公开数据库心电数据库 (electrocardiogram identifi⁃ cation database,ECG-ID) 和德国联邦物理技术研究院心电图诊断数据库 (physikalish-technische bundesanstalt di⁃ agnostic ECG database,PTB) 进行了实验,当采用一个心动周期 (大约 1 s) 信号进行身份识别时,准确率分别达 到了 97.963%和 99.359%。实验结果表明本文方法可以有效地提高短时心电信号的身份识别的准确率。

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。