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。

基于Gabor变换特征选择的ECG心拍分类

为了解决小波变换法不能有效地提取心拍的局部特征,甚至丢失一些关键特征的问题,该文基于类内类间距离和准确性准则,分别采用顺序浮动前向搜索(SFFS)法和单独最优特征组合法对心拍信号的Gabor变换系数的实部选择。选出的系数与RR间期一起组成最近邻分类器的输入特征向量。数据集来自MIT-BI H(MassachusettesInstitute of Technology-Boston s Beth Israel Hospital)心电数据库的8种类型的心拍。实验结果表明,基于准确性准则和SFFS法即封装法的心拍分类方法准确性最高,为98.65%,仅需利用15个Gabor变换系数,有利于提高分类速度。该方法是一种更有效的心拍分类方法。