心电成分的多核尺度卷积神经网络分类算法研究

心电图(electrocardiogram, ECG)的形态特征提取是检测心律异常类型的重要手段,目前并没有好的方法对心电形态特征进行更高效的提取以增强检测分类效果。针对此问题,对心电成分提出无滤波处理结合多核尺度卷积神经网络进行自动分类。所有的心拍都是从原始信号中分离出来,经过分割后,通过合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)数据扩增方式,平衡少样本数据集,再将心电信号输入到卷积神经网络中进行特征学习。通过MIT-BIH数据库提供的双导联心电医学样本数据,按照AAMI的心电五分类标准,最终在测试集中分类准确率达到99.50%,灵敏度为98.97%,综合评价F1为99.21%。实验结果表明,相比于传统的单一核尺度心电分类方法,多核尺度卷积神经网络模型简化了数据处理方式,整体准确率、灵敏度、综合评价F1均有明显提高,因此,更适合用于临床上代替心电图医生进行诊断。