基于卷积神经网络的心律失常分类研究

作     者：郭宇昊 王大为 GUO Yu-hao;WANG Da-wei

作者机构：山西师范大学物理与信息工程学院山西太原030031 

出 版 物：《电脑与电信》 (Computer & Telecommunication)

年 卷 期：2024年第7期

页      面：8-12页

学科分类：0711[理学-系统科学] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：国家自然科学基金,项目编号:62201332 山西省基础研究计划,项目编号:20210302124028 山西省高等学校科技创新项目,项目编号:2021L268 山西师范大学2024年大学生创新创业训练计划项目,项目编号:2024DCXM-27 

主　　题：心律失常 心电信号 卷积神经网络 Dropout层 自动识别 

摘      要：心律失常是引起心肌梗塞、突发性心脏死亡等严重疾病的重要原因,常借助心电图进行早期诊断。然而,传统的心电信号分类方法有着复杂的特征提取任务,计算量大、费时费力。为此通过在经典卷积神经网络的基础上加入Dropout层,设计了一种改进的卷积神经网络模型,该模型可以进一步提升模型的泛化能力、提高准确率。其利用CNN自动提取特征,将经过预处理的心电信号直接作为模型的输入,自动识别5种不同类型的心拍。在MIT-BIH心律不齐数据库上进行实验,准确率达到99.68%,特异性为98.94%,灵敏度为99.76%。实验结果表明,相较于经典卷积神经网络,本文提出的方法能够精确、高效地识别不同类型的心律失常疾病。