任晓霞

(张家口学院数学与信息科学学院,河北 张家口 075000)

心电信号数据作为一项重要的人体生理指标,能够有效辅助医生进行心脑血管相关病症的临床诊断和提前预警具有重大指导意义[1]。随着可穿戴式数据采集设备和无线传感技术的迅猛发展,围绕可穿戴式心电信号数据的采集与分析引起了业界关注[2]。

目前心电信号数据分析的临床应用方式主要借助心电图仪及配套分析软件进行可疑波段的初步筛选,然后依靠医生经验对心电图数据进行分析,从而对心血管相关病症进行诊断。24 h动态心电图一般包含10万个左右心拍的心电信号数据,可穿戴式心电监护设备更是要实时采集人体每天的大量心电信号,可见,心电信号数据初步筛选过程的准确性、筛选率、速度直接影响医生的诊断准确性,制约了可穿戴式心电监护设备和移动医疗的推广。

深度卷积神经网络DCNN(Deep Convolutional Neural Network)被认为是一种适合模式检测和分类任务的重要深度学习方法[3]。近年来,针对深度学习的理论研究获得了前所未有的关注,DCNN在诸如图像识别[4]、自然语言处理[5]、视频识别[6]和语音处理[7]等各种应用中取得了巨大突破。心电信号数据可以看作一类特殊的一维图像,研究者已经提出了基于卷积神经网络等深度学习方法的心电数据分类方法。金林鹏等基于导联卷积神经网络的临床心电图分类算法上提出多种策略,提升实际应用中的算法性能[8]。刘明等将卷积神经网络应用与心电信号的分类中,提出基于单心拍心房活动特征的房颤检测算法[9]。……