APP下载

基于深度学习和模糊C均值的心电信号分类方法

2018-11-01吴志勇丁香乾许晓伟鞠传香

自动化学报 2018年10期
关键词:分类深度特征

吴志勇 丁香乾 许晓伟 鞠传香

据世界卫生组织统计,2012年全球约有17.5万人死于心血管疾病,占全球死亡人数的31%[1].为降低心脏疾病的发生,预防性的前期诊断是关键.心电图作为一种重要的非侵入式心电检测工具被心脏专家广泛使用.通常情况下,针对短时心电图可通过视觉观察来识别各种心电信号异常的各种症状.但是,随着便携式心电图(例如,Holter、Loop recorder)的广泛使用,因其可连续记录24小时、48小时,甚至14个月的心电信号记录[2].面对庞大的数据,采用传统的视觉方法判断心脏疾病已不可能,取而代之的是采用智能化的心电信号自动分类技术.

心电信号自动分类系统通常包括5个阶段,包括心电信号采集、预处理、心跳分段、特征提取和降维、自动分类,如图1所示.心电信号采集可综合利用智能硬件、物联网等核心技术远程采集心电信号数据,汇入医疗健康数据仓库.心电信号预处理主要去除心电信号的各种噪声,为后续阶段处理提供干净的信号信息,去除的心电噪声主要包括基线漂移、工频干扰和高频噪声等[3].心跳分段的目的是提取每个完整的心跳周期波形,需要检测P波、QRS波群和T波等关键点[4].针对心电信号预处理和心跳分段技术,已有众多学者在文献中进行了研究并得到了广泛应用,本文重点研究心电信号特征提取和自动分类两方面技术.在心电信号特征提取方面,近十年来大量文献提出了各种方法,包括心电信号形态特征[3]、时……

登录APP查看全文

猜你喜欢

分类深度特征
分类算一算
如何表达“特征”
不忠诚的四个特征
深度观察
深度观察
深度观察
教你一招:数的分类
线性代数的应用特征