基于卷积神经网络特征提取与融合的心律失常分类*
2021-04-12徐晨华叶思超乔清理
生物医学工程研究 2021年1期
徐晨华,叶思超,乔清理
(天津医科大学生物医学工程与技术学院,天津 300070)
1 引 言
心律失常是心血管疾病最显著的表现,严重的心律失常可能会导致心脏骤停,甚至死亡。便携式可穿戴设备可实现对患者的长期监测,达到早期识别心律失常的目的,但其必须满足识别准确度高、重量轻、能耗低、识别速度快等要求,因此,在降低计算复杂度的基础上,提高心律失常的分类准确度具有重要意义。
随着技术的发展,机器学习方法被应用于心律失常分类[1-4]。Mondéjar-Guerra等[2]提取心电信号的RR间期特征、小波特征、高阶统计特征等,输入到支持向量机中,获得了95.9%的准确度。但人工提取特征高度依赖于经验,难以提取隐含特征,并且会引入大量计算,无法满足计算简单的要求。后来,卷积神经网络(convolutional neural network, CNN)被应用于心律失常分类[5-6]。基于CNN的方法具有从输入中独立学习特征并分类的能力。Rajpurkar等[5]训练了一个34层的CNN,可以实现心律失常自动分类,其灵敏度和准确度均超过了心脏病专家的平均水平。如果使用较浅的CNN,则很难学习心电信号中的深层次特征,而当网络深度增加时,网络参数将成指数倍增加,计算负担加重[7]。
本研究将人工提取特征和CNN自动提取特征的优势相结合,提出了一种基于CNN的抗噪声自动心律失常分类方法。使用CNN对原始心电信号和小波分量进行特征提取并与RR间期特征进行融合,再使用softmax函数对心拍进行自动分类。为验证特征融合的有效性,对特征融合前后的网络进行性能评估对比。……
登录APP查看全文
