顾佳艳,蒋明峰,李 杨,张鞠成,王志康

1(浙江理工大学 信息学院,杭州 310018)

2(浙江大学 医学院 附属第二医院,杭州 310019)

1 引言

心电图(ECG)在临床中被用于生理信号的常规监测,是心脏电活动的图形表示,产生的信号由多个心跳组成,每个心跳都包含几个连续的波.专业人员可对此进行如心肌梗死(MI)、房颤(AF)和心力衰竭(HF)[1]等多类心脏疾病的诊断,但评估不规则ECG 信号通常是耗时且主观的过程[2].因此,在过去的几十年中,计算机辅助诊断技术已被广泛应用于自动识别心律不齐的分类中[3].

早期的研究主要针对的是传统机器学习方法,主要分为特征提取和分类器两部分,特征提取包括均值、主成分分析[4]、傅立叶变换、小波变换[5–7]等,分类器则主要采用SVM[2,5]、随机森林[8]、神经网络[9,10]等.传统方法具有可解释性的优点,但相对自学能力较弱,通常无法学习潜在的抽象模式,需要足够的人工干预,在特征提取和特征选择上花费大量时间.同时面对现实中的噪声和个体差异问题,其泛化能力较弱.

为了解决以上的这些问题,近些年,一些学者提出了基于深度学习的方法.与传统方法不同,深度神经网络(DNNs)是由多个处理层组成的计算模型,在不需要通过大量的数据预处理、特征工程的基础上,将原始数据通过逐层抽象后得到更高层次的特征表达,从而极大地提高模型的分类精度.在足够充分的训练样本的前提下,克服了传统机器学习算法输入输出相互独立的局限性[11],同时……