艾文书 赵兴群

东南大学生物科学与医学工程学院，南京210000

0 引 言

世界卫生组织的数据表明，心血管疾病是人类的头号死因，每年死于各类心血管疾病的人数多于其他任何疾病。《中国心血管报告2018》显示，我国心血管疾病的患病率与死亡率处于上升趋势，心血管疾病的死亡率居各种疾病的首位[1]。

心电图（electrocardiogram，ECG）是心脏电活动在体表的一种综合表现，其中心率节拍可以反映生理和病理的信息，在一定程度上可以客观反映心脏各部分的生理状况。心电图是诊断心率失常的主要依据，通过连续监测ECG信号可以识别心率状况，从而判断是否发生心率不齐。传统的心律失常诊断方法是通过人为观察并识别ECG中的心律失常特征信号，此过程需要检测人员长时间观测，且在一定程度上有误诊的可能，因此自动检测心率失常显得尤为重要。

近年来，在心律失常检测领域出现了几种简化监测任务的方法。其中，Li等[2-3]用支持向量机（support vector machine，SVM）分辨不同的ECG类型；Nanjundegowda和Meshram[4]用深度神经网络（deep neural networks，DNN）判断ECG是正常还是异常；Dbeyli[5]使用循环神经网络（recurrent neural networks，RNN）分类ECG信号，得到98.06%的正确率；Park等[6]使用K最近邻（K-nearest neighbor，KNN）分类器分类ECG信号，得到98.9%的正确率；Kiranyaz等[7]将卷积神经网络（convolutional neural networks，CNN）应用于一维ECG信号分类，其基于一维CNN提出了一种患者特异性ECG分类和监测系统，对室性异位搏动（ventricular ectopicbeats，VEB）和室上性异位搏动（supraventricular ectopic beats，SVEB）的分类准确率分别为99.0%和97.6%；Jun等[8]将一维ECG转换为128 px×128 px的图像，然后使用2D-CNN进行分类。

本研究中，将原始的一维ECG信号按照R点（R波波峰点）前后进行切分，获取一个RR周期，将RR周期内的波形生成为128 px×128 px大小的图像，然后使用2D-CNN对图像进行分类，以提升ECG分类算法的普适性，使之可以用来为医生诊断心脏疾病提供辅助依据。……