文献类型：期刊文章

作　　者：李端[1,2] 张洪欣[1,3] 刘知青[4] 黄菊香[1] 王田[5]

LI Duan;ZHANG Hongxin;LIU Zhiqing;HUANG Juxiang;WANG Tian(School of Electronic Engineering,Beijing University of Posts and Telecommunications,Beijing 100876,P.R.China;School of computer and communication Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,P.R.China;Beijing Key Laboratory of Work Safety Intelligent Monitoring,Beijing 100876,P.R.China;Wisdom healthy technology co.,Ltd,Xiamen,Fujian 361010,P.R.China;School of Automation Science and Electrical Engineering,Beihang University,Beijing 100191,P.R.China)

机构地区：[1]北京邮电大学电子工程学院,北京100876 [2]郑州轻工业大学计算机与通信工程学院,郑州450002 [3]北京市安全生产智能监控重点实验室,北京100876 [4]智慧康源(厦门)科技有限公司,福建厦门361010 [5]北京航空航天大学自动化科学与电气工程学院,北京100191

出　　处：《生物医学工程学杂志》

基　　金：国家自然科学基金(61571063;61503017);北京市自然科学基金(3182028);航空科学基金(2016ZC51022);厦门湖里区项目(17社05)

年　　份：2019

卷　　号：36

期　　号：2

起止页码：189-198

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、EI、EMBASE、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：心电图(ECG)信号在采集过程中容易受内部和外部噪声干扰,而且不同患者的ECG信号形态特征差异较大,即使同一患者在不同时间和环境下其ECG信号也会有差异,因此ECG信号特征检测与识别在心脏病远程实时监测与智能诊断中具有一定难度。基于此,本研究提出将小波自适应阈值去噪和深度残差卷积神经网络算法用于多种心律不齐的信号识别过程中。其中,使用小波自适应阈值技术完成ECG信号滤波,并设计了包含多个残差块(residual block)结构的20层卷积神经网络(CNN),即深度残差卷积神经网络(DR-CNN),对5大类心律不齐ECG信号进行了识别。然后,本文采用残差块局部神经网络结构单元构建DR-CNN,缓解了深层网络的收敛难、调优难等问题,克服了CNN随着网络层数增加而导致的退化问题;进一步引入批标准化(batch normalization)技术,保证了网络的平滑收敛。按照美国医疗器械促进协会(AAMI)的心搏分类标准,使用麻省理工学院和波士顿贝丝以色列医院(MIT-BIH)心律不齐数据库中94 091个ECG心搏信号(2个导联),完成了心律不齐多分类、室性异位搏动(Veb)和室上性异位搏动(Sveb)等分类识别实验。实验结果表明,本文所提出的方法在ECG信号多分类、Veb和Sveb识别中的准确率分别达到了99.034 9%、99.498 0%和99.334 7%。在相同的数据集和实验平台下,DR-CNN在分类准确率、特异性和灵敏度上均优于相同结构复杂度的CNN、深度多层感知机等传统算法。DR-CNN算法提高了心律不齐智能诊断的精度,该方法与可穿戴设备、物联网和无线通信技术相结合,可以将心脏病的预防、监测和诊断延伸到家庭、养老院等院外场景,从而提高心脏病患者的救治率,并且有效地节约医疗资源。

关 键 词：心电图 小波自适应滤波  深度残差卷积神经网络  心律不齐分类  美国医疗器械促进协会  

分 类 号：TN911.23] TP183] R540.41]