具有自动抗噪功能的心电信号分类算法

作者：雷宇; 刘少儒; 徐寅林

来源：电子测量技术, 2021, 44(21): 49-55.

DOI：10.19651/j.cnki.emt.2107797

• ECG
• 深度学习
• 自动抗噪

心电图(ECG)检测是心脏疾病最常用的诊断方法。但是在心电信号采集过程中往往会受到噪声干扰,从而使心电信号分类诊断的正确率受到很大影响。为提高分类诊断的准确率和抗噪能力,改进设计了一种用深度残差收缩网络(DRSN)实现自动抗噪、全局平均池化(GAP)整合空间信息的ECG分类诊断模型。在MIT-BIH心律失常数据集上验证了模型的分类性能,并将其与普通的卷积神经网络(CNN)模型进行了抗噪性能分析比较。实验结果表明,设计的DRSN+GAP诊断模型基于AAMI标准的分类正确率高达99.3%,对不同强度的工频及高斯两种噪声其抗噪性能均优于普通的CNN模型。

• 单位
  南京师范大学