基于深度学习的临床心电图分类算法

作者：刘守华; 王小松; 刘昱

来源：计算机与现代化, 2021, (08): 52-57.

• 深度学习
• 残差网络
• 卷积神经网络
• 心电图
• 数据分布
• 损失函数

心电图反映了人体心脏健康状况,是临床诊断心血管类疾病的重要依据。随着心电图数量的快速增长,计算机辅助心电图分析的需求愈加迫切,心电图自动分类作为实现计算机辅助心电图分析不可或缺的技术手段,具有重要的医学价值。由于心电信号非常微弱、抗干扰性差,传统心电图分类算法存在测试集上效果好,实际临床应用效果欠佳的问题。为此,本文研究一种基于多导联二维结构的一维卷积Res Net网络结构,通过平移起始点、"加噪"等数据增强手段增加训练样本多样性,并采用Focal Loss损失函数优化病人个体的心电图分类模型。该模型利用2万条完整的8导联心电图数据,共计34类心电异常事件进行分类实验,取得了0.91的F1值、93.96%的准确率和87.89%的召回率的分类性能。实验结果表明,该心电图分类算法模型具有较优的深层特征挖掘与分类能力,验证了其在心电异常自动分类上的有效性。

• 单位
  中国科学院大学; 中国科学院微电子研究所