- 博客(4)
- 收藏
- 关注
RSS订阅原创 MIT-BIH R峰识别及心拍分类（基于UNet-CBAM）
目前的心拍分类方法通常采用先分割后分类的流程：首先识别单个心拍，再对每个心拍进行独立分类。这种方法存在明显缺陷：在实际应用中，必须先通过R峰检测算法准确定位R峰位置才能完成分割。然而，动态心电图中普遍存在的各类伪影经常导致R峰识别错误，进而产生错误的心拍分割结果，最终影响分类准确性。此外，单独处理每个心拍的操作方式不仅效率低下，还会显著增加算法耗时。用MIT-BIH数据集包含48份30分钟时长的双导联心电图记录样本，本实验仅选用MLII肢体导联信号。
2025-09-14 18:24:56
308
原创 基于深度学习的心电信号分类、分割与去噪。（3）去噪篇
心电信号是通过放置在受试者皮肤上的表面电极来测量的，其噪声源来自外部和内部噪声，常见的噪声有基线漂移（Baseline Wander，BW）、肌肉伪影（Muscle Artefacts，MA）、电极运动伪影（Electrode Motion，EM）、工频干扰（Power-line Interference，PLI）和信道噪声如加性高斯白噪声（Additive White Gaussian Noise，AWGN）等。
2025-05-22 14:50:12
269
1
原创 基于深度学习的心电信号分类、分割与去噪。（2）分割篇
心电信号分割，言简意赅的说法就是识别心电信号的P Q R S T。心电信号的R峰检测是一个热门课题，但是P Q R S T检测做的人相对没那么多。
2025-05-14 18:44:06
741
原创 基于深度学习的心电信号分类、分割与去噪。（1）分类篇
对于心电信号分类，目前主流的做法是直接将心电信号输入到深度学习模型，使用模型来自动提取特征，之后再输入到全连接层进行分类。使用深度学习模型的优势在于：1、模型可以自己根据心电信号的特点来学习到相关的特征，而无需进行复杂的人工特征提取；2、可以将计算机视觉（Computer Vision，CV）领域的一些方法和创新点应用到心电信号中，这样更好发文章（懂的都懂）。以上是一些基本的介绍，可以作为一个通用的流程来进行学习。目前这一版本基本都是文字和代码介绍，后期时间充裕的话，会以图文+代码的形式进行讲解。
2024-05-26 18:27:56
3883
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人