阅读ECG论文记录（二）

最新推荐文章于 2024-11-02 18:11:31 发布

原创

最新推荐文章于 2024-11-02 18:11:31 发布 · 907 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络

本文介绍了一种利用卷积神经网络（CNN）和通道注意力机制进行心跳分类的方法。通过定制的神经网络结构提取心电图信号的多尺度特征和通道信息，提高分类准确率。同时，提出了一种记录内的样本聚类策略，用于选择代表性训练数据。预处理步骤包括基线漂移减少和心拍分割，以增强模型性能。数据集由特定受试者和公共部分组成，网络模型由输入卷积层、MRF-CA-R块、全局平均池层和softmax层构成。实验结果显示，该方法在N、SVEB和VEB类别的检测上表现出高准确性和特异性，但在稀有类别Q的检测上表现不佳。未来工作将致力于简化方法并优化其在可穿戴设备上的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Automated Heartbeat Classification Exploiting Convolutional Neural Network With Channel-Wise Attention

创新点： ①提出了一种基于CNN的特定病人心跳分类方法。定制的神经网络提取不同接收场的多个空间特征和通道信息，提高分类性能。
②提出了一种记录内样本聚类方法，该方法有利于从数据库中选择具有代表性的训练节拍，高准确度，特别是对病理性搏动的检测
心拍分割： 数据库中标记的R峰的位置，从前一个R峰后的0.14s（50个点，采样率360）分割到下一个R峰前的0.14s
预处理： ①减少基线漂移：采用均值减（从每个点减去样本的平均值）来确保每个心跳段的值具有零均值
②考虑到不同的生理意义和波的可能叠加，每段心跳被分为三个子段（前QRS、QRS复合波和后QRS）。由于难以准确检测到QRS波群的边界，根据QRS波群的基本时间特征，将分离点分别设置为R峰前后的0.09s（采样率360的32个点）。QRS子段的长度是固定的（64），通过重采样将QRS子段的前QRS子段和后QRS子段缩放到与QRS子段相同的长度64。对两个心电通道进行预处理后，将64个长度的6个子段串接成独立的通道，形成1x64x6输入。
在这里插入图片描述
数据集： 训练数据集包含两个部分，一个是特定于受试者的部分（选择测试记录前5分钟的所有心跳），一个是公共部分（选择了DS1的245个代表性心跳，包括75个N心跳、75个SVeb心跳、75个VEB心跳、13个F心跳和7个Q心跳）并用K均值法对每个记录中的每个拍类（N、SVEB和VEB）进行聚类，并从每个聚类中随机选择一个样本，形成共同的训练