STDECG的博客

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。

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。