近年來(lái),深度神經(jīng)網(wǎng)絡(luò)（DNNs）已廣泛應(yīng)用于心電圖（ECG）信號(hào)分類領(lǐng)域,但是以往的模型從原始ECG數(shù)據(jù)中提取特征信息受限。因此,本文提出了一種基于金字塔型卷積層的深度殘差網(wǎng)絡(luò)（PC-DRN）算法,該算法中包含的金字塔型卷積（PC）層可以從原始ECG數(shù)據(jù)中同時(shí)提取多尺度特征,并采用深度殘差網(wǎng)絡(luò)訓(xùn)練ECG信號(hào)分類模型,可以實(shí)現(xiàn)對(duì)ECG信號(hào)的分類。本文使用2017心臟病學(xué)挑戰(zhàn)賽（CinC2017）提供的公開(kāi)數(shù)據(jù)集,驗(yàn)證本文提出方法對(duì)4類ECG數(shù)據(jù)的分類效果。本文選取精度和召回率之間的諧波均值F₁作為主要評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果表明,PC-DRN的平均序列級(jí)別F₁（SeqF₁）從0.857提升到了0.920,平均集合級(jí)別F₁（SetF₁）從0.876提升到了0.925。因此,本文提出的PC-DRN算法為ECG信號(hào)的特征提取和分類提供了一種新的思路,為心律失常的分類診斷提供了有效的手段。 

【文章來(lái)源】：生物醫(yī)學(xué)工程學(xué)雜志. 2020,37(04)北大核心EICSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

PC-DRN架構(gòu)

圖1 PC-DRN架構(gòu)其中，I hα表示第h個(gè)卷積層的第α通道輸入，Ohα表示對(duì)應(yīng)輸出，f（·）為激勵(lì)函數(shù)，x為ECG信號(hào)，Mα表示第h-1層特征圖，i表示各個(gè)特征單元，xih-1表示第h-1個(gè)常規(guī)卷積層中第i個(gè)特征單元的輸出，k hiα表示卷積核矩陣，bias是偏置項(xiàng)，“*”表示卷積操作符。

本文應(yīng)用隨機(jī)權(quán)重丟棄法避免過(guò)擬合，其參數(shù)設(shè)置為0.2；使用修正線性單元進(jìn)一步標(biāo)準(zhǔn)化值來(lái)加速訓(xùn)練；使用批歸一化規(guī)范化傳遞值。網(wǎng)絡(luò)中的優(yōu)化器選擇自適應(yīng)矩估計(jì)優(yōu)化器，默認(rèn)參數(shù)β1=0.9，β2=0.999，學(xué)習(xí)率初始化為1×10-3。開(kāi)始訓(xùn)練前，隨機(jī)初始化權(quán)重。在訓(xùn)練過(guò)程中，數(shù)據(jù)被分批輸入網(wǎng)絡(luò)，批尺寸設(shè)置為32，為了使每一層上的批次歸一化，進(jìn)行批量歸一化操作，以確保整個(gè)網(wǎng)絡(luò)的數(shù)值被縮放到相同的大小。2.3 實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

【參考文獻(xiàn)】：
期刊論文
[1]基于深度殘差卷積神經(jīng)網(wǎng)絡(luò)的心電信號(hào)心律不齊識(shí)別[J]. 李端,張洪欣,劉知青,黃菊香,王田.  生物醫(yī)學(xué)工程學(xué)雜志. 2019(02)
[2]基于DenseNet的心電數(shù)據(jù)自動(dòng)診斷算法[J]. 賴杰偉,陳韻岱,韓寶石,季磊,石亞君,黃志聰,陽(yáng)維,馮前進(jìn).  南方醫(yī)科大學(xué)學(xué)報(bào). 2019(01)
[3]心電信號(hào)識(shí)別分類算法綜述[J]. 馬金偉,劉盛平.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2018(12)
[4]Detecting Premature Ventricular Contraction in Children with Deep Learning[J]. 劉宜修,黃玉娟,王健怡,劉莉,羅家佳.  Journal of Shanghai Jiaotong University（Science）. 2018(01)
[5]基于集成卷積神經(jīng)網(wǎng)絡(luò)的肺部腫瘤計(jì)算機(jī)輔助診斷模型[J]. 王媛媛,周濤,陸惠玲,吳翠穎,楊鵬飛.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(04)



本文編號(hào)：3572167