换一批摘要心律失常是引起心肌梗塞、突发性心脏死亡等严重疾病的重要原因,常借助心电图进行早期诊断.然而,传统的心电信号分类方法有着复杂的特征提取任务,计算量大、费时费力.为此通过在经典卷积神经网络的基础上加入Dropout层,设计了一种改进的卷积神经网络模型,该模型可以进一步提升模型的泛化能力、提高准确率.其利用CNN自动提取特征,将经过预处理的心电信号直接作为模型的输入,自动识别5种不同类型的心拍.在MIT-BIH心律不齐数据库上进行实验,准确率达到99.68%,特异性为98.94%,灵敏度为99.76%.实验结果表明,相较于经典卷积神经网络,本文提出的方法能够精确、高效地识别不同类型的心律失常疾病.
更多相关知识
关键词
心律失常心电信号卷积神经网络Dropout层自动识别ArrhythmiaElectrocardiogramConvolutional Neural NetworkDropout layerautomatic identification
栏目名称
发布时间
2024-10-16（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（62201332）
山西省基础研究计划项目（20210302124028）
山西省高等学校科技创新项目（2021L268）
山西师范大学大学生创新创业训练计划项目（2024DCXM-27）
- 浏览5
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
