换一批基于残差神经网络构建深度学习的异常心电图筛查模型
Construct a deep learning model for screening abnormal electrocardiograms based on residual neural network
摘要目的 以残差网络(residual network,ResNet)为基础构建新的一维神经网络模型(residual neural network in one dimension,ResNet1D),探究其在心电图(electrocardiogram,ECG)二分类中自动识别的效果,为临床医生制定治疗方案提供参考.方法 随机选取2023年1月至2023年12月收录于广州医科大学附属第三医院心功能室的患者心电图9 000份,并将其随机划分为训练集8 000份(其中正常心电图5 000份,异常心电图3 000份)和测试集1 000份(正常和异常心电图各500份),利用神经网络模型ResNet1D处理一维心电图数据,接着通过一维卷积神经网络层(convolutional neural network in one dimension,Conv1D)和残差块学习信号的时域特征利用最大池化降低特征图的空间维度,提取重要特征应用归一化指数函数(softmax function,Softmax)输出心电图的正常与异常状态的预测结果.结果 本研究神经网络模型ResNet1D在训练集和测试集中对心电图二分类识别效果明显优于其它模型,其准确率(accuracy)、查全率(recall)、查准率(precision)和F1分数(F1 score)分别为94.77％、96.00％、93.75％和94.86％.结论 与其它模型相比,本研究神经网络模型ResNet1D对心电图二分类具有非常好的识别效果,未来具有较高的临床应用价值.
更多相关知识
栏目名称
DOI
10.20159/j.cnki.jmf.2025.12.004
发布时间
2025-07-25（万方平台首次上网日期，不代表论文的发表时间）
基金项目
广州市科技局临床研究专项（202201020189）
广东省教育科学规划课题（2024GXJK425）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
