换一批基于变分模态分解和深度学习融合的心电信号分类诊断模型的构建和验证
Construction and validation of an ECG signal classification model based on the fusion of variational mode decomposition and deep learning
摘要背景 传统的心电图(ECG)诊断方法受主观因素和经验影响较大,且ECG信号采集过程中难免会受到各种噪声干扰.近年来,基于人工智能对ECG信号进行诊断已成为研究热点.目的 探讨基于变分模态分解(VMD)和深度学习融合的ECG信号分类诊断的可行性.设计 诊断准确性研究.方法 ECG信号数据来源为2020年美国查普曼大学和绍兴人民医院联合发布的12导联心电信号开源数据库,心律类型归纳为心房纤颤(AFIB)、广义的室上性心动过速(GSVT)、窦性心动过缓(SB)和窦性心律(SR)四类,均按4:1随机划分为训练集和测试集.利用VMD进行模态分解,剔除高频模态,得到心律失常ECG信号有效特征数据集.先用未降噪ECG数据比较4种典型深度神经网络模型(LeNet、AlexNet、VggNet16、ResNet50)的分类性能,根据损失率和准确率选取最优模型后,再用该分类模型对VMD降噪后的数据进行训练和测试.主要结局指标 准确率、精准率、敏感度、特异度、F1值和约登指数.结果 4种典型深度神经网络模型中ResNet50模型的准确率最高且损失率最低,分类效果最好.经VMD滤波后,ECG信号的噪声明显下降.VMD降噪后可以使ResNet50构建的分类诊断网络对4类心律类型总的分类准确率由93.75％±0.24％升高至94.41％±0.18％,使F1值(＞0.92)和约登指数(＞0.90)均提高,精准率除SR外、敏感度除SB外均提高,特异度GSVT和SB均有提高.结论 基于VMD降噪和深度卷积神经网络融合的ECG信号分类诊断模型的分类诊断性能良好.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1673-5501.2024.06.011
发布时间
2025-03-20（万方平台首次上网日期，不代表论文的发表时间）
- 浏览7
- 被引4
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
