-
题名基于聚类分析的心电节拍分类算法
被引量：8
- 1
-
-
作者
鄢羽
孙成
-
机构
重庆医科大学附属第一医院信息中心
中国科学院深圳先进技术研究院
-
出处
《计算机应用》
CSCD
北大核心
2014年第7期2132-2135,2139,共5页
-
基金
广东省与中国科学院全面战略合作计划项目(2009B091300160)
-
文摘
为提高计算机辅助心电节拍分类算法的准确率和普适性,提出一种基于聚类分析的心电节拍分类算法,该算法利用心电节拍个体内差异性较小的特性,采用两级聚类分析、抽样代表性心电节拍的方法,结合心电医师的辅助诊断,实现对心电节拍的准确分类。为了验证算法的准确性,采用国际公认的标准数据库——MIT-BIH心律失常数据库,AAMI/ANSI标准规定的心电节拍分类方法及准确率的计算方法进行仿真实验,最终总体分类准确率达到99.07%。与Kiranyaz等(KIRANYAZ S,INCE T,PULKKINEN J,et al.Personalized long-term ECG classification:A systematic approach[J].Expert Systems with Applications,2011,38(4):3220-3226.)的心电节拍分类算法相比,该算法无需进行设定的训练,且S类心电节拍分类灵敏度由40.15%提高到89.82%,显著提高了分类算法的普适性。
-
关键词
心电节拍分类
聚类分析
辅助诊断
ANSI/AAMI标准
-
Keywords
Electrocardiography （ECG） beat classification
cluster analysis
auxiliary diagnosis
ANSI/AAMI standard
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于深度信念网的心电自动分类
被引量：2
- 2
-
-
作者
颜昊霖
安勇
王宏飞
牟荣增
-
机构
中国科学院微电子研究所
中国科学院微电子研究所昆山分所
-
出处
《计算机工程与设计》
北大核心
2017年第5期1331-1334,共4页
-
基金
国家自然科学基金项目(61271423)
-
文摘
提出一种基于深度信念网(deep belief network,DBN)和心电波形采样的心电自动分类算法。对心电信号进行滤波、R波定位后,以QRS波群的180Hz下采样表示心拍形态,结合RR间期特征,使用的DBN共6层,隐藏层神经元数目为30。使用标准数据库对DBN进行训练和测试,结果为平均Se88.6%,平均P^+62.1%,优于现有特征选择方法的结果,基于深度学习的心拍分类算法无需波形特征提取步骤,解决了目前的波形特征对心拍的人间差异没有鲁棒性的问题。
-
关键词
深度信念网
心电节拍分类
模式识别
形态特征
波形采样
-
Keywords
deep belief networks
heartbeat classification
pattern recognition
morphology features
morphology samples
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于卷积神经网络的心电特征提取
被引量：18
- 3
-
-
作者
颜昊霖
安勇
王宏飞
牟荣增
-
机构
中国科学院微电子研究所
中国科学院微电子研究所昆山分所
-
出处
《计算机工程与设计》
北大核心
2017年第4期1024-1028,共5页
-
基金
国家自然科学基金项目(61271423)
-
文摘
提出一种基于卷积神经网络(CNN)的心电特征提取方法,以心拍R点前后75ms内的信号为QRS波群,提取QRS波群的180Hz下采样和RR间期,把QRS采样作为CNN的卷积层输入,把CNN的全连接层输出作为形态特征。对CNN特征进行分类能力测试,与文献方法对比结果表明,CNN特征在平均Se上有1.7%的提升,在平均P^+上有2.9%的提升,对于S类的Se提升7%,P^+提升9%,对V类的Se提升4%,P+提升2%;该方法在F类上性能低于文献最佳值,因为神经网络对训练样本数要求比支持向量机(SVM)高。
-
关键词
卷积神经网络
心电节拍分类
特征提取
模式识别
形态特征
-
Keywords
convolutional neural networks
heartbeat classification
feature extraction
pattern recognition
morphology features
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
