-
题名基于希尔伯特黄变换和深度卷积神经网络的房颤检测
被引量：3
- 1
-
-
作者
郭一楠
邵慧杰
巩敦卫
李海泉
陈丽
-
机构
中国矿业大学人工智能研究院智慧医疗研究中心
中国矿业大学信息与控制工程学院
徐州医科大学第二附属医院呼吸与危重医学科
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2022年第1期99-106,共8页
-
基金
国家自然科学基金(61973305)
中国矿业大学中央高校基本科研业务费专项资金(2020ZDPY0302)。
-
文摘
房颤是一种常见的心律失常,其发病率会随着年龄增长而升高。因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率。为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法。1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征。进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型。该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信号竞赛(2017 PhysioNet Challenge)的房颤数据集上分别取得了99.11%和97.25%的检测准确率。此外,该文将希尔伯特黄变换与其他时频分析方法以及稠密网络(DenseNet)与其他卷积神经网络进行了对比。相比于其他检测方法,实验结果表明希尔伯特黄变换和深度卷积神经网络(DCNN)为房颤检测提供了更加准确的识别方式。
-
关键词
心电信号
房颤
希尔伯特黄变换
深度卷积神经网络
-
Keywords
ElectroCardioGram(ECG)
Atrial fibrillation
Hilbert-Huang Transform(HHT)
Deep Convolutional Neural Network(DCNN)
-
分类号
R540.41
[医药卫生—心血管疾病]
TN911.7
[电子电信—通信与信息系统]
-
