基于卷积神经网络的心电信号分类研究

心电图(ECG)信号基本上与人体心脏的电活动相对应,所以心电图通常在医疗领域被用来检测心血管疾病。通过计算机对心电信号进行自动分类,可以帮助医生更有效地进行心血管疾病的诊断,提高准确率。该文提出了一种一维卷积神经网络模型,可从原始心电数据中提取有效特征并实现自动分类。该模型实现了对5种典型心律失常信号的分类,即正常心搏(N)、室上性早搏(S)、室性早搏(V)、心室融合心跳(F)、未分类心跳(Q)。在MIT-BIH心律失常数据库上的实验结果表明,该方法的分类准确率较高,达到了97.8%,并且稳定性也较高。