一种基于深度学习的心电图分类方法

心血管疾病是导致人类死亡的主要原因之一，在心血管疾病的诊断上，传统的医学方法需要有大量知识储备的专业人员，在高素质从医人员较少的欠发达地区易出现误诊的现象。为了节约医疗资源，降低心血管疾病误诊率，基于历史医疗数据，提出一种基于经验模态分解（empirical mode decomposition,EMD）与人工神经网络（artificial neural network,ANN）的新型面向心血管疾病数据分类模型，在分类模型中引入注意力机制（SE-Net模块），提高了检测效率。将所提出模型试用于多个公开数据集上，在MIT-BIH心律不齐数据库、欧洲ST-T心电数据库上精准率均表现良好。实验结果表明：在数据去噪任务中，文章提出模型的去噪性能明显优于基准模型；在疾病分类任务中，所提出模型的精准率达到95.78%，召回率达到86.16%，优于目前主流分类模型。同时，还设计了消融实验，用于验证两个模块的必要性。消融实验结果显示，文中两个模块对分类的准确性和鲁棒性均有提升，具有充分的必要性。