基于CNN和频率切片小波变换的T波形态分类

摘要

心电实时监控是心血管疾病防治的重要手段.心电图中T波的变化是心肌缺血和心脏猝死等疾病的重要表征,T波形态自动识别是心电远程监控中一个重要问题.由于实时监护用心电的强噪声背景影响,传统的T波特征提取与分类算法遭遇瓶颈.提出一种结合切片频率小波变换和卷积神经网络的T波形态识别算法,包括:自动定位R波波峰位置与T波终点位置,从而确定一个包含有T波的片段;对该片段做频率切片小波变换,将生成 的时频图像输入卷积神经网络,完成T波的形态分类.频率切片小波变换将信号转换到时频域上,呈现心电信号的时频能量分布特征;卷积神经网络的隐含层通过对时频图像进行3次卷积、激活与池化,完成时频图像的3次特征提取,这些特征具有平移、缩放不变性.使用欧盟ST-T数据库中的12 830个片段,采用3折交叉验证法来训练和测试卷积神经网络模型,最终使基于心拍的分类准确率达到97.34％,F1测度达到96.97％;基于样本实验的分类准确率为84.80％,F1测度为83.30％.模型在QT数据库测试的分类准确率为87.83％,F1测度为85.38％,泛化性能良好.对比其他T波分类算法(如决策树、支持向量机等),基于心拍实验的分类准确率提高1％～5％.研究结果证明,针对6类形态T波进行分类设计的算法不仅在分类准确率上有所提升,在鲁棒性和泛化性能方面也表现良好.另外,算法模型也适用于其他多种生理信号的分析,在医学图像分析领域也有一定的指导意义.