基于深度迁移学习的心电信号分类方法

摘要

针对传统的心电信号分类方法中存在模型复杂度较高且训练时间长等问题,提出深度迁移分类方法。预先使用ImageNet数据集在VGG-16网络中训练过的全网络连接层,对心电数据库(MIT-BIH)采用微调VGG-16预训练,实现基于同构数据下的特征迁移,利用分类模型训练,得到心电信号分类结果。分类训练模型采用算法复杂度评估,深度迁移学习模型相较于深度学习模型时间复杂度减少了O(102)。实验结果表明,在提升深度模型分类性能和加速心电信号训练过程上,该方法优于深度学习方法。