基于残差网络融合模型的心律失常分类研究

摘要

诊断心律失常的基础是正确识别正常和异常的心跳信号,并根据心电图波形将其正确分类.现有的心律失常分类算法严重依赖数据预处理,需要大量计算时间,且在不同信号之间缺乏可移植性,本文提出的基于残差网络(ResNet)的融合模型可以自动识别心律失常,模型只使用一条导联的信息,将4s的心跳片段(不进行滤波处理)作为分类器的输入数据,通过融合不同的模型来提高分类性能.结果表明:分类器在患者间范式下的准确率、阳性率、敏感性分别达到0.855、0.606和0.639,说明通过模型融合得到的网络能够取得较好的心律失常分类能力.