南方医科大学学报 ›› 2019, Vol. 39 ›› Issue (09): 1071-.doi: 10.12122/j.issn.1673-4254.2019.09.11
邓力,傅蓉
摘要: 目的提出一种端到端的心律失常分类方法,以提高计算机对室上性异位心搏(SVEB)和室性异位心搏(VEB)的分类性 能。方法首先对心电信号进行心拍分割、校正等预处理;然后通过卷积神经网络构建心律失常分类网络,最后结合新的损失函 数训练分类器模型。结果利用MIT-BIH心律失常数据集验证本文分类方法的性能,其中在SVEB和VEB上的AUC分别达到 了0.77和0.98。在引入前5 min片段作为局部数据的情况下,SVEB和VEB的灵敏度分别达到了78.28%和98.88%;而在引入0、 50、100、150个样本作为局部数据时,SVEB和VEB的灵敏度最高分别达到82.25%和93.23%。结论本文提出的方法与现有的 方法相比,有效改善了样本类别不平衡带来的消极影响,SVEB和VEB灵敏度均有一定程度的提升,为心律失常的自动分类提 供了新的技术方案。