基于小波分解和1D-GoogLeNet的心律失常检测

摘要

心电图(ECG)信号的准确分类对于心脏病的自动诊断非常重要.为了实现对心律失常的智能分类,该文提出一种基于小波分解和1D-GoogLeNet的精确分类方法.在该方法中,利用Db6小波对ECG信号进行8级分解,得到既含时域信息又有频域信息的多维数据.随后,分解的样本用作1D-GoogLeNet的输入训练该模型.在提出的1D-GoogLeNet模型中,借鉴Inception在图像特征提取中的优异性能,将2维卷积变换为1维卷积学习ECG的特征,并且简化各个Inception的结构,降低模型参数.该文提出的神经网络分类器能够有效缓解计算效率低、收敛困难和模型退化的问题.在实验中,选用MIT-BIH心律失常数据集测试所提模型的性能,对比了信号的不同分解分量组合作为输入的检测结果,当输入数据由{d2-d7}组合时,所提1D-GoogLeNet模型可以达到96.58％的平均准确率.此外,还对比了该模型与未经结构优化的简单1维GoogLeNet在数据集上的表现,前者在准确率上比后者提高了4.7％,训练效率提高了118％.