基于可穿戴设备的心电图自适应分类算法研究

论文摘要

目前,心血管疾病已成为全球人类非传染性死亡的主要原因,死亡人数约占全球死亡总人数的1/3,且患病人数逐年增加。可穿戴设备被用于对心电图进行自动分类,以实现对心血管疾病的早监测、早预防。随着边缘机器学习和联邦学习的兴起,小型机器学习模型成为了人们关注的热点。针对可穿戴心电图设备低配置、低功耗及个性化的特点,文中研究了一种基于LSTM的轻量级网络结构,并采用自适应算法来优化病人个体的心电图分类模型。该模型利用MIT-BIH公开数据集开展实验,将VEB和SVEB的分类效果与其他相关研究进行了比较。实验结果表明,所提算法的模型结构简单且分类识别率高,能够满足可穿戴设备对病人心电图监测的需求。

论文目录

• 1 引言
• 2 相关工作
• 3 自适应分类算法描述
•   3.1 基于双向LSTM的网络结构
•     3.1.1 输入层
•     3.1.2 双向LSTM层
•     3.1.3 Softmax层
•     3.1.4 网络复杂度分析
•   3.2 自适应算法
• 4 实验及结果分析
•   4.1 实验数据
•     （1）N（Normal）类:
•     （2）SVEB（Supra Ventricular Ectopic Beat）类:
•     （3）VEB（Ventricular Ectopic Beat）类:
•     （4）F（Fusion Beat）类:
•     （5）Q（Unknow Beat）类:
•   4.2 实验结果与分析

文章来源

类型: 期刊论文

作者: 樊敏,王晓锋,孟小峰

关键词: 可穿戴设备,心电图分类,自适应

来源: 计算机科学 2019年12期

年度: 2019

分类: 信息科技,医药卫生科技

专业: 临床医学,心血管系统疾病,自动化技术

单位: 山西医科大学汾阳学院,中国人民大学信息学院

分类号: TP181;R540.41

页码: 292-297

总页数: 6

文件大小: 589K

下载量: 335