典型文献
基于深度学习的ECG信号分类
文献摘要：
心电图(ECG)能够实时反映心脏状态,可用于心律失常和其它心血管疾病的准确诊断.针对ECG信号采集时的噪声干扰,重构Db6小波的4级分解量并使用巴特沃斯低通滤波实现双重去噪.将降噪后的ECG信号进行R波提取,并截取P-QRS-T波片段输入到一维改进GoogLeNet模型中进行训练.一维改进GoogLeNet是原始二维GoogLeNet的优化结构,可减少网络深度并在稀疏连接中添加最大池化层和扩张卷积加大感受野,降低计算量来提高训练性能.在MIT-BIH数据集中进行实验得到99.39％的分类准确率,比一维GoogLeNet和原始GoogLeNet分别提升了0.17个百分点和0.22个百分点,训练效率均有提升.与其他先进的技术相比,心电信号分类有了显著的改进.
文献关键词：
心律失常分类;Db6小波;低通滤波;一维改进GoogLeNet;扩张卷积
中图分类号：
作者姓名：
于雁;邱磊
作者机构：
青岛大学自动化学院,山东 青岛 266071;青岛大学未来研究院,山东 青岛 266071
文献出处：
引用格式：
[1]于雁;邱磊-.基于深度学习的ECG信号分类)[J].计算机与现代化,2022(05):16-20,27
A类：
Db6
B类：
ECG,心电图,心血管疾病,信号采集,噪声干扰,巴特沃斯低通滤波,去噪,降噪,截取,QRS,波片,GoogLeNet,优化结构,最大池化,扩张卷积,感受野,计算量,提高训练,训练性,MIT,BIH,分类准确率,百分点,训练效率,心电信号分类,心律失常分类
AB值：
0.344762
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
