典型文献
基于希尔伯特黄变换和深度卷积神经网络的房颤检测
文献摘要：
房颤是一种常见的心律失常,其发病率会随着年龄增长而升高.因此,从心电(ECG)信号中尽早识别出房颤,有助于降低中风风险和心源性死亡率.为有效提高其检测准确率,该文提出一种基于希尔伯特黄变换(HHT)和深度卷积神经网络的房颤检测方法.1维的时域心电信号通过希尔伯特黄变换,转换为时频域信号,旨在通过时频分析,丰富原始信号的特征.进而,采用DenseNet深度卷积神经网络来处理精细的时频图,并在迭代过程中选出最佳检测模型.该方法获得的最佳检测模型在麻省理工学院-贝斯以色列医院(MIT-BIH)和2017年生理信号竞赛(2017 PhysioNet Challenge)的房颤数据集上分别取得了99.11％和97.25％的检测准确率.此外,该文将希尔伯特黄变换与其他时频分析方法以及稠密网络(DenseNet)与其他卷积神经网络进行了对比.相比于其他检测方法,实验结果表明希尔伯特黄变换和深度卷积神经网络(DCNN)为房颤检测提供了更加准确的识别方式.
文献关键词：
心电信号;房颤;希尔伯特黄变换;深度卷积神经网络
中图分类号：
作者姓名：
郭一楠;邵慧杰;巩敦卫;李海泉;陈丽
作者机构：
中国矿业大学人工智能研究院智慧医疗研究中心 徐州 221116;中国矿业大学信息与控制工程学院 徐州 221116;徐州医科大学第二附属医院呼吸与危重医学科 徐州 221006
文献出处：
引用格式：
[1]郭一楠;邵慧杰;巩敦卫;李海泉;陈丽-.基于希尔伯特黄变换和深度卷积神经网络的房颤检测)[J].电子与信息学报,2022(01):99-106
A类：
B类：
希尔伯特黄变换,深度卷积神经网络,房颤,心律失常,ECG,早识别,风风,心源性死亡,检测准确率,HHT,心电信号,时频域,频域信号,DenseNet,时频图,检测模型,麻省理工学院,贝斯,以色列,MIT,BIH,生理信号,PhysioNet,Challenge,时频分析方法,稠密网络,DCNN
AB值：
0.237765
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。
