结合迁移学习与深度卷积网络的心电分类研究

作     者：查雪帆 杨丰 吴俣南 刘颖 袁绍锋 ZHA Xuefan;YANG Feng;WU Yu′nan;LIU Ying;YUAN Shaofeng

作者机构：南方医科大学生物医学工程学院广东广州510515 南方医科大学广东省医学图像处理重点实验室广东广州510515 

出 版 物：《中国医学物理学杂志》 (Chinese Journal of Medical Physics)

年 卷 期：2018年第35卷第11期

页      面：1307-1312页

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 0836[工学-生物工程] 

基　　金：国家自然科学基金(61771233 61271155) 

主　　题：心电节拍分类 迁移学习 深度学习 二维深度卷积网络 一维深度卷积网络 ImageNet数据集 

摘      要：为解决一维深度卷积网络(1D-DCNN)在心电分类方面存在的多类疾病识别不准、难以提取最佳特征等问题,提出一种结合迁移学习与二维深度卷积网络(2D-DCNN)直接识别心电图像的方法。首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号。接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值。本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98%,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性。为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较。量化结果表明,结合迁移学习和2D-DCNN方法,比最优1D-DCNN算法,其准确率提升2%、敏感度提升0.6%、特异性提高4%;在二分类与多分类任务中,均好于现有的其他算法。