您当前的位置：
首页 > 文献资料
所属专业：
ImageNet数据集文献资料
-
结合迁移学习与深度卷积网络的心电分类研究
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.
