基于深度卷积残差网络的心电单导联房颤检测方法

在智能诊断需求日益增长的背景下，提出了一种基于残差网络的卷积神经网络模型。该模型被用作心电图心房颤动的分类方法。利用MIT BIH开放性心房颤动数据集验证了该方法的有效性，从而有助于心房颤动的自动检测。针对心电二次分类问题，首先对数据集进行预处理，然后将处理后的数据输入卷积神经网络，建立深度学习模型，自动提取心房颤动的特征。最后，利用深度学习模型检测心房颤动。通过五次交叉验证发现，构建的模型分类的敏感性为99.26%，特异性为99.42%，阳性预测值为99.61%，准确率为99.47%。将该模型与现有模型进行了性能比较，证明了该模型在心房颤动检测中的可行性。结果表明，利用残差网络构建的心房颤动自动检测系统可以达到较好的心房颤动分类效果，有助于心房颤动的自动检测。