基于集成学习与深度神经网络的心律失常智能诊断方法

心律异常信号通常可以反映心电活动的异常状态。对心电图所反映的搏动信号进行分类，并将其应用于心律失常的临床诊断，具有重要的研究价值。考虑到心电信号中含有噪声，首先利用小波分解和重构结合小波阈值法对心电信号进行滤波。其次，利用小波变换提取QRS波峰值。在基础上对心跳进行分段，并根据疾病类型构造不同类型的心跳，然后根据神经网络的深度和不同长度的多个卷积核对心律失常进行分类。最后，基于集成学习方法进一步提高了心律失常智能诊断的性能。与人工提取心电特征的方法相比，深神经网络（deep-神经网络，CNN）能够代表不同类型心跳的形态信息，具有很强的特征表达能力，并且对外部噪声具有鲁棒性。集成学习可以提高神经网络在综合利用所有深度提取的特征的诊断率。经MIT BIH心律失常数据库验证，该方法的平均准确率为98.54%。与CNN网络和BP神经网络相比，该方法的准确率分别提高了2.71%和9.88%。