基于深度学习和模糊C均值的心电信号分类方法

针对长时海量心电信号自动分类系统中,心电专家诊断费时、费力和成本高,心电信号形态复杂导致特征提取困难,异常诊断模型适应性差、准确度低等问题,本文提出一种基于深度学习和模糊C均值的心电信号分类方法.该方法主要包括心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊C均值分类4个步骤,给出了模糊C均值深度信念网络FCMDBN模型结构和学习分类算法.仿真实验基于MIT-BIH心率异常数据库表明,与基于传统心电特征人工设计的分类方法相比,本文提出的信号诊断方法具有较高的适应性和准确度....

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 44; no. 10; pp. 1913 - 1920
Main Authors 吴志勇, 丁香乾, 许晓伟, 鞠传香
Format Journal Article
LanguageChinese
Published 山东理工大学计算机科学与技术学院 淄博255000%中国海洋大学信息科学与工程学院 青岛266100%山东理工大学计算机科学与技术学院 淄博255000 01.10.2018
中国海洋大学信息科学与工程学院 青岛266100
Subjects
深度信念网络
模糊C均值
深度学习
心电信号分类
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.2018.c170417

Cover

More Information
Summary:针对长时海量心电信号自动分类系统中,心电专家诊断费时、费力和成本高,心电信号形态复杂导致特征提取困难,异常诊断模型适应性差、准确度低等问题,本文提出一种基于深度学习和模糊C均值的心电信号分类方法.该方法主要包括心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊C均值分类4个步骤,给出了模糊C均值深度信念网络FCMDBN模型结构和学习分类算法.仿真实验基于MIT-BIH心率异常数据库表明,与基于传统心电特征人工设计的分类方法相比,本文提出的信号诊断方法具有较高的适应性和准确度.
ISSN:0254-4156
DOI:10.16383/j.aas.2018.c170417