基于变权重奇异谱分析的心律不齐识别方法

TP391.5; 现有心律不齐研究多数围绕心电信号中不同频率特性成分的分离展开,而不同子序列的信息量对于最终目标决策的贡献则缺少研究与分析.为增强高贡献度子序列对于分类器的影响,提出了一种变权重奇异谱分析与深度学习结合的识别方法.通过奇异谱分析获得多个子序列,结合各个子序列的奇异值计算随机森林下的基尼系数,并将其作为权重.变权重的序列样本用于训练神经网络模型,更高效地挖掘了有用信息,进一步提高了识别精度,最终的心律不齐识别准确率为98.35％,Macro-F1为97.95％.相对于传统的定值权重,本文提出的变权重识别方法在各个性能指标上均有明显提升....

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 43; no. 3; pp. 305 - 312
Main Authors 李鸿儒, 任子洋, 黄友鹤, 于霞
Format Journal Article
LanguageChinese
Published 东北大学 信息科学与工程学院, 辽宁 沈阳 110819 2022
Subjects
心电图;奇异谱分析;深度学习;心律不齐识别;随机森林
Online AccessGet full text

Cover

More Information
Summary:TP391.5; 现有心律不齐研究多数围绕心电信号中不同频率特性成分的分离展开,而不同子序列的信息量对于最终目标决策的贡献则缺少研究与分析.为增强高贡献度子序列对于分类器的影响,提出了一种变权重奇异谱分析与深度学习结合的识别方法.通过奇异谱分析获得多个子序列,结合各个子序列的奇异值计算随机森林下的基尼系数,并将其作为权重.变权重的序列样本用于训练神经网络模型,更高效地挖掘了有用信息,进一步提高了识别精度,最终的心律不齐识别准确率为98.35％,Macro-F1为97.95％.相对于传统的定值权重,本文提出的变权重识别方法在各个性能指标上均有明显提升.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2022.03.001