基于特征融合CNN模型的ECG信号识别方法研究.docxVIP

?

?

基于特征融合CNN模型的ECG信号识别方法研究

?

?

周志波

摘要：针对ECG信号分类问题，提出一种融合卷积神经网络和信号时频统计特征的方法。该方法首先利用卷积神经网络提取ECG信号分布特征，再利用离散小波变换将ECG信号分解为高频系数与低频系数，计算所有高频系数及最后一个低频系数的统计特征值，最后将计算所得的时频统计特征融入卷积神经网络全连接层，并利用Softmax分类器进行分类。结果表明，该方法对三类心血管疾病的ECG信号分类识别率达93.4%，证明该方法可用于解决ECG信号分类问题。

关键词：心电信号;卷积神经网络;时频统计特征;特征融合

DOI：10.11907/rjdk.201231?????????????????????????????????????????????????????????????????开放科学（资源服务）标识码（OSID）：

：TP301?：A???????????????：1672-7800（2020）011-0046-04

ResearchonECGSignalRecognitionMethodBasedonFeatureFusionCNNModel

ZHOUZhi-bo

（CollegeofComputerScienceandEngineering，ShandongUniversityofScienceandTechnology，Qingdao266590，China）

Abstract：InordertosolvetheproblemofECGsignalclassification，amethodoffusionofconvolutionalneuralnetworkandtime-frequencystatisticalcharacteristicsofsignalsisproposed.Firstly，aconvolutionalneuralnetworkisusedtoextractthedistributioncharacteristicsofECGsignals，andthendiscretewavelettransformisusedtodecomposetheECGsignalsintohighfrequencycoefficientsandlowfrequencycoefficients，andthestatisticalcharacteristicvaluesarecalculatedofallhighfrequencycoefficientsandthelastlowfrequencycoefficientarecalculated.Finally，thecalculatedtime-frequencystatisticalfeaturesarefusedintothefullyconnectedlayeroftheconvolutionalneuralnetworkandclassifiedbyusingaSoftmaxclassifier.TheexperimentalresultsshowthatthemethodhasanECGsignalclassificationrecognitionrateof93.4%forthreetypesofcardiovasculardiseases，whichprovesthatthemethodcanbeusedtosolvetheECGsignalclassificationproblem.

KeyWords：ECGSignal;convolutionalneuralnetwork;time-frequencystatisticalcharacteristics;featurefusion

0引言

各種音频信号和生命体征信号等时变信号（TimeVaryingSignal，TVS）是一类重要的、具有非线性和非平稳特性的常见信号，涵盖了信息提取的主要难点和热点问题[1]。由于时变信号的复杂性和不确定性，时变信号分类研究面临诸多挑战，如噪声、时空对齐、量纲统一等问题。

心电信号（Electrocardiogram，ECG）是一种典型时变信号，该信号反映了心肌细胞在电激动时产生的电传变换[2]，它是诊断心血管疾病的有效手段之一。ECG信