【ECG信号分类研究现状分析1200字】.docxVIP

ECG信号分类研究现状分析综述

传统的医疗监测系统在空间和时间上有诸多限制，且成本较大，不利于大规模离线收集数据。体域网系统中的可穿戴或嵌入式设备很好地解决了此类问题。在智能医疗系统中，体域网与人工智能结合，不仅可以便捷收集大量数据，还可以实时对病人进行监护。基于机器学习的ECG信号分类算法大致可分为两类：1）基于传统的机器学习的方法；2）基于深度学习的方法。

（1）基于传统机器学习的心电分类现状

传统的ECG信号分类方法主要包括数据预处理、特征提取以及分类器的设计三部分，如图1-1所示。由于ECG信号受基线漂移、肌电信号和工频干扰等的影响，因此需要对采集的ECG信号进行去噪。当前去噪的常用方法有最大抽值滤波器[31]、有限冲激响应数字滤波器[32]、非线性贝叶斯滤波器[33]、线性滤波器组[34]、自适应滤波[35]等。利用各类滤波器对原始ECG信号进行去噪，是提升分类性能的重要手段之一。然后，需要从去噪后的ECG信号中人工提取ECG信号分类特征，最常见有形态特征和时序特征。其中，QRS波段包含了ECG信号中大部分形态特征，在文献[36,37]中作者采用截取QRS波段作为特征，将其作为心电类别识别的重要依据。而时序特征则为两个相邻心跳间隔，即R波之间的距离[38]。最终分类器利用确定的特征集对心跳进行分类，常用分类器有模糊C均值[39]、K临近算法[40]、随机森林[41]、支持向量机[42]等，均在心跳分类领域获得成功应用。

图1-1传统的ECG信号分类算法流程

（2）基于深度学习的心电分类现状

由于深度神经网络方法具有较好的抗噪声能力、大样本数据下的泛化能力以及高精度的分类性能，故该方法已被广泛应用到包括心电分类在内的各个领域。目前主流心电分类算法有卷积神经网络（ConvolutionNeuralNetwork，CNN）和循环神经网络（RecurrentNeuralNetwork，RNN）。CNN通过学习ECG信号的空间特征，对样本内一定范围内的数据进行卷积综合，有效的提取区域特征，在ECG信号分类上能够取得很好的性能[43-45]。ECG信号本质上是一维时间序列，而RNN能够很好地保存序列信息的记忆单元，因此也有结合ECG信号的序列信息，利用RNN网络进行ECG信号分类的方法[46,47]。也有文章[48,49]提出一种结合了CNN+LSTM的网络架构，可以同时提取ECG信号的空间特性和时间特性，显著提升了ECG信号分类的准确率。

基于传统的机器学习方法虽然一定程度上实现了ECG信号的自动分类，但随着数据量的不断增大，已无法满足大样本数据的分类要求，此外因为需要原始信号进行人为的特征提取，从而可能限制了相关算法的分类准确率。而基于深度学习的方法可以解决上述问题，深度神经网络具有强大的特征提取和自学习能力，无需复杂的预处理和人工特征提取，可以大幅降低传统分类算法中人工特征提取的工作量。然而，无论是深度学习算法中的RNN网络，还是传统的CNN网络，它们虽然在近年来的ECG信号分类识别任务中取得了较好的分类效果，但为了更佳的分类性能，其网络层数不断加深，过深的网络模型容易产生退化问题，反会影响识别准确率。为解决上述问题，He[50]提出了残差网络（ResNet），通过引入恒等映射，不仅解决了梯度消失和模型退化的问题，还极大地提高了模型的分类性能。同时，由于残差网络可以进行端到端的训练，网络模型容易被部署到体域网移动终端，从而实现ECG信号实时监测。故本文采用残差模型搭建分类网络架构。

参考文献

Z.Cai,M.Seyedi,W.Zhang,etal.CharacterizationofImpulseRadioIntrabodyCommunicationSystemforWirelessBodyAreaNetworks[J].JournalofMedicalandBiologicalEngineering,2017,37(1)：74-84.

S.Ullah,H.Higgins,B.Braem,etal.Acomprehensivesurveyofwirelessbodyareanetworks[J].JournalofMedicalSystems,2012,36(3):1065-109

S.Movassaghi,M.Abolhasan,J.Lipman,etal.Wirelessbodyareanetworks:asurvey[J].IEEECommunicationsSurveyTutorials,2014,16(3):1658–168

王丽苹.融合领域知识的心电图分类方法研究[D