南方医科大学学报

作者：邓力,傅蓉

目的提出一种端到端的心律失常分类方法，以提高计算机对室上性异位心搏（SVEB）和室性异位心搏（VEB）的分类性能。方法首先对心电信号进行心拍分割、校正等预处理；然后通过卷积神经网络构建心律失常分类网络，最后结合新的损失函数训练分类器模型。结果利用MIT-BIH心律失常数据集验证本文分类方法的性能，其中在SVEB和VEB上的AUC分别达到了0.77和0.98。在引入前5 min片段作为局部数据的情况下，SVEB和VEB的灵敏度分别达到了78.28%和98.88%；而在引入0、50、100、150个样本作为局部数据时，SVEB和VEB的灵敏度最高分别达到82.25%和93.23%。结论本文提出的方法与现有的方法相比，有效改善了样本类别不平衡带来的消极影响，SVEB和VEB灵敏度均有一定程度的提升，为心律失常的自动分类提供了新的技术方案。

来源：2019年第09期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2019年第09期