基于机器学习的心律失常检测模型研究

心血管疾病是目前中老年人群面临的一种严重疾病.病发初期,时常伴随心律失常的症状.因此,心电信号中心律失常类别的检测,对于预防心血管疾病具有重要意义.传统的基于心电信号的心律失常检测方法,如频域分析、经验模态分解等,均需要人为提取心电信号特征,其检测效果严重依赖专家经验,且模型可扩展性不足.为此,本文基于MIT-BIH心律失常数据集,使用支持向量机(SVM)、随机森林(RF)和一维卷积神经网络(1D-CNN),对5种常见的心律失常信号进行检测.实验结果表明,1D-CNN能自动提取心电失常特征,检测心律失常的准确率达到97.17％,远高于SVM与RF检测方法.