基于多尺度特征提取的多导联心跳信号分类

心电图(ECG)是临床上诊断心脏疾病的重要依据,从中提取关键、有效的特征是自动诊断系统的关键.而现今多数研究仅使用单导联或双导联数据,提取的特征不够全面,无法很好地区分不同心跳中的细微差别.为了获得更加全面的特征和更优异的分类表现,本文提出了基于多尺度特征提取的多导联心跳信号分类方法(MSNet).首先,该方法接收多导联心跳信号堆叠矩阵作为输入;然后,利用3种不同尺度的一维卷积分别提取特征;最后将不同尺度的特征融合并进行所属类别的分类.本文在MIT-BIH Arrhythmia Database,MIT-BIHSupraventricular Arrhythmia Database和St Petersburg INCART 12-lead Arrhythmia Database 3个心电公开数据集上进行了充分的实验,在五折交叉验证的策略下,对于"正常-异常"分类,该方法的准确率、召回率、精确率、F1值均达到了99％以上;对于多类别分类,其平均准确率、平均召回率、平均精确率、平均F1值能达到99.5％左右.与现今优异的其他方法相比,该方法有着更好的表现.