基于DenseNet的心电数据自动诊断算法

目的使用卷积网络训练多导联心电图数据，并将新的心电数据准确地分类，为医生提供可靠的辅助诊断信息。方法先 用带通滤波器对数据进行预处理，使用信号分帧的方式调整不同长度的数据处于同样的大小，便于网络的训练测试；同时采用 增加样本的方法扩充数据整体，增加异常样本的检出率；针对不同导联的差异性使用深度可分离卷积更有针对性地提取不同通 道的特征。使用基于DenseNet的分类模型对多个标签分别训练二分类器，完成多标签分类任务。结果对数据的正异常识别 准确率可以达到80.13%，灵敏度，特异度和F1分别为80.38%，79.91%和79.35%。结论本文提出的模型能快速并有效地对心 电数据进行预测，在GPU上单个数据的运行时间约在33.59 ms，实时预测结果能满足应用需求