基于ResDCGAN和改进残差网络的心律失常分类方法

摘要

心律失常是常见的心血管疾病，其诊断主要依靠心电图（ECG）。采用计算机技术实现心律失常自动分类可有效避免人工误差，提高诊断效率。针对心电数据类别不平衡问题以及一维ECG处理的局限性，提出一种基于残差结构的DCGAN和改进ResNet34的心律失常分类方法。首先使用变分模态分解对一维心电信号去噪，然后将其转换为格拉姆角和场二维图像，接着用本文提出的ResDCGAN进行数据平衡，最后以坐标注意力改进的ResNet34网络实现心律失常自动分类。在MIT-BIH心律失常数据库测试实验表明：该方法在准确率、精确率、召回率和F1分数上依次提升0.22%、1.60%、1.89%、1.73%，准确率达到99.66%。这充分验证了本文提出方法的有效性，为ECG数据平衡和心律失常分类任务提供一种有效方案。

关键词

心律失常分类 / 数据平衡 / ResDCGAN / 坐标注意力 / ResNet34