基于机器学习与深度学习混合方法的心电图信号分类

心电图（ECG）是一种记录心脏电活动的诊断工具。心脏电系统的任何异常都被称为心律失常，可通过分析ECG信号进行识别。及时诊断心律失常对于减轻其潜在危害至关重要。然而，人工分析ECG信号耗时且容易出错。因此，研究人员开发了利用机器学习技术实现ECG信号自动化分析的医疗决策支持系统。在本研究中，我们提出了一种将ECG信号分类为四种不同心拍类型（正常心拍、室上性心拍、室性心拍和融合心拍）的新方法。我们的方法由两个结合了机器学习和深度学习方法的子系统组成。第一个子系统使用残差网络模块从输入的ECG信号中提取特征，随后利用LSTM网络对这些特征进行学习和分类。第二个子系统使用多种特征提取方法和随机森林对ECG信号进行分类。此外，它采用合成少数类过采样技术（Synthetic Minority Over-Sampling Technique）来改善数据集平衡和整体性能。最终结果通过融合两个子系统的结果来获得。我们在作为公认ECG信号分类基准的 MIT-BIH 数据集上对该方法进行了评估。我们的技术达到了 99.26% 的优异准确率，位列当前文献中最优越的方法之一。我们的研究结果证明了该方法在准确分类ECG信号以用于心律失常检测方面的有效性和高效性。 • 及时通过ECG诊断心律失常可预防严重的健康后果。 • 自动化方法利用机器学习简化了ECG信号分析流程。 • 两个子系统使用 ML、DL、ResNet 和 LSTM 进行特征提取与分类。 • 使用 SMOTE 平衡数据集并改善分类效果。 • 达到 99.26% 的准确率，优于现有方法。