摘要
深度学习作为近年来快速发展的崭新技术可以有效帮助研究目标检测和模式识别,在信号与信息处理领域成为研究热点.针对胎儿心电信号难以提取导致胎心率检测困难,设计了一种深度学习模型.该模型使用了卷积神经网络结构,并且结合了批量标准化和Dropout技术,可以在不去除母体心电信号的情况下直接检测胎儿QRS波群.该方法首先在PhysioNet上选取母体腹部心电信号作为实验数据集,然后通过样本熵进行信号质量评估,预处理去除电力线干扰和基线漂移干扰,最后分段进行短时傅里叶变换将一维心电信号转化为二维时频图,再通过卷积神经网络进行分类.实验结果表明,该方法可以取得较高的灵敏度(86.98％)、阳性预测值(88.35％)和准确率(78.03％).通过对比支持向量机和BP神经网络两种算法在相同数据集上的准确率,验证了卷积神经网络在分类性能上更具有优势.
基金项目
国家自然科学基金(61601206)
江苏省自然科学基金(BK20160565)
江苏省高校自然科学研究项目(15KJB310003)
国家科技期刊平台
NSTL
维普
万方数据