用于心律失常识别的LSTM和CNN并行组合模型

心脏病是导致人类死亡的首要原因,而大部分心血管疾病往往伴随着心律失常出现.为实现对不同类型心电图信号的自动分析、识别异常心律,研究并提出了一种基于深度学习的心拍分类算法.考虑到心电图自身的特性,使用长短时记忆网络来捕捉心电序列数据的前后依赖关系,结合卷积神经网络提取局部相关特征,自动识别5种不同类型的心拍.基于LSTM和CNN的深度学习方法将经过预处理的心电信号后直接作为网络的输入,将心电分类的特征提取、分类两个步骤融合为单个学习器.针对类别数据不平衡问题,通过对少数类样本滑窗采样获得更多训练数据.使用MIT-BIH数据集验证模型的有效性,最终在测试集2万多个心拍记录中分类结果准确率达到99.11%,特异性为99.44%,灵敏度为97.27%,此外滑窗采样操作对少数类样本的灵敏度有明显改善.实验结果表明,相比传统的SVM和随机森林等方法,基于LSTM和CNN的并行组合模型不需要人工提取复杂特征,且达到了更好的分类性能,适合用于可穿戴式心电设备和远程监护领域.     

基于AdaBoost-SOM方法的电机故障诊断

采用一种基于AdaBoost特征选择和SOM(自组织映射)相结合的电机故障诊断方法。通过对不同电机状态的性能试验,采集驱动电机的振动信号,对信号进行时域、频域以及小波包处理,构建信号的原始特征。利用AdaBoost算法和相关性去除冗余和关联度高的特征,选取具有强区分能力的特征,采用SOM对各电机状态进行故障分类,识别电机的运行状态。试验表明,该方法能够对电机的故障特征进行有效提取,提高了对电机状态的识别能力,鲁棒性更好。