基于改进深度残差网络的心电信号分类算法

针对不同类型心电（electrocardiogram,ECG）信号分类的不足，提出了一种基于改进深度残差网络（Resnet）的分类方法。首先对心电数据做可视化处理，使用格拉姆角场（Gramian angular fields,GAF）将一维的ECG信号转换为二维图像，然后对Resnet-50网络模型进行改进，在网络中添加多级shortcut支路，并优化了残差块；为了进一步提高模型的表达能力，将Relu激活函数替换为SELU激活函数；最后将图像输入到改进的残差网络中进行分类，并在医院对患者的心电信号进行了实际测试。实验结果表明：该算法对7类心电信号的平均识别率达到了98.3%，相对于原始的残差网络，准确率提升了2.9%；算法诊断结果与医生诊断结果一致，从而验证了算法的有效性和实用性。