基于可穿戴设备的心电图自适应分类算法研究

摘要：

目前,心血管疾病已成为全球人类非传染性死亡的主要原因,死亡人数约占全球死亡总人数的1/3,且患病人数逐年增加.可穿戴设备被用于对心电图进行自动分类,以实现对心血管疾病的早监测、早预防.随着边缘机器学习和联邦学习的兴起,小型机器学习模型成为了人们关注的热点.针对可穿戴心电图设备低配置、低功耗及个性化的特点,文中研究了一种基于LSTM的轻量级网络结构,并采用自适应算法来优化病人个体的心电图分类模型.该模型利用MIT-BIH公开数据集开展实验,将VEB和SVEB的分类效果与其他相关研究进行了比较.实验结果表明,所提算法的模型结构简单且分类识别率高,能够满足可穿戴设备对病人心电图监测的需求.

关键词：可穿戴设备、心电图分类、自适应、LSTM

所属期刊栏目：46

分类号：TP181(自动化基础理论)

在线出版日期：2020-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：292-297