基于深度学习的ECG信号分类与诊断  

Overview of ECG signal classification and diagnosis based on deep learning

作　　者：张占 何朗 张金鹏 王涛[1] 陈为满[1] 娄文璐 ZHANG Zhan;HE Lang;ZHANG Jinpeng;WANG Tao;CHEN Wei-man;LOU Wen-lu(School of Software,Changsha Social Work College,Changsha 410004,Hunan,China;School of Computer Science and Engineering,Sun Yat-sen University,Guangzhou 510006,Guangdong,China;Information School,Yunnan University of Finance and Economics,Kunming 650221,Yunan,China;Yunnan Key Laboratory of Service Computing,Kunming 650221,Yunan,China;School of Business,Yunnan University of Finance and Economics,Kunming 650221,Yunan,China)

机构地区：[1]长沙民政职业技术学院软件学院,湖南长沙410004 [2]中山大学计算机学院,广东广州510006 [3]云南财经大学信息学院,云南昆明650221 [4]云南省服务计算重点实验室,云南昆明650221 [5]云南财经大学商学院,云南昆明650221

出　　处：《生物医学工程与临床》2024年第3期431-437,共7页Biomedical Engineering and Clinical Medicine

基　　金：全国高等院校计算机基础教育研究会支持课题(2023-AFCEC-109);2023年度湖南省教育信息技术研究课题(HNETR23150);2023年度云南省服务计算重点实验室开放课题(YNSC23109);湖南省自然科学基金资助项目(2024JJ8025)。

摘　　要：心电图(ECG)信号描绘了心脏的电活动,提供了有关心脏状态的重要信息。ECG信号分类可用于临床预测、诊断、评估的成果,对于心脏病的自动诊断非常重要。但是基于机器学习的ECG信号分类研究也存在一些如模型复杂度与临床数据实时传输和及时更新等未能解决的问题。因此,笔者首先对近10年来基于机器学习的ECG信号分类从波形形态分类、疾病诊断分类和纯粹的机器学习分类研究进行了回顾与综述,总结出了目前的研究遇到的困境,最后对未来面临的问题进行展望。深入学习模型在现实应用中仍存在一些挑战,未来的研究将进一步探索在芯片中实现机器学习模型的便携性和成本效益的硬件解决方案。此外,机器学习算法应寻求最佳的计算开销平衡,并重视在现实世界环境中的应用。在未来研究中,ECG应多进行临床试验,以评估机器学习模型在处理实际生物医学信号时的有效性和可行性,同时构造性价比高的深度学习模型,以帮助医学专家进行精确和及时的预测和诊断。

关 键 词：ECG 机器学习 深度学习 心血管疾病 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] TN911.7[自动化与计算机技术—控制科学与工程] R318[电子电信—通信与信息系统] R540.41[电子电信—信息与通信工程]