摘要：心電圖(ECG)信號在采集過程中容易受內部和外部噪聲干擾,而且不同患者的ECG信號形態(tài)特征差異較大,即使同一患者在不同時間和環(huán)境下其ECG信號也會有差異,因此ECG信號特征檢測與識別在心臟病遠程實時監(jiān)測與智能診斷中具有一定難度。基于此,本研究提出將小波自適應閾值去噪和深度殘差卷積神經網絡算法用于多種心律不齊的信號識別過程中。其中,使用小波自適應閾值技術完成ECG信號濾波,并設計了包含多個殘差塊(residual block)結構的20層卷積神經網絡(CNN),即深度殘差卷積神經網絡(DR-CNN),對5大類心律不齊ECG信號進行了識別。然后,本文采用殘差塊局部神經網絡結構單元構建DR-CNN,緩解了深層網絡的收斂難、調優(yōu)難等問題,克服了CNN隨著網絡層數增加而導致的退化問題;進一步引入批標準化(batch normalization)技術,保證了網絡的平滑收斂。按照美國醫(yī)療器械促進協會(AAMI)的心搏分類標準,使用麻省理工學院和波士頓貝絲以色列醫(yī)院(MIT-BIH)心律不齊數據庫中94 091個ECG心搏信號(2個導聯),完成了心律不齊多分類、室性異位搏動(Veb)和室上性異位搏動(Sveb)等分類識別實驗。實驗結果表明,本文所提出的方法在ECG信號多分類、Veb和Sveb識別中的準確率分別達到了99.0349%、99.4980%和99.3347%。在相同的數據集和實驗平臺下,DR-CNN在分類準確率、特異性和靈敏度上均優(yōu)于相同結構復雜度的CNN、深度多層感知機等傳統(tǒng)算法。DR-CNN算法提高了心律不齊智能診斷的精度,該方法與可穿戴設備、物聯網和無線通信技術相結合,可以將心臟病的預防、監(jiān)測和診斷延伸到家庭、養(yǎng)老院等院外場景,從而提高心臟病患者的救治率,并且有效地節(jié)約醫(yī)療資源。