基于改进残差神经网络的心电图心律失常分类系统设计
心血管疾病已成为全球公共卫生领域的重大挑战，其高发病率与致死率对临床诊断效率提出迫切需求。本文提出一种基于深度学习的 ECG 辅助分析系统，实现从信号采集、预处理到心律失常分类的全流程自动化。系统采用ADS1292芯片结合前端电压转换电路实现高质量信号获取。通过小波变换与中值滤波完成信号降噪及基线漂移去除，构建循环残差神经网络模型，采用多尺度卷积核策略增强时序特征提取能力，并通过数据增强技术解决样本类别不均衡问题。结果表明，该系统在 MIT-BIH 心律失常数据库上的分类准确率达 99.0%，可为临床提供高效、客观的辅助诊断支持。
[1]A. GR,A.GM,O.CJ , et al.Global Burden of Cardiovascular Diseases and Risk Factors, 1990–2019: Update From the GBD 2019 Study[J].Journal of the American College of Cardiology,2020,76(25):2982-3021.
[2] 王增武, 胡盛寿 .《中国心血管健康与疾病报告2019》要点解读[J]. 中国心血管杂志,2020,25(05):401-410.
[3]HeR,W ang K ,Li Q, et al.A novel method for the detection of R-peaks in ECG based on K-Nearest Neighbors and Particle Swarm Optimization[J].EURASIP Journal on Advances in Signal Processing,2017,2017(1):
[4]He K , Zhang X , Ren S ,et al.Identity Mappings in Deep Residual Networks[C]//Computer vision - ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11-14, 2016, Proceedings, p.IV.2016.
[5] 瞿文凤. 基于卷积神经网络的心电信号分类研究[J]. 科技资讯,2019,17(23):8-10+12.DOI:10.16661/j.cnki.1672-3791.2019.23.008.
[6] 王红娟, 尚莹莹. 基于小波变换的语音信号去噪算法优化[J]. 电声技术,2024,48(05):67-69.DOI:10.16311/j.audioe.2024.05.019.
[7] 张勇, 张萍, 王介生. 心电图中滤除基线漂移的研究[J]. 计算机与应用化学,2007,(04):465-468.DOI:10.16866/j.com.app.chem2007.04.011.
[8] 韩丽明. 基于深 度学习的ECG 心律失常分类研究[D]. 西安工业大学,2024.DOI:10.27391/d.cnki.gxagu.2024.000556.
[9] 张英, 党艳, 梁雪村. 基于变分模态分解和深度学习融合的心电信号分类诊断模型的构建和验证[J]. 中国循证儿科杂志,2024,19(06):464-468.
[10] 柯旭能, 江跃龙, 孟思明, 等. 注意机制深度学习模型在心律失常分类技术中的应用[J]. 物联网技术,2025,15(08):122-125.DOI:10.16667/j.issn.2095-1302.2025.08.026.