基于BP神经网络和支持向量机的心房颤动分类方法研究

心房颤动是一种常见的心律失常，其诊断受到多种因素的干扰，为在诊断上达到可应用性，使房颤自动分析水平提升至专家水平，对房颤的自动检测至关重要。该研究提出了一种基于BP神经网络和支持向量机的房颤自动检测算法。将MIT-BIH房颤数据库中的心电信号（ECG）片段分别分为10、32、64、128个心搏为一组，计算洛伦兹值、香农熵、K-S检验值和指数移动平均值这4种特征参数，将这4种参数作为SVM和BP神经网络的输入，进行分类和测试，以MIT-BIH房颤数据库中专家给定的标签作为参考输出。其中，使用MIT-BIH房颤数据库中用前18例数据作为训练集，后7例数据作为测试集。结果表明，在10个心搏分类上得到了92%的准确率，在后3种分类上得到了98%的准确率，灵敏度和特异性均在97.7%以上，具有一定的可应用性，后续将进一步在临床心电数据中进行验证和改进。