利用预训练卷积神经网络对RR间期Lorenz图进行分类

背景：心率变异性（HRV）及RR间期Lorenz图是评估心脏健康状况的关键指标。Lorenz图可有效描述心率的动态变化，但其分类具有挑战性。目前，数学计算是主要的分类方法，但仍存在区域划分困难、模式复杂等问题。卷积神经网络模型已在诸多问题中被证实有效，但其在Lorenz图分类中的应用仍相对有限。

方向与方法：本研究旨在提出一种基于预训练卷积神经网络模型的Lorenz图分类先进方法，并依据Lorenz图的形态学特征对其进行分类。该方法旨在提升心律失常、心力衰竭等心脏疾病的诊断准确率与效率，并适用于各类临床诊断环境下的心电图分析与解读。 本研究采用基于AlexNet结构的卷积神经网络模型及超参数优化算法，对经预处理与增强后的Lorenz图数据集开展7类分类与19类分类任务。具体而言，在预处理阶段，本研究对原始图像进行预处理与增强，包括去除图像中的文字、参考线与边框，并将图像转换为黑白模式；在增强阶段，本研究仅采用小幅度旋转、高斯模糊、平滑等方法，以1:11的比例对数据集进行增强；在预训练阶段，我们将模型输入调整为128×128×1；在超参数优化阶段，采用带坐标上升增强的网格搜索法，对批量大小（batch size）、学习率（learning rate）与训练轮数（epochs）三项超参数进行调优，以获得模型的最优超参数组合。

结果：本研究中，在7类分类任务下，当学习率、批量大小与训练轮数分别为1e-4、5与10时，模型在验证集上的准确率达到99.45%；在19类分类任务下，当三项超参数值分别为1e-5、5与13时，模型在验证集上的准确率达到97.77%。本研究所用方法优于当前五种分类方法，在复杂多分类任务中展现出显著优势，从而验证了该方法的有效性。

结论：所提方法证实了预训练卷积神经网络——尤其是基于AlexNet结构的卷积神经网络——在Lorenz图分类任务中的有效性。扩大数据集样本规模及探索更复杂的CNN模型结构，有助于后续研究的深入。本研究有助于开发精准、有效的诊断工具，以应对心脏健康领域所面临的紧迫挑战。