一种基于轻量级BERT-TCN神经网络模型的ECG智能分类算法

本发明提出了一种基于轻量级BERT‑TCN神经网络模型的ECG智能分类算法。其步骤如下：1.数据预处理：使用带通滤波器和五点平滑滤波器去除基线漂移和高频噪声，同时采用IIR数字滤波器去除50Hz的工频干扰，并提取心电图的形态特征。2.时间特征提取：通过计算当前R波峰与相邻R波峰位置间隔，提取RR间期时间特征。3.心电数据扩充：利用SMOTE算法对少数类样本生成新的合成样本，增强ECG数据。4.轻量级BERT‑TCN模型构建：设计轻量级BERT‑TCN模型对时间和形态特征通过TCN卷积和轻量级BERT模块，分别捕捉心电信号的局部时序特征和全局时序特征，实现对心电信号的智能分类。本发明利用SMOTE算法增强了ECG数据，通过轻量级BERT‑TCN模型挖掘心电信号隐藏的非线性关系，提高了心律失常分类的准确率。