基于深度迁移学习和机器学习的ECG图像分类

1 论文标题：基于深度迁移学习和机器学习的ECG图像分类

2 作者信息：黎婉婷, 吴佳美*, 徐 华, 覃学恒, 王建伟, 郭 濛：辽宁科技大学理学院，辽宁 鞍山

3 出处和链接：黎婉婷, 吴佳美, 徐华, 覃学恒, 王建伟, 郭濛. 基于深度迁移学习和机器学习的ECG图像分类[J]. 图像与信号处理, 2026, 15(2): 302-308. https://doi.org/10.12677/jisp.2026.152026

4 摘要：心肌梗死是威胁人类生命健康的心血管疾病之一，为了进一步提升心肌梗死的诊断效果，本文提出一种基于深度迁移学习与传统机器学习融合的心电图图像分类方法。具体来讲，将4种主流卷积神经网络的分类性能进行对比，并筛选出最优特征提取模型，再结合传统机器学习分类器构建混合分类模型。实验结果显示，基于DenseNet121深度特征的SVM混合模型展现出最佳性能，测试准确率为86.43%，AUC为0.9762，该模型在测试集中对心肌梗死(MI)类别的识别未出现误判，展现出了极高的区分能力。本方法可有效提升心电图像分类精度，为心肌梗死的智能辅助诊断提供了可靠的技术方案。