基于ResNet和Bi-LSTM模型融合的心电信号分类

摘要：

目的 为提升临床心电图的分类效果,提出一种融合深度残差网络(ResNet)和双向长短时记忆循环神经网络(Bi-LSTM)的心电信号分类算法.方法 利用ResNet模型提取和整合心电信号波形特征的能力,在ResNet模型基础上融合Bi-LSTM模型,提取信号序列上下文信息.通过数据增强技术增加样本数量,解决训练集存在类别不平衡问题,进一步提升模型分类性能.结果 文中提出算法的F1(查准率和召回率的调和平均)在The 2017 PhysioNet/CinC Challenge数据集上达到0.8571,优于近几年文献提出的其他几种模型.同时将该模型用于医院实际临床数据(92245条记录),模型F1指标达到0.8852;对比传统人工特征方法和单纯残差网络该模型具有更好的性能,尤其对于心房颤动的识别提升明显.结论 基于ResNet和Bi-LSTM模型融合的算法能有效提取心电信号特征,且分类效果较好,具有实际应用意义.

关键词：心电图、深度学习、残差网络、长短时记忆网络、信号处理

所属期刊栏目：34

分类号：TP391.4(计算技术、计算机技术)

资助基金：浙江省自然科学基金项目LR19F020005

在线出版日期：2021-08-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：244-251