结合CNN与双向LSTM的心律失常分类

摘要：

心律失常是心血管疾病中常见的病症之一,实现心律失常的自动分类对心血管疾病的诊治具有重要意义.基于一维心电信号的心律失常分类方法以若干节拍作为输入,通过模型提取特征并用于分类.针对现有方法预处理时间成本高以及未按医疗仪器促进协会(AAMI)标准分类等问题,提出了一种基于原始一维心电信号并按照AAMI推荐标准类别进行心律失常自动分类的方法.该方法首先利用卷积神经网络(CNN)学习心电信号的形态特征,之后通过双向长短期记忆网络(BLSTM)获取特征中的上下文依赖关系,最后借助softmax函数完成分类任务.方法采用mish函数作为激活函数,使得模型在训练中更为稳定.在公开数据库MIT-BIH上进行五折交叉验证,评估结果达到了99.11％的平均准确率,表明该模型可以有效地提取心电信号的特征,适用于监测系统中心律失常疾病的诊断.

关键词：心电信号;心律失常;卷积神经网络(CNN);双向长短期记忆网络(BLSTM)

所属期刊栏目：15

分类号：TP183;R541.7(自动化基础理论)

资助基金：国家自然科学基金;江西省教育厅科技项目

在线出版日期：2021-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：2353-2361