一种用于心电图分类的改进神经网络算法

摘要：

心血管疾病的死亡率在所有疾病中居于首位,心电图能够反映人体的电信号活动情况,它已成为医生用来诊断心血管疾病的重要依据.随着计算机辅助ECG诊断技术的快速发展,深度学习方法已能够实现ECG信号的特征提取和分类.为了较好地提高ECG信号的分类识别率和处理效率,该文提出了一种新的心电图分类方法.首先,对原始数据进行去噪,提出了基于经验小波变换(EWT)的提升小波阈值去噪方法.然后,重构经过提升小波阈值去噪技术处理过的模态分量.在训练过程中,设计了基于局部感受野的极限学习机(ELM-LRF)和双向长短时记忆网络(BLSTM)结合的神经网络算法,并利用注意力机制优化该算法,提出了LRF-BLSTM-Attention模型.最后,在CCDD和MIT-BIH数据集上对提出算法的性能进行验证,准确率分别达到86.12％和99.87％,证明了该算法在临床心血管疾病智能诊断中的实用性.与其他模型相比,该模型的收敛速度更快,收敛的损失值更小.

关键词：极限学习机、局部感受野、双向长短时记忆网络、注意力机制、心电图

所属期刊栏目：33

分类号：TP183(自动化基础理论)

资助基金：山东省高等学校青创科技支持计划;山东省自然科学基金项目;济南市新高校20条项目

在线出版日期：2023-02-20（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：178-186