融合CNN和BiLSTM的心律失常心拍分类模型

摘要：

为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型.心电信号首先被分割成0.75 s和4s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类.针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合.采用基于患者的5折交叉检验进行模型验证.M1T心律失常数据库116 000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42％,比单独使用CNN(76.45％)和BiLSTM(83.28％)的模型分别提高13.97％和7.14％.所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率.

关键词：心律失常、心拍分类、心电、卷积神经网络、双边长短时记忆网络

所属期刊栏目：39

分类号：R318(医用一般科学)

资助基金：国家自然科学基金;江苏省杰出青年基金;江苏省重点研发计划项目

在线出版日期：2021-02-25（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：719-726