10.3969/j.issn.0258-8021.2020.06.009
融合CNN和BiLSTM的心律失常心拍分类模型
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.
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
39
R318(医用一般科学)
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
2021-02-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
719-726