一种改进的Bi-LSTM方法,基于异质特征融合和注意力机制,用于ECG识别

科学领域:

• 生物医学工程 生物医学工程
• 人工智能的人工智能
• 心脏病学 心脏病学

背景情况:

• 电心电图 (ECG) 分析对于诊断心血管疾病至关重要.
• 从心电图信号中提取强大的深度特征是具有挑战性的,因为信号的变化和噪声.
• 现有的方法在全面的特征提取方面扎,以获得准确的ECG识别.

研究的目的:

• 开发一种先进的算法,用于增强心电图信号识别.
• 通过结合经验和学习的特征来改善从心电图信号中提取深度特征.
• 为适应性特征融合和优化引入一种新的注意力机制.

主要方法:

• 提出了一个异质特征融合和注意力机制与Bi-LSTM (HFFAM + Bi-LSTM) 算法.
• 集成的经验特征与深度学习衍生的特征,用于全面的心电图信号分析.
• 开发了一种改进的基于动态时间扭曲 (AM-DTW) 的注意力机制,用于自适应特征加权和过.

主要成果:

• 在模拟数据集上达到98.1%的高准确率,在真实ECG数据集上达到97.1%.
• 在HFFAM+Bi-LSTM模型中,与现有的基准模型相比,分类准确度提高了1.3%.
• 该算法有效地加强异构信息,同时考虑异构特征,优化特征提取.

结论:

• HFFAM + Bi-LSTM算法为自动ECG信号检测和分类提供了一种卓越的方法.
• 这种方法在处理复杂的心电图信号特征方面取得了重大进展,从而提高了诊断准确度.
• 拟议的技术为早期预防和诊断心血管疾病提供了一个有前途的新方案.