基于金字塔密集连接层和BiLSTM的自动心律失常分类.
Xiangkui Wan1, Xiaoyu Mei1, Yunfan Chen1
1Hubei Key Laboratory for High-efficiency Utilization of Solar Energy and Operation Control of Energy Storage System, Hubei University of Technology, Wuhan, China.
概括
这项研究引入了一种新的深度学习模型,用于自动分类心律失常,实现高精度. 这种先进的模型增强了特征提取,以改善心血管疾病诊断.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 深度神经网络 (DNN) 越来越多地用于自动心律失常的分类.
- 当前的DNN模型显示了分类准确性的局限性.
- 需要改进的方法来捕获详细的时间和道间信息.
研究的目的:
- 开发一种更有效的自动心律失常分类方法.
- 为了增强接收场的大小,以捕获多个尺度的时间信息.
- 为了改进特征提取,将道间的相关性纳入.
主要方法:
- 提出了一个金字塔状的密集连接层和双向长期短期记忆网络 (PDC-BiLSTM).
- 集成的高效通道注意力 (ECA) 为动态特征通道权重.
- 在MIT-BIH心律失常数据库上评估了该模型.
主要成果:
- 在内科患者范式中实现了99.82%的整体准确性.
- 报告了99.64%的积极预测值,97.61%的灵敏度和98.60%的F1评分 (患者内).
- 在患者间模式中实现了96.30%的整体准确性.
结论:
- 拟议的PDC-BiLSTM与ECA模型在心律失常分类准确性方面优于现有方法.
- 显示出在心血管疾病诊断器件中应用的巨大潜力.
- 强调了将多尺度特征提取与注意力机制相结合的有效性.
