一个增强的混合模型,结合CNN,BiLSTM和注意力机制,用于ECG分段分类
Mechichi Najia1,2, Benzarti Faouzi1,2
1Electrical Engineering Department, ENSIT, Tunis, Tunisia.
Biomedical engineering and computational biology
|June 19, 2025
概括
这项研究引入了一个深度学习模型,用于使用心电图 (ECG) 信号进行准确的心律失常诊断. 这种先进的框架显著提高了分类准确性,帮助临床医生诊断心律疾病.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 传统的心电图 (ECG) 分类依赖于手动特征工程和传统的机器学习,限制了准确性.
- 深度学习模型,特别是卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 网络,为增强的心电图分类提供自动特征学习.
研究的目的:
- 开发和评估一个新的深度学习框架,将CNN与CBAM和BiLSTM层集成,用于精确的ECG信号特征提取和分类.
- 根据AAMI EC57标准将心跳分为五个类别 (正常,心室外异位,心室外异位,融合,未知).
主要方法:
- 实现了一个混合深度学习架构,结合了CNN,CBAM (卷积块注意模块) 和BiLSTM层.
- 合成少数群体过量采样技术 (SMOTE) 用于解决不平衡的阶级分布,并提高模型的稳定性.
- 该模型在MIT-BIH心律失常数据库上进行了训练和评估.
主要成果:
- 拟议的框架实现了高诊断性能,包括99.20%的准确性,97.50%的灵敏性和99.81%的特异性.
- 平均F1得分达到98.29%,证明了该模型在分类各种心律不整时的有效性.
- 与传统方法相比,CNN,CBAM和BiLSTM层的整合促进了优越的特征提取和分类.
结论:
- 深度学习模型,特别是拟议的CNN-CBAM-BiLSTM框架,为自动心律失常诊断提供了一种强大的方法.
- 这项技术有可能显著减少临床医生的工作量,并提高诊断心脏病的准确性.
- 该框架在MIT-BIH数据集上的强大表现凸显了其在现实世界医疗保健环境中的临床适用性.
