混合深度CNN和Bi-LSTM模型具有注意力机制,用于增强基于心电图的心脏病诊断
Gaurav Kumar1, Neeraj Varshney2
1Department of Computer Engineering and Applications, GLA University, Uttar Pradesh, Mathura, India.
Physical and engineering sciences in medicine
|July 22, 2025
概括
这项研究引入了一种新的Deep-CNN和Bi-LSTM模型,用于使用心电图 (ECG) 数据准确检测心血管疾病. 这种先进的模型显著提高了诊断准确度,解决了传统方法的局限性.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
背景情况:
- 心血管疾病 (CVD) 是全球死亡的主要原因,每年有1790万人死亡.
- 电心电图 (ECG) 分析用于心血管疾病检测面临的挑战是由于信号的变化和依赖手动解释,导致诊断错误.
- 对于早期发现心脏病的自动化,准确和可靠的系统有着至关重要的需求.
研究的目的:
- 开发和评估一个先进的深度学习模型,以使用心电图数据来加强心血管疾病的诊断.
- 通过将深度卷积神经网络 (Deep-CNN) 和双向长短期记忆 (Bi-LSTM) 与注意力机制相结合,提高心脏病分类的准确性和可靠性.
- 克服传统诊断方法和人体分析在心电图解释方面的局限性.
主要方法:
- 使用混合深度学习架构,结合Deep-CNN用于空间特征提取和Bi-LSTM用于时间依赖分析.
- 整合了注意力机制,专注于相关的心电图信号段,改善诊断性能.
- 在UCI克利夫兰心脏病数据集上评估模型,包括303个患者记录和14个临床特征.
主要成果:
- 拟议的Deep-CNN和Bi-LSTM模型实现了97.23%的高精度.
- 这款车型表现出强的性能,召回率为97.72%,精度,F1得分为96.90%.
- 综合方法在诊断性能方面表现优于现有的增强整体和混合模型.
结论:
- 开发的混合深度学习模型在自动心血管疾病检测ECG数据方面取得了重大进展.
- 深度CNN,Bi-LSTM和注意力机制的组合有效地解决了心电图信号的变异性,并提高了诊断的准确性.
- 这种方法有望通过更早,更可靠的心脏病诊断来改善患者的治疗结果.
