科研之友
微信
新浪微博
Facebook
分享链接
摘要
在心血管疾病的诊断中，心电信号的分析一直起到至关重要的作用。目前如何利用算法有效识别出信号中的异常心拍，仍然是心电信号分析领域中的难点。本文将深度残差网络与自注意力机制相结合，提出了一种能够自动识别出异常心拍的分类模型，该模型首先基于残差结构设计了18层卷积神经网络，用来充分提取信号中的局部特征，之后再结合双向门控循环单元，用于提高网络对于时序特征的挖掘能力，最后引入自注意力机制为提取到的每一个特征赋予区分化的权重，协助模型在训练的过程中更有效地关注重要特征，以此来获得较高的分类精度。本研究采用多种方式进行数据增强，缓解了由于数据不平衡问题对模型效果带来的影响。本研究实验数据来源于麻省理工学院与贝斯以色列医院（MIT-BIH）构建的心律失常数据库，最终结果表明，研究提出的模型在原始数据集上达到了98.33%的总体准确率，在优化后的数据集中达到了99.12%的总体准确率，证明了该模型在心电信号分类方面拥有良好的效果，具备应用到便携式心电检测设备的潜在价值。
- 单位
