心电图信号双任务学习的时空级联神经网络及心律失常分类模型

作者：陶砚蕴; 岳国旗; 王凯欣; 张宇祯^*; 蒋彬; 黄杏梅

来源：南京大学学报(自然科学), 2021, 57(02): 318-326.

DOI：10.13232/j.cnki.jnju.2021.02.017

• 心律失常
• ECG信号
• 级联网络
• 卷积模块
• 门控循环单元
• 双任务学习

心律失常是常见的心血管疾病,目前临床软件对其识别的准确率不高,医师复核需要大量时间.针对以上问题,提出时空级联网络(CascadedNet)的心电图识别与心律失常分类模型. CascadedNet的双层级联结构提取心电图心搏形态特征并挖掘节律关联信息,实现异常心搏和异常节律的识别.引入端到端的心搏与节律识别双任务学习方法,使任务间共享特征表达式. CascadedNet在MIT-BIH心律失常数据集上的测试结果表明:CascadedNet比内部算法(支持向量机、朴素贝叶斯网络、梯度上升树和随机森林)的准确率高出19.7%以上;比长短时记忆网络和循环神经网络准确率高出5.23%;与单维卷积网络相比,CascadedNet的总体准确率相当,但召回率和精确度分别高出9.96%和7.94%,且网络复杂度比单维卷积网络更低,结构有更好的可解释性.

• 单位
  苏州大学; 苏州大学附属第一医院