科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提高心律失常智能诊断的准确率，本研究提出了一种多网络融合模型和Stacking集成学习算法，用于八种心律失常疾病的智能诊断。使用1D CNN—BiLSTM融合网络提取单导联信号的高维特征和时域相关性特征，将十二个导联的心电信号特征融合，得到高维的特征张量，采用Stacking集成学习算法训练得到泛化性更好的诊断模型。通过比较准确性、精确性、召回率、F1-Score四个诊断性能指标，验证了利用十二导联融合特征作为最终诊断特征，准确率有显著提升，且Stacking集成学习算法较单一机器学习算法有更好的性能。本研究通过将机器学习、神经网络、集成学习算法有效结合，训练得到的心律失常智能诊断模型有较高的准确率，为基于心电信号的心律失常智能诊断提供了一种新方法。
- 单位
