基于BiLSTM-Attention混合神经网络的心律失常预测

作者：杜丛强; 崔昊^*

来源：中国医疗设备, 2023, 38(11): 67-72.

• 心律失常
• BiLSTM-Attention
• 注意力机制
• 混合神经网络

目的 探讨BiLSTM-Attention混合神经网络模型在心律失常预测中的应用价值。方法 选取中国心血管疾病数据库27036条心电图（Electrocardiogram,ECG）数据，按照8∶1∶1的比例划分为训练集、验证集和测试集，采用中值滤波法与小波变换阈值法对原始ECG数据进行降噪预处理，采用BiLSTM对数据进行特征学习，融合注意力机制分配注意力权重，构建BiLSTM-Attention模型进行心律失常分类预测。将BiLSTM-Attention模型与长短期记忆网络（Long Short-Term Memory,LSTM）、LSTM-Attention和B i L S T M模型进行对比，采用F 1分数和曲线下面积（A r e aU n d e rC u r v e,AUC）对模型进行评价。结果 BiLSTM-Attention模型总体的F1分数为0.799，心房颤动、一度房室传导阻滞、窦性心律失常、窦性心律均获得了较高的F1分数，分别为0.955、0.862、0.954和0.917,9类心律失常的AUC均大于0.87。结论 BiLSTMAttention心律失常分类模型具备较强的分类能力，对部分心律失常有较强的识别能力，经训练后能更好地辅助临床进行心律失常诊断，具备一定的实用价值。

• 单位
  山东中医药大学附属医院