基于BiLSTM和多分支CNN的心律失常自动分类

作者：李怀东; 吴腾

来源：机械制造与自动化, 2022, 51(06): 102-105.

DOI：10.19344/j.cnki.issn1671-5276.2022.06.025

• 心电信号
• 卷积神经网络
• 双向长短时记忆神经网络
• 多分支

针对传统心电信号(ECG)分类中卷积神经网络(CNN)模型的细节特征缺失问题，使用多支路的CNN提取更深层次的特征。考虑到ECG具有时序性的特点，融合双向长短时神经网络(BiLSTM)模型，提出一种基于BiLSTM和多分支CNN的分类方法。该方法先对数据库的心电数据进行心拍分割，然后送入有3条分支的CNN和BiLSTM组成的网络模型进行训练，最后对模型在测试集上进行评价。实验结果表明：该方法的分类效果良好，在对S和V类分类上优于其他深度学习方法。

• 单位
  自动化学院; 福州大学