融合残差网络与自注意力机制的心律失常分类

作     者：袁成成 刘自结 王常青 杨飞 YUAN Chengcheng;LIU Zijie;WANG Changqing;YANG Fei

作者机构：安徽医科大学生物医学工程学院合肥230009 中国科学院等离子体物理研究所合肥230031 中国科学技术大学合肥230026 

出 版 物：《生物医学工程学杂志》 (Journal of Biomedical Engineering)

年 卷 期：2023年第40卷第3期

页      面：474-481页

核心收录：

学科分类：0711[理学-系统科学] 1002[医学-临床医学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 10[医学] 

基　　金：国家自然科学基金青年项目(62001005) 安徽省自然科学基金面上项目(2108085MH303) 

主　　题：心电信号分类 残差网络 双向门循环控制单元 自注意力机制 

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。