基于深度残差网络和双向LSTM的自动心脏心律失常分类

心脏心律失常与心脏的异常电活动相关，这可以通过心电图（ECG）的改变特征来反映。由于其简单性和非侵入性，心电图广泛用于检测心律失常，急需自动ECG检测。迄今为止，已有一些算法被提出用于基于心电图特征的自动心脏心律失常分类；然而，由于信号特征不可靠或分类器的泛化能力有限，其分层率仍然很差，因此对于心律失常的自动诊断仍然是一个挑战。本文提出了一种基于深度神经网络（DNN）的自动心律失常分类新方法。两个DNN模型由残差卷积模块和双向长短期记忆（LSTM）层组成，训练以从原始心电信号中提取特征。提取的特征被串联形成特征向量，该向量被训练以进行最终分类。该算法基于中国生理信号挑战（CPSC）数据集的测试集进行评估，F1度量被视为精确度和召回率之间的调和平均数。最终的整体F1分数为0.806，房颤（AF）的FAF分数为0.914，阻滞的FBlock分数为0.879，早搏和ST段变化的FPC和FST分数分别为0.801和0.742，显示出良好的性能，可能具有潜在的实际应用。